基于紅外光譜角度度量模型同時(shí)測(cè)定辣椒油品質(zhì)指標(biāo)

李嘉偉，粟暉，姚志湘

(廣西科技大學(xué) 生物與化學(xué)工程學(xué)院，廣西 柳州 545000)

辣椒油是生活中常見的復(fù)合調(diào)味品。在食用過程中，由于辣椒油的存放方式、重復(fù)使用或是摻偽[1]的原因造成其品質(zhì)發(fā)生變化，繼而影響人體健康。對(duì)于植物油品質(zhì)的檢測(cè)方法主要有理化檢驗(yàn)法、氣相色譜法[2]、電子鼻技術(shù)等[3-4]。近紅外光譜分析技術(shù)操作簡(jiǎn)便，可以做到無損檢測(cè)，常與化學(xué)計(jì)量學(xué)結(jié)合，在調(diào)味品成分的定量檢測(cè)與品質(zhì)評(píng)價(jià)中有所應(yīng)用[5-6]。酸值、過氧化值和折光率也是衡量油脂酸敗程度、穩(wěn)定性的重要指標(biāo)。測(cè)定酸值的方法主要有滴定法、比色法、紫外分光光度法、紅外光譜法等。滴定法操作繁瑣，所用試劑多；比色法[7]所需表面活性劑成本較高；紫外分光光度法[8]樣品預(yù)處理復(fù)雜；而紅外光譜法[9]樣本無需預(yù)處理，且簡(jiǎn)單易操作，周玲玲等[10]采用ATR/FTIR結(jié)合PLS，建立同時(shí)測(cè)定植物油酸值、粘度、折光率的模型。國標(biāo)法、色譜法[11]在測(cè)定過氧化值時(shí)也暴露了上述缺點(diǎn)，隨著紅外光譜法[12]的引入，同樣簡(jiǎn)化了過氧化值的測(cè)定；而折光率多數(shù)參照國標(biāo)法測(cè)定，但是針對(duì)同時(shí)測(cè)定多種辣椒油品質(zhì)指標(biāo)的方法未見報(bào)道。

光譜法雖然操作簡(jiǎn)捷，成本低、但由于環(huán)境因素導(dǎo)致信號(hào)強(qiáng)度不穩(wěn)定，建模效果勢(shì)必會(huì)受到影響，角度度量法[13-14]用空間來描述多組分體系，視每個(gè)組分為空間中的單一向量，通過將強(qiáng)度信號(hào)轉(zhuǎn)換為角度度量信號(hào)，消除環(huán)境帶來的誤差，之后利用偏最小二乘法建立模型，提高了模型的穩(wěn)定性和預(yù)測(cè)能力。

本文通過采集不同辣椒油樣本的紅外光譜，利用角度度量方法，建立同時(shí)檢測(cè)辣椒油的3種關(guān)鍵品質(zhì)指標(biāo)的方法，避免了現(xiàn)存分析方法的缺點(diǎn)，實(shí)現(xiàn)了辣椒油大批量的快速檢測(cè)。

1 材料與方法

1.1 材料與試劑

辣椒油(市售)、無水乙醇(AR)、乙醚(AR)、氫氧化鉀(AR)、鄰苯二甲酸氫鉀(AR)、百里酚藍(lán)(AR)、三氯甲烷(AR)、冰醋酸(AR)、碘化鉀(AR)、硫代硫酸鈉(AR)、重鉻酸鉀(AR)、濃硫酸(AR)、可溶性淀粉(AR)。

1.2 儀器與設(shè)備

DF-101S集熱式恒溫加熱磁力攪拌器 鞏義市予華儀器責(zé)任有限公司；AR124C精密電子天平 上海奧豪斯儀器有限公司；Frontier紅外光譜儀 美國PE公司；WZS-1阿貝折光儀 邢臺(tái)潤聯(lián)科技開發(fā)有限公司。

1.3 方法

1.3.1 樣本的制備

辣椒油Ⅰ、辣椒油Ⅱ：現(xiàn)購市售辣椒油；辣椒油Ⅲ、辣椒油Ⅳ、辣椒油Ⅴ：放置2年以上。

辣椒油Ⅰ在200 ℃下油浴加熱22 h，加熱數(shù)小時(shí)后取樣，如0 h為樣本S1，加熱2 h后取樣得到S2，依次類推，得到樣本S1～S12；辣椒油Ⅱ在180 ℃下油浴加熱18 h，得到樣本S13～S21；市售與辣椒油Ⅲ～Ⅴ按不同配比混合制得樣本S22～S40。

