应用近红外光谱技术快速测定
葵花籽油的理化指标

卢海燕,王 欣*,赵婷婷,刘宝林

(上海理工大学食品质量与安全研究所,上海 200093)

 

摘 要:应用傅里叶变换近红外光谱技术结合不同的定量分析方法建立葵花籽油4 种不同理化指标的快速预测模型。在用化学方法获得不同氧化程度葵花籽油的共轭二烯、共轭三烯、p-茴香胺值、总极性化合物的参照数据的基础上,比较不同光谱预处理方法及建模方法对预测效果的影响。结果表明,葵花籽油原始光谱不经处理、经Norris平滑和一阶导数处理或Norris平滑和二阶导数处理后应用偏最小二乘法可分别建立共轭二烯、共轭三烯、p-茴香胺值及总极性化合物的预测模型,建模决定系数均在0.98以上,交互验证均方根误差分别为1.37、0.38%、0.51、0.46,相对预测均方根误差分别为1.24、0.18%、0.40、0.16。说明利用近红外光谱技术结合化学计量法可实现不同氧化程度葵花籽油理化指标的快速、准确检测。

关键词:葵花籽油;理化指标;近红外光谱;化学计量法;偏最小二乘法

 

Rapid Determination of Physicochemical Indicators of Sunflower Oil by Near-Infrared Spectroscopy

 

LU Hai-yan, WANG Xin*, ZHAO Ting-ting, LIU Bao-lin

(Institute of Food Safety and Quality, University of Shanghai for Science and Technology, Shanghai 200093, China)

 

Abstract: In this work, near-infrared spectroscopy (NIR) was applied for the rapid determination of 4 physicochemical indicators of sunflower oil with the aid of several quantitative methods. The basic reference values conjugated dienes (K232) and conjugated tienes (K270), p-anisidine value (p-AV), and total polar compounds (TPC) of the oxidized sunflower oil samples, were obtained by chemical methods. The effects of data pre-processing method and modeling method on the accuracy of calibration models were investigated. The results indicated that the precision of analysis for K232, K270, and p-AV could be improved when the original spectra were pre-processed by Norris smoothing algorithms combined with first derivative or with second derivative, while the analysis for TPC could provide the best result with the original spectra. After spectral pretreatments, the quantitative analysis calibrations of the 4 physicochemical indicators could be developed using partial least square regression method, and the RC were 0.98, 0.99, 0.99 and 0.98, respectively, with RMSECV of 1.37, 0.38%, 0.51 and 0.46, and RMSEP of 1.24, 0.18%, 0.40 and 0.16, respectively. The predicted values were accurate and reliable. Therefore, NIR combined with chemometric methods could be used to determine the physicochemical indicators of edible oils with rapidity and accuracy.

Key words: sunflower oil; physicochemical indicators; near-infrared spectroscopy; chemometry; partial least squares

中图分类号:TS227 文献标志码:A 文章编号:1002-6630(2014)22-0135-06

doi:10.7506/spkx1002-6630-201422025

葵花籽油是从葵花籽仁中制取出来的植物油。葵花籽油含大量的不饱和脂肪酸,如油酸、亚油酸、亚麻酸等,可显著降低胆固醇、防止血管硬化和预防冠心病的作用,因而成为世界许多地方消费者的首选油[1]。但葵花籽油因富含大量不饱和脂肪酸而在贮藏及加工过程极易氧化变质。目前评价油脂品质则多以现行国标中的如过氧化值、茴香胺值、总极性化合物等理化指标为依据,而这些指标存在测试过程繁琐、消耗大量试剂、干扰因素多、灵敏度低等缺点[2]。近年来,近红外光谱技术以快速、高效、准确、样品无需过多前处理等优点广泛运用于油脂品质指标的检测之中。王立琦等[3]应用傅里叶变换近红外光谱(Fourier transform-near infrared spectrometer,FT-NIR)技术建立大豆油过氧化值近红外预测模型,确定了过氧化值的最优偏最小二乘(partial least squares,PLS)法模型,校正集的相关系数为0.916,预测集的相关系数为0.922。Armenta等[4]应用FT-NIR技术结合不同的预处理方式建立食用油的酸价、过氧化值的PLS预测模型,各模型的交互验证均方根误差(root mean square error of cross validation,RMSECV)及相对预测均方根误差(relative prediction mean square error,RMSEP)分别为0.034、0.037%、1.87、0.79 O2/kg,满足实验精度要求。Sanchez等[5]建立橄榄油的氧化稳定指数、共轭二烯、过氧化值的PLS近红外预测模型,预测模型的相关系数达0.93以上,此外明朗等[6]用NIR结合分析方法对植物油中的甘油单酯、甘油二酯、甘油三酯和游离脂肪酸进行检测,决定系数达0.91以上,4 个组分的预测标准偏差分别为0.010 4、0.183、0.201和0.010 6。文献调研表明,虽然氧化次级产物如醛类、氧化聚合物等是衡量油脂品质的重要指标,但有关茴香胺值、总极性化合物的NIR预测模型的研究相对较少。