混合，加熱使樣品呈現(xiàn)不同氧化酸敗狀態(tài)，為以后的建模提供不同品質(zhì)指標(biāo)的樣本。

1.3.2 樣本酸值、折光率、過氧化值測(cè)定

酸值、過氧化值采用國標(biāo)法測(cè)定；折光率采用阿貝折光儀在25 ℃下測(cè)定。

1.3.3 樣本紅外光譜的采集

環(huán)境溫度為25 ℃，光譜采集范圍為4000～450 cm-1，數(shù)據(jù)間隔為1 cm-1，分辨率4 cm-1，積分時(shí)間1 min，ATR采集附件，采集3次光譜。

2 結(jié)果與分析

2.1 加熱條件與混合比例對(duì)酸值、折光率、過氧化值的影響

通過加熱和混合的方式得到40個(gè)不同品質(zhì)的辣椒油樣本。隨著加熱時(shí)長增加，油脂酸值、折光率增大，且溫度越高，數(shù)值增大越快；油脂加熱后，穩(wěn)定性下降，發(fā)生水解，油樣中游離脂肪酸的含量增加，隨著羧基的含量增多，氫鍵的數(shù)量迅速增加，分子間的作用力增強(qiáng)，對(duì)應(yīng)的光譜透射率也相應(yīng)增大。過氧化值在加熱過程中，溫度越高，變化幅度越大，但過氧化值的大小與加熱溫度和時(shí)長無相關(guān)性，可能歸因于過氧化物本身的不穩(wěn)定，其生成和分解處于動(dòng)態(tài)過程。在混合樣本中，隨著品質(zhì)較差(經(jīng)加熱處理或長期暴露于空氣中)的油樣所占比重升高，3種指標(biāo)化學(xué)值也隨之增大。

2.2 系列辣椒油樣本的紅外光譜分析

選取在200 ℃下加熱0，8，18，22 h 4個(gè)時(shí)間點(diǎn)的樣本，觀察其譜圖變化，見圖1。

圖1 辣椒油Ⅰ經(jīng)200 ℃下不同加熱時(shí)間的辣椒油樣本紅外光譜特征峰變化Fig.1 The changes in infrared spectra characteristic peaks of chili oil samples of chili oil I with different heating time at 200 ℃

2.3 分析模型建立

2.3.1 校正集和驗(yàn)證集的選擇與確定

將全部樣本的3種指標(biāo)數(shù)據(jù)由大到小排列，按照一定間隔選取10個(gè)樣本作為驗(yàn)證集，剩余30個(gè)樣本為組成校正集。兩者各指標(biāo)的取值范圍見表1。驗(yàn)證集各個(gè)指標(biāo)的取值范圍均小于校正集樣本相應(yīng)指標(biāo)的取值范圍，符合驗(yàn)證集的選擇標(biāo)準(zhǔn)，可以用來建模。

表1 樣本各指標(biāo)的分布范圍Table 1 The distribution ranges of each index of the samples

2.3.2 基于角度度量的建模方法

將辣椒油紅外光譜分為校正集光譜矩陣A，驗(yàn)證集光譜矩陣V，基準(zhǔn)光譜M(未經(jīng)處理的辣椒油紅外光譜)，并進(jìn)行區(qū)間分割，即A=[A1,A2,……，An]、V=[V1,V2,……，Vn]、M=[M1,M2，……，Mn]，n為紅外光譜分割成的區(qū)間數(shù)，K為分割步長。根據(jù)向量點(diǎn)積公式，求得A、V與M的夾角余弦值，進(jìn)而將光譜信號(hào)轉(zhuǎn)化為角度信號(hào)。以轉(zhuǎn)換后的角度數(shù)據(jù)矩陣為自變量，辣椒油3種指標(biāo)的真實(shí)值為因變量，采用偏最小二乘法回歸分析，建立辣椒油關(guān)鍵品質(zhì)指標(biāo)的多變量回歸模型。

2.3.3 辣椒油3種品質(zhì)指標(biāo)的分析模型建立

選取校正集光譜數(shù)據(jù)為自變量(X)，酸值、折光率、過氧化值的真實(shí)值作為因變量(Y)，分別用PLS和VAPLS建立辣椒油3種品質(zhì)指標(biāo)分析模型。采用預(yù)測(cè)值與真實(shí)值相關(guān)系數(shù)(R)和均方根誤差(RMSE)判斷模型穩(wěn)定性及預(yù)測(cè)效果。

由于光譜不同波段所攜帶信息的差異，本文將樣本光譜分為500～4000 cm-1；500～3100 cm-1；500～2100 cm-1及2600～4000 cm-1；500～2100 cm-1及2600～3100 cm-14種特征波段。并通過一階導(dǎo)(D1)、二階導(dǎo)(D2)、多元散射校正(MSC)[16]、標(biāo)準(zhǔn)正態(tài)變換(SNV)[17]的方法分別對(duì)光譜進(jìn)行預(yù)處理。

2.3.3.1 酸值分析模型建立

主成分?jǐn)?shù)和區(qū)間分割步長的選取對(duì)模型的穩(wěn)定性、預(yù)測(cè)性有很大影響。主成分?jǐn)?shù)選取不足，會(huì)丟失原始光譜中的重要信息，造成欠擬合；反之，如果主成分?jǐn)?shù)選取過多，將會(huì)在模型中引入噪聲或散射光等無用信息，造成過擬合。分割步長越大，區(qū)間數(shù)越少，樣本與基準(zhǔn)組分組成的夾角余弦矩陣維數(shù)越少，可提高運(yùn)算速度，但同時(shí)會(huì)遺漏組分相關(guān)信息；分割步長越小，劃分的間隔數(shù)越多，對(duì)樣本組成的研究越詳細(xì)，但同時(shí)會(huì)增加建模時(shí)間，因此在建模時(shí)應(yīng)選取最佳分割步長。

用主成分分析法對(duì)校正集光譜數(shù)據(jù)進(jìn)行降維分解，根據(jù)二階差分序列[18]的方法選取最佳主成分?jǐn)?shù)，當(dāng)原光譜主成分?jǐn)?shù)達(dá)到4后，二階差分值明顯降低，噪聲和背景光譜引起序列尾部的不均勻，之后趨于平緩，因此選擇主成分?jǐn)?shù)為4，將最佳主成分?jǐn)?shù)帶入自編程序，得到其最佳分割步長，見圖2。

圖2 二階差分序列變化圖Fig.2 The sequence variation diagram of second order difference

不同建模條件下的酸值建模結(jié)果見表2。

表2 不同光譜預(yù)處理下酸值建模效果最優(yōu)波段Table 2 The optimal bands of acid value modeling effect under different spectral pretreatments

由表2可知，VAPLS建模結(jié)果優(yōu)于PLS。選取500～2100 cm-1及2600～4000 cm-1紅外光譜波段，原光譜(None)建立的VAPLS模型最佳，校正集相關(guān)系數(shù)(RA)和驗(yàn)證集相關(guān)系數(shù)(RV)為0.9936，0.9959，均方根誤差(RMSE)分別為0.0282，0.0264。雖然二階導(dǎo)數(shù)處理后的模型校正集相關(guān)系數(shù)較高，但驗(yàn)證集的相關(guān)系數(shù)較差，分析原因是二階導(dǎo)數(shù)在消除光譜中漂移和散射的過程中消除了部分?jǐn)y帶有效信息的光譜，同時(shí)噪聲被放大，信噪比降低[19]，導(dǎo)致驗(yàn)證集的效果較差。兩種建模方法的酸值真實(shí)值與預(yù)測(cè)值散點(diǎn)圖分析結(jié)果見圖3。

圖3 不同建模方法的酸值真實(shí)值與預(yù)測(cè)值散點(diǎn)圖Fig.3 The scatter plots of real and predicted acid values under different modeling methods

2.3.3.2 過氧化值分析模型建立

不同建模條件下的過氧化值建模結(jié)果見表3，VAPLS同樣較優(yōu)。選取500～3100 cm-1紅外光譜波段，經(jīng)過D1處理，建立的VAPLS模型最佳，其校正集和驗(yàn)證集相關(guān)系數(shù)為0.9923，0.9421，均方根誤差分別為0.0176，0.0543。過氧化值真實(shí)值與預(yù)測(cè)值的散點(diǎn)圖分析結(jié)果見圖4，在D2處理后的模型中，同樣有較好的校正集，但驗(yàn)證集較差，進(jìn)一步說明二階導(dǎo)數(shù)對(duì)辣椒油的紅外光譜校正過度，消除了建模所需的有效信息。