因此,本实验拟利用FT-NIR采集不同氧化程度的葵花籽油光谱信息,通过系统比较不同光谱预处理和建模方法组合条件下各理化指标预测模型的精度,确定共轭二烯、共轭三烯、p-茴香胺值、总极性化合物的最佳光谱预处理和建模方法,从而为油脂品质的检测方法提供一种快速、准确的新途径。

1 材料与方法

1.1 材料与试剂

新鲜葵花籽油(压榨法生产,未添加抗氧化剂) 山东鲁花集团有限公司。

取500 mL油样置于1 L的烧杯中,于65 ℃(30 d)烘箱内敞口、避光储存(实验时间为11月—次年1月)。实验过程制备3 份平行油样,为保证平行样品周围的氧气浓度一致,每隔2 d交换其在烘箱内的位置。每隔1 d取10 mL油样冷却至室温后贮藏于样品瓶中,密封后4 ℃冷藏备用,进行理化指标分析及NIR采集,并以此数据进行模型分析。

乙醚、石油醚、三氯甲烷、冰乙酸、硫代硫酸钠、异辛烷等(均为分析纯) 上海国药集团化学试剂有限公司。

1.2 仪器与设备

烘箱 上海锦屏仪器仪表有限公司通州分公司;UV6000PC分光光度计 上海元析仪器有限公司;AntarisⅡ傅里叶变换近红外光谱仪(配有液体池) 美国Thermo Fisher公司;层析柱定制于上海市达丰玻璃仪器厂。

1.3 方法

1.3.1 化学分析测定

参考欧盟EEC 2568/91《橄榄油和橄榄渣油的特性和相关分析方法》测定共轭二烯、共轭三烯值(K232、K270)[7]。参考GB/T 24304—2009《动植物油脂茴香胺值的测定》方法测定p-茴香胺值[8]。参考GB/T 5009.202—2003《食用植物油煎炸过程中的极性化合物含量(PC)测定》进行极性组分(total polar compounds,TPC)含量的测定[9]。

1.3.2 光谱的采集

测量前,预热FT-NIR仪器;仪器测试通过后,以空气作为参比在选定的仪器测试参数条件下,先进行背景扫描;根据油样的特性采用透射方式采集,光谱测定范围:12 000~3 800 cm-1(2 500~791 nm);扫描次数:32 次;分辨率:2cm-1;光程:2 mm;样品充分混合均匀,应避免气泡的产生,并保持室内的温度和湿度基本稳定,在测量过程中每隔约30 min进行一次背景扫描以消除漂移。

1.3.3 光谱的预处理

为消除外界环境影响如光谱信号中的基线漂移、散射等因素干扰,充分提取样品的光谱特征信息,提高模型预测能力,需要进行光谱预处理[10]。分别对样品进行平滑、标准正态变量变换(standard normal variate,SNV)、多元散射校正(multiplicative signal correction,MSC)、导数处理及组合处理等的光谱预处理方法进行比较,以滤除各种因素产生的高频噪声及基线漂移,平滑主要有卷积平滑处理(Savitzky-Golay filter,S-G)和导数滤波(Norris derivative filter,N-D),导数处理有一阶导数(first derivative,1stD)和二阶导数(second derivative,2ndD),1stD或2ndD处理可以放大信号优势,同时也放大了光谱的噪声。优选最佳的方法来建立PLS模型并进行检验,最佳波段根据TQ Analyst 8.0分析软件自动推荐波段,研究通过比较选取最优的方法进行建模。

1.4 数据处理

油脂各理化指标按其含量排序后,以41比例分成校正集和预测集[11],其中极值点必须选入,各指标的平均值、最大值及最小值如表1所示。

表 1 葵花籽油理化指标值的基本统计

Table 1 Statistics of physicochemical indexes for sunflower oil

指标

数据集

样本数目

最小值

最大值

平均值

标准偏差

共轭

二烯

校正集

35

3.76

34.50

17.27

9.19

预测集

9

4.01

30.63

18.09

9.22

 

 

 

 

 

 

 

共轭

三烯

校正集

35

0.1147

0.1762

0.1364

0.02

预测集

8

0.121

0.167

0.1335

0.015

 

 

 

 

 

 

 

p-茴香

胺值

校正集

33

3.42

15.09

6.98

3.66

预测集

8

3.65

14.14

3.65

4.30

 

 

 

 

 

 

 

总极性

化合物

校正集

32

3.12

12.20

7.4

2.97

预测集

8

4.16

9.42

6.78

2.13

 

 

采用美国赛默飞公司的智能定量分析软件TQ Analyst 8.0进行逐步多元回归(stepwise multiple line regression,SMLR)法、主成分回归(principal components regression,PCR)法、PLS的建模,用校正集样品建立校正模型,再做交叉检验(采用Leave-one-out方法),最后采用独立的数据对模型进行外部验证,SMLR以10 000~3 800 cm-1为研究区域,当建模决定系数(RC)达到0.8以上时根据TQ V8.0分析软件内置最优波段选择模块确定入选波段,PCR和PLS以10 000~3 800 cm-1全波段建模,提取主成分个数,当累积贡献率达0.95以上而RMSECV最小时确定主成分个数。最佳波段模型的稳健性采用RC及RMSECV评定,预测性通过预测决定系数(RP)、RMSEP及相对分析误差(relative prediction deviation,RPD)评价,RP越大,RMSEP越小,说明模型的预测精度越高。当RPD>2时,模型具有极好的预测能力;当1.4<RPD<2时,模型可对样品作粗略估测;而当RPD<1.4时,模型无法对样品进行预测[12],以此比较确定合适的预处理方法和建模方法。

每组实验均进行3 次重复。根据TQ V8.0分析软件进行光谱处理及定量分析模型的建立。

2 结果与分析

2.1 葵花籽油近红外透射光谱

795535.jpg 

795555.jpg 

图 1 不同氧化程度的葵花油分别在10 000~4 000 cm-1(A)和6 200~4 500 cm-1(B)波段的平均光谱

Fig.1 Average NMR spectra of sunflower oil with different oxidation degrees at 10 000–4 000 cm-1 (A) and 6 200–4 500 cm-1 (B)

NIR反映的是不同的化学键特别是C—H的一级和二级伸缩振动及其合频振动,从图1可看出,样品在10 000~8 500 cm-1区间内曲线平滑,吸光度变化不大,而在8 265、7 185、及7 100、5 829~5 767 cm-1和4 800 cm-1附近出现强吸收峰,8 500~8 000 cm-1处为甲基与亚甲基—OH键的二级倍频伸缩振动的吸收信息;7 300~7 000 cm-1处是亚甲基的第一组合频伸缩振动吸收信息[13];5 829cm-1和5 767 cm-1则与油脂中的—CH3、—CH2、—C=C—中的C—H的第一合频有关,5 000~4 500 cm-1处是—OH键的合频伸缩振动吸收信息[14]。随着氧化程度的增加,5 829 cm-1的吸收峰逐渐减小,4 800 cm-1处的吸收峰逐渐增大,这可能与氧化过程中不饱和双键的减少及含有—OH的氧化产物的增加有关[15]。

2.2 葵花油理化指标偏最小定量回归模型

2.2.1 PLS模型的最佳因子数的确定

PLS是NIR定量分析中应用最广泛的方法之一,选择合适的因子数影响结果的精度及准确性。而所使用的TQ V8.0分析软件本身自带最佳因子数推荐模块,为检验软件推荐方法最终结果的准确性,采取传统的依据RMSECV最小及RC值确定校正模型的主成分因子数。由图2可知,以p-茴香胺值为例,当因子数增加时,回归系数增大,RMSECV值先减小后缓慢增大。当因子数小于5时,为拟合不足;因子数大于8时,属于过度拟合。根据最小RMSECV值并考虑回归系数,选择最佳因子数6或7时,RC与RMSECV基本无变化,以此方法确定的共轭二烯、共轭三烯、总极性化合物模型的最佳因子数分别为7、6或者7、7。