表3 不同預(yù)處理下過氧化值建模效果最優(yōu)波段Table 3 The optimal bands of peroxide value modeling effect under different pretreatments

圖4 不同建模方法下的過氧化值真實(shí)值與預(yù)測(cè)值散點(diǎn)圖Fig.4 The scatter plots of real and predicted peroxide values under different modeling methods

2.3.3.3 折光率分析模型建立

由表4可知，選取全波段未處理紅外光譜，建立的VAPLS模型為最佳，校正集和驗(yàn)證集相關(guān)系數(shù)為0.9925，0.9907，均方根誤差分別為0.000132，0.000147。折光率真實(shí)值與預(yù)測(cè)值散點(diǎn)圖分析結(jié)果見圖5。

表4 不同預(yù)處理下折光率建模效果最優(yōu)波段Table 4 The optimal bands of refractive index modeling effect under different pretreatments

圖5 不同建模方法下的折光率真實(shí)值與預(yù)測(cè)值散點(diǎn)圖Fig.5 The scatter plots of real and predicted refractive indexes under different modeling methods

選擇不同波段光譜可以有效利用光譜信息，并通過對(duì)光譜預(yù)處理去除光譜中樣品背景、雜散光等無關(guān)信息，提高模型預(yù)測(cè)能力。光譜經(jīng)過平滑處理，消除基線，提高信噪比，但可能丟失光譜的部分有效信息；SNV假設(shè)所有變量具有相同的標(biāo)準(zhǔn)偏差。而MSC假設(shè)乘性和加性的變化遠(yuǎn)大于樣品濃度或化學(xué)性質(zhì)變化，當(dāng)與假設(shè)情況不符時(shí)，也會(huì)導(dǎo)致模型預(yù)測(cè)能力降低[20]。

PLS法受乘性效應(yīng)影響較大，而角度度量(VAPLS)利用向量方向的確定性，將光譜信號(hào)轉(zhuǎn)換為角度信號(hào)，重構(gòu)數(shù)據(jù)矩陣，有效地消除乘性效應(yīng)，進(jìn)一步提高了模型的預(yù)測(cè)性和穩(wěn)定性。從辣椒油3種品質(zhì)指標(biāo)的分析模型結(jié)果來看，也驗(yàn)證了VAPLS法較優(yōu)于傳統(tǒng)偏最小二乘法。

2.3.4 市售辣椒油的品質(zhì)分析

購入4種市售辣椒油，采集其紅外光譜數(shù)據(jù)，并按1.3.2方法測(cè)量3種指標(biāo)的真實(shí)值，將各樣本光譜數(shù)據(jù)和真實(shí)值導(dǎo)入計(jì)算平臺(tái)，依照各指標(biāo)的建模條件參數(shù)，分別采用VAPLS和PLS對(duì)3種品質(zhì)指標(biāo)進(jìn)行預(yù)測(cè)，結(jié)果見表5。

表5 4種市售辣椒油不同模型預(yù)測(cè)結(jié)果Table 5 The prediction results of different models for four commercial chili oil

VAPLS法預(yù)測(cè)值均方根誤差分別為0.0185，0.0001，0.0355；PLS法預(yù)測(cè)值均方根誤差分別為0.0527，0.0001，0.1006。雖然兩種模型個(gè)別預(yù)測(cè)值較為接近，但結(jié)合角度度量法的預(yù)測(cè)值相對(duì)更加準(zhǔn)確，且均方根誤差較小。

3 結(jié)論

本文以辣椒油樣本作為研究對(duì)象，利用紅外光譜技術(shù)結(jié)合基于角度度量的偏最小二乘法對(duì)辣椒油酸值、折光率、過氧化值3種指標(biāo)采用不同預(yù)處理方式分波段建模，并與傳統(tǒng)偏最小二乘法進(jìn)行比較。VAPLS建模整體較優(yōu)，得到3種模型校正集相關(guān)系數(shù)均大于0.99，酸值、折光率預(yù)測(cè)集相關(guān)系數(shù)也在0.99以上，過氧化值驗(yàn)證集相關(guān)系數(shù)為0.9421；市售辣椒油均方根誤差較小，表明模型具有良好的預(yù)測(cè)性和穩(wěn)定性，該方法只需采集一次辣椒油光譜，即可測(cè)得3種關(guān)鍵指標(biāo)，適用于辣椒油大批量的快速檢測(cè)。