795578.jpg 

795618.jpg 

795637.jpg 

795657.jpg 

a. p-茴香胺值;b.共轭二烯;c.共轭三烯;d.总极性化合物。

图 2 各指标PLS模型中不同因子数下的RC与RMSECV值

Fig.2 RC and RMSECV values at different numbers of factors

2.2.2 不同预处理方法对PLS模型的影响

为提高模型的精度,对光谱进行不同的预处理,包括MSC、归一化处理、导数及平滑处理,采用不同预处理方法所建立的PLS模型的结果如表2所示。

表 2 基于偏最小二乘法建立的p-茴香胺值的近红外模型及检验

Table 2 Calibration and validation results for the estimation models of p-AV based on PLS

预处理方法

主因

子数

校正集

 

预测集

RC

RMSECV

 

RP

RMSEP

RPD

无预处理

5

0.966

0.93

 

0.995

0.39

10.96

1stD

2

0.253

3.54

 

0.452

3.60

1.19

2ndD

3

0.272

3.52

 

0.208

4.07

1.05

MSC

8

0.983

0.65

 

0.994

0.46

9.30

MSC+1stD

3

0.262

3.55

 

0.381

3.79

1.13

MSC+2ndD

3

0.279

3.52

 

0.209

4.08

1.05

SNV

5

0.966

0.93

 

0.996

0.39

10.96

SNV+1stD

2

0.253

3.54

 

0.452

3.6

1.19

SNV+2ndD

3

0.272

3.52

 

0.208

4.07 

1.05

S-G(7,3)

5

0.967

0.92

 

0.996

0.39

11.13

S-G+1stD

3

0.265

3.53

 

0.384

3.78

1.13

S-G+2ndD

1

0.213

3.57

 

0.110

4.08

1.05

N(5,5)+1stD

6

0.940

1.23

 

0.980

0.95

4.50

N(5,5)+2ndD

6

0.993

0.51

 

0.996

0.40

10.67

 

表 3 基于偏最小二乘法建立的K232的近红外模型及检验

Table 3 Calibration and validation results for the estimation models of K232 based on PLS

预处理方法

主因

子数

校正集

 

预测集

RC

RMSECV

 

RP

RMSEP

RPD

无预处理

9

0.986

1.47

 

0.992

1.34

6.88

1stD

6

0.978

1.87

 

0.993

1.11

8.31

2ndD

5

0.970

2.17

 

0.956

2.56

3.60

MSC

9

0.987

1.39

 

0.994

0.947

9.74

MSC+1stD

7

0.984

1.57

 

0.995

0.93

9.91

MSC+2ndD

6

0.975

1.99

 

0.958

2.51

3.67

SNV

3

0.930

3.30

 

0.980

2.15

4.29

SNV+1stD

7

0.981

1.65

 

0.994

0.985

9.36

SNV+1stD

6

0.974

2.01

 

0.957

2.53

3.64

S-G(7,3)

9

0.989

1.44

 

0.992

1.14

8.09

S-G+1stD

8

0.954

2.67

 

0.991

1.21

7.62

S-G+2ndD

5

0.954

2.67

 

0.982

1.94

4.75

N(5,5)+1stD

7

0.989

1.37

 

0.993

1.24

7.43

N(5,5)+2ndD

7

0.985

1.56

 

0.985

1.53

6.03

 

表 4 基于偏最小二乘法建立的K270的近红外模型及检验

Table 4 Calibration and validation results for the estimation models of K270 based on PLS

预处理方法

主因

子数

校正集

 

预测集

RC

RMSECV/%

 

RP

RMSEP/%

RPD

无预处理

6

0.982

0.36

 

0.988

0.26

5.77

1stD

6

0.978

0.40

 

0.987

0.30

5.00

2ndD

4

0.921

0.76

 

0.914

0.71

2.11

MSC

7

0.982

0.36

 

0.990

0.27

5.56

MSC+1stD

6

0.979

0.39

 

0.973

0.44

3.41

MSC+2ndD

4

0.918

0.77

 

0.897

0.79

1.90

SNV

7

0.983

0.36

 

0.988

0.30

5.00

SNV+1stD

7

0.981

0.38

 

0.984

0.36

4.17

SNV+2ndD

4

0.916

0.78

 

0.899

0.78

1.92

S-G(7,3)

9

0.986

0.32

 

0.981

0.36

4.17

S-G+1stD

6

0.979

0.39

 

0.987

0.31

4.84

S-G+2ndD

5

0.974

0.44

 

0.989

0.26

5.77

N(5,5)+1stD

6

0.984

0.35

 

0.980

0.36

4.17

N(5,5)+2ndD

6

0.981

0.38

 

0.994

0.29

5.17

 

表 5 基于偏最小二乘法建立的TPC的近红外模型及检验

Table 5 Calibration and validation results for the estimation models of TPC based on PLS

预处理方法

主因

子数

校正集

 

预测集

RC

RMSECV

 

RP

RMSEP

RPD

无预处理

7

0.988

0.46

 

0.998

0.16

13.48

1stD

7

0.988

0.45

 

0.992

0.35

6.09

2ndD

4

0.979

0.59

 

0.961

0.83

2.57

MSC

8

0.988

0.44

 

0.951

0.36

5.92

MSC+1stD

7

0.988

0.49

 

0.993

0.33

6.45

MSC+2ndD

5

0.975

0.65

 

0.991

0.82

2.60

SNV

8

0.986

0.45

 

0.991

0.35

6.09

SNV+1stD

7

0.986

0.48

 

0.994

0.33

6.45

SNV+2ndD

5

0.975

0.64

 

0.951

0.84

2.54

S-G(7,3)

7

0.987

0.45

 

0.988

0.16

13.31

S-G+1stD

7

0.990

0.41

 

0.993

0.34

6.26

S-G+2ndD

6

0.981

0.56

 

0.985

0.38

5.61

N(5,5)+1stD

6

0.985

0.49

 

0.994

0.38

5.61

N(5,5)+2ndD

9

0.990

0.41

 

0.993

0.43

4.95

 

 

由表2~5可知,不同的预处理方法所建立的预测模型效果有差异。原始光谱经过信号校正(MSC、SNV)后,其误差增大,表现为RMSECV的增大或者RPD则降低,这是由于MSC、SNV主要针对漫反射中固体颗粒大小、表面散射及光程变化对NIR的影响进行消除,对透射光谱处理后使噪声增加,从而使得预测相对偏差增大[16]。导数处理后模型预测效果明显优于原始光谱模型,Norris平滑处理明显优于S-G处理,p-AV、K232、K270、TPC的PLS模型的最佳处理方式分别为Norris二阶导数、Norris一阶导数、原始光谱、原始光谱;为其中采用二阶导数结合Norris平滑得到的模型效果最优。

2.2.3 不同建模方法的比较

除PLS之外,SMLR及PCR可同样用于定量分析模型,SMLR是经过反复搜索,选择出包含待测成分信息量最大的波长点,根据这些波长点的吸光度与样品组分含量的线性函数组成的线性方程,并依据建立的预测标准差最小的原则得到最优波长组合从而对待测样品进行精确预测。PCR是先求出样品集光谱矩阵的主成分矩阵,再建立样品成分含量矩阵与主成分矩阵的线性关系,用所建立的线性函数来预测未知样品。PLS是分别求出样品集光谱矩阵和样品组分矩阵的主成分矩阵,将这2个矩阵相关联,求其线性关系,用所建立的线性函数来预测未知样品[17]。比较应用不同建模方法得到的各理化指标模型(共轭二烯、共轭三烯、p-茴香胺值、总极性化合物)的校正及分析结果,以RC、RMSECV、RP、RPD为评价指标,从而选出最优模型。

表 6 对比分析 SLMR、PCR、PLS模型的预测葵花籽油
各理化指标的结果

Table 6 Comparison of reliability of SLMR, PCR and PLS models for predicting physicochemical indicators of sunflower oil

化学

指标

建模

方法

入选波段/cm-1

主成分

个数

校正集

 

预测集

处理方法

RC

RMSECV

 

RP

RMSEP

RPD

共轭

二烯

SMLR

4 975/4 794

0.960

2.48

 

0.962

2.35

3.92

N(5,5)+1stD

PCR

7 073/6 892/4 921/4 759/4 755/4 724

10

0.986

1.47

 

0.995

1.29

7.14

N(5,5)+1stD

PLS

4 701/4 605/4 713/5 133/ 7054/6 822

7

0.989

1.37

 

0.993

1.24

7.43

N(5,5)+1stD

共轭

三烯

SMLR

7 050/8 631

0.983

0.36%

 

0.984

0.31%

4.85

N(5,5)+1stD

PCR

4 701/4 605/4 713/5 129/6 822/7 096

10

0.982

0.38%

 

0.995

0.18%

8.32

N(5,5)+1stD

PLS

7 135/6 730/4 840/4 682

5

0.984

0.36%

 

0.985

0. 28%

5.28

无预处理

p-茴香

胺值

SMLR

4 979.3/4 936.81

0.989

0.57

 

0.992

0.51

8.39

N(5,5)+2ndD

PCR

4 701/4 605/5 125/4 713/7 096/6 822

7

0.986

0.72

 

0.999

0.46

9.30

N(5,5)+2ndD

PLS

7 073/6 892/4 917/4 724/

6

0.993

0.51

 

0.996

0.40

10.67

N(5,5)+2ndD

总极性

化合物

SMLR

4 975/4 794

0.975

0.66

 

0.988

0.41

5.22

N(5,5)+1stD

PCR

8 620/8 585/5 129/4 709/4 701/4 605

9

0.989

0.44

 

0.986

0.42

5.10

N(5,5)+1stD

PLS

7 135/6 730/4 844/4 682

7

0.988

0.46

 

0.998

0.16

13.48

无预处理

 

 

由表6可以看出,不同的建模方法对RMSECV、RPD有很大影响,以RPD为判断依据比较不同建模方法的影响,发现PLS、PCR优于SMLR,对于共轭二烯、p-茴香胺值、总极性化合物,PLS模型优于PCR,其RPD分别为7.43、10.67、13.48,而对于低含量的共轭三烯值,PCR模型的RPD为8.32,预测性能优于PLS模型(RPD为5.28)。此外,对于共轭二烯、共轭三烯值、p-茴香胺值,Norris平滑处理后的导数结果可明显提高模型的精度。

如图3所示,各模型的入选的最佳波段集中在7 000~5 500 cm-1的一倍频区及5 200~4 500 cm-1的合频区,共轭二烯、共轭三烯物红外光谱的最佳吸收波段非常相似,主要在4 701.6~4 605 cm-1的C—H的一倍频和合频振动,7 096~6 822 cm-1的C—H的二倍频伸缩振动及O—H的一频振动[18],p-茴香胺值、总极性化合物同样具有相似的吸收波段,利用原始光谱建立的总极性化合物模型具有较高的精度,而p-茴香胺值所表征的不饱和醛类中的羰基在该波段特征不明显[19],需要求导放大信号以获得最佳建模效果,而总极性化合物中包含的羟基、羧基与不饱和键的基团本身有相对强的吸收[20],原始光谱特征明显,易于提取有效信息。

795676.jpg 

795693.jpg 

795727.jpg 

795744.jpg 

A. RMSECV=1.37、RMSEP=1.24 入选波段:7 054.3~6 822.9 cm-1、5 133.5~4 713.1 cm-1、4 701.6~4 605.1 cm-1;B. RMSECV=0.38%、RMSEP=0.18% 入选波段:7 096.7~6 822.9 cm-1、5 129.7~4 713.1 cm-1、4 701.6~4 605.1 cm-1;C. RMSECV=0.51、RMSEP=0.41 入选波段:7 073.6~6 892.34 cm-1、4 917.6~4 724.7 cm-1;D. RMSECV=0.46、RMSEP=0.16 入选波段:7 135.3~6 730.3 cm-1、4 844.3~4 682.3 cm-1。

图 3 共轭二烯、共轭三烯、p-茴香胺值、总极性化合物校正及预测结果

Fig.3 Calibration and prediction results of conjugated diene, conjugated trienes, p-anisidine value, and total polar compounds

3 结 论

应用FT-NIR结合不同的定量分析方法建立葵花籽油4 种不同理化指标的快速预测模型。光谱的预处理能够提高模型的预测精度,对逐步SMLR、PCR、PLS 3 种线性建模方法进行比较,显示3 种建模方法中,PLS最好,其次是PCR,SMLR精度最低,而利用PCR建立的K270预测模型的精度最高。因此可通过不同的光谱处理方法、建模方法优化模型,以获得最优的预测效果,研究可为实现不同氧化程度葵花籽油理化指标的快速、准确检测。

参考文献:

[1] 张海臣, 刘扬, 姜义东. 关于葵花油营养价值及制备的探讨[J]. 食品科技, 2009, 34(6): 128-131.

[2] 李书国, 薛文通, 张惠. 食用油脂过氧化值分析检测方法研究进展[J]. 粮食与油脂, 2007, 15(7): 35-38.

[3] 王立琦, 张礼勇, 朱秀超. 大豆油脂过氧化值的近红外光谱分析[J]. 食品科学, 2010, 31(6): 205-207.

[4] ARMENTA S, GARRIGUES S, de la GUARDDIA M. Determination of edible oil parameters by near infrared spectrometry[J]. Analytica Chimica Acta, 2007, 596: 330-337.

[5] SANCHEZ J, MOREDA W, GARCI J M, et al. Rapid determination of olive oil oxidative stability and its major quality parameters using Vis/NIR transmittance spectroscopy[J]. Journal of Agricultural and Food Chemistry, 2013, 61(34): 8056-8062.

[6] 明朗, 陈哲, 张军. 近红外光谱法检测甘油酸酯及游离脂肪酸[J]. 光谱实验室, 2013, 30(3): 1418-1421.

[7] Office Journal of the European Communities. No. 2568/91—1991 L248, 1 On the characteristics of olive oil and olive-residue oil and on the relevant methods of analysis[S].

[8] 中国国家标准化管理委员会. GB/T 24304—2009 动植物油脂茴香胺值的测定[S]. 北京: 中国标准出版社, 2009.

[9] 中国国家标准化管理委员会. GB/T 509.202—2003 食用植物油煎炸过程中的极性化合物含量(PC)测定[S]. 北京: 中国标准出版社, 2003.

[10] 褚小立, 袁洪福, 陆婉珍. 近红外光谱分析中光谱预处理及波长选择方法进展与应用[J]. 化学进展, 2004, 16(4): 528-534.

[11] 张娟娟, 田永超, 姚霞. 基于近红外光谱的土壤全氮含量估算模型[J]. 农业工程学报, 2012, 28(12): 183-188.

[12] CHANG C W, LAIRD D A, MAUSBACH M J, et al. Near-infrared reflectance spectroscopy principal components regression analysis of soil properties[J]. Soil Science Society of America Journal, 2001, 65(2): 480-490.

[13] 原姣姣. 近红外光谱法对茶油化学成分及快速鉴伪的研究[D]. 北京: 中国林业科学研究院, 2012.

[14] HUACAI C, FULI L, ZHILAN W, et al. Quantitative analysis of peanut oil content in ternary blended edible oil using near infrared spectroscopy[J]. Infrared Materials Devices and Applications, 2007, 18(6): 1117-1129.

[15] 庄小丽, 相玉红, 强洪. 近红外光谱和化学计量学方法用于橄榄油品质分析与掺杂量检测[J]. 光谱学与光谱分析, 2010, 30(4): 933-936.

[16] 陈兰珍. 蜂蜜品质近红外光谱评价技术研究[D]. 北京: 中国科学研究院, 2010: 52-53.

[17] 肖武, 李小昱, 李培武. 基于近红外光谱土壤水分检测模型的适应性[J]. 农业工程学报, 2009, 25(3): 33-36.

[18] GÜLGÜN Y, RANDY L W, SUSAN L C. Monitoring PV in corn and soybean oils by NIR spectroscopy[J]. Journal of American Oil Chemist’s Society, 2002, 79(11): 1085-1089.

[19] IVa?N P R F, NURIA G T, SOLEDAD P M, et al. Kinetic study of olive oil degradation monitored by fourier transform infrared spectrometry. Application to oil characterization[J]. Journal of Agricultural and Food Chemistry, 2012, 60(47): 11800-11810.

[20] GERARD D, PETER M, ANTONY N D. Detecting and quantifying sunflower oil adulteration in extra virgin olive oils from the eastern mediterranean by visible and near-infrared spectroscopy[J]. Journal of Agricultural and Food Chemistry, 2002, 50(20): 5520-5525.

 

收稿日期:2014-03-03

基金项目:国家自然科学基金青年科学基金项目(NSFC31201365);上海市科委重点攻关项目(11142200403);

上海市教委科研创新项目(11YZ109)

作者简介:卢海燕(1988—),女,硕士研究生,研究方向为油脂品质快速检测。E-mail:luhaiyan.12345@163.com

*通信作者:王欣(1975—),女,副教授,博士,研究方向为食品安全控制与检测。E-mail:wx0426951@126.com