鐘 誠(chéng) 薛雅琳 王興國(guó) 金青哲 張東生 張 東

(江南大學(xué)食品學(xué)院1，無(wú)錫 214122)

(國(guó)家糧食局科學(xué)研究院2，北京 100037)

初榨橄欖油是從新鮮油橄欖果實(shí)中冷榨提取的一種高檔食用植物油，是世界上唯一以自然形態(tài)供人類(lèi)食用的木本植物油。橄欖油富含不飽和脂肪酸(油酸占55% ～83%)、角鯊烯、多酚以及維生素，具有抗氧化、調(diào)節(jié)膽固醇、預(yù)防癌癥、美容的功效和調(diào)整人體生理機(jī)能的作用，享有“植物油皇后”、“液體黃金”等眾多美譽(yù)［1］。由于加工方式特殊，品質(zhì)指標(biāo)要求嚴(yán)格，國(guó)際橄欖油理事會(huì)根據(jù)酸度并結(jié)合其他理化指標(biāo)規(guī)定了橄欖油質(zhì)量等級(jí)，具體如表1所示。其中精煉橄欖油主要原料來(lái)源有3種:不能直接食用的初榨油橄欖燈油，粗提油橄欖果渣油以及因不良外界條件導(dǎo)致氧化變質(zhì)的初榨橄欖油。精煉工藝雖然提高了油的穩(wěn)定性和安全性，但破壞了油中的大部分生物活性成分，使得油的營(yíng)養(yǎng)價(jià)值大幅降低，油的價(jià)格也相對(duì)低廉。精煉橄欖油只能作為工業(yè)原料，國(guó)際橄欖油貿(mào)易中流通的是純橄欖油(混合橄欖油)，即在精煉橄欖油中加入3% ～10%的初榨橄欖油，通常是按照90—10的“里維拉混合法”調(diào)制，這種油色澤淺黃，口味清淡，營(yíng)養(yǎng)價(jià)值較低。

目前中國(guó)的橄欖油98%依靠國(guó)外進(jìn)口，據(jù)海關(guān)總署數(shù)據(jù)顯示，2011年我國(guó)橄欖油進(jìn)口總量為3.3萬(wàn)t，同比增長(zhǎng)55%。從進(jìn)口橄欖油的比例來(lái)看，初榨橄欖油只占進(jìn)口總量的35%，精煉油能占到46%，而果渣油則占到20%，但是目前中國(guó)市面上銷(xiāo)售橄欖油幾乎清一色的是等級(jí)最高的特級(jí)初榨橄欖油，精煉油、果渣油的流向問(wèn)題值得關(guān)注和監(jiān)控。隨著大眾營(yíng)養(yǎng)健康意識(shí)的增強(qiáng)和橄欖油需求量的增加，橄欖油摻偽技術(shù)的研究具有一定現(xiàn)實(shí)意義和實(shí)用性，有利于提高進(jìn)口橄欖油品質(zhì)，規(guī)范國(guó)內(nèi)橄欖油市場(chǎng)秩序，保障國(guó)內(nèi)消費(fèi)者合法權(quán)益。本研究根據(jù)初榨橄欖油和精煉油的不同紫外吸收特性，采用紫外光譜結(jié)合化學(xué)計(jì)量學(xué)中的偏最小二乘(Partial Least Squares，PLS)和BP人工神經(jīng)網(wǎng)絡(luò)(Back Propagation Artificial Neural Networks，BP－ANNs)2種手段，建立初榨橄欖油摻偽檢測(cè)模型，利用模型對(duì)摻偽初榨橄欖油進(jìn)行定量分析預(yù)測(cè)，以期為初榨橄欖油摻偽的快速檢測(cè)提供參考。

表1 橄欖油分類(lèi)標(biāo)準(zhǔn)

1 材料與方法

1.1 原料與儀器

特級(jí)初榨橄欖油(EVOO)和混合橄欖油(BVO)各20個(gè)已確認(rèn)合格的樣品，由國(guó)家糧食局科學(xué)研究院糧油質(zhì)量檢驗(yàn)測(cè)試中心提供;石油醚(分析純):北京化工廠(chǎng);Lambda 45紫外－可見(jiàn)分光光度計(jì):Derkin Elmer公司;AB304－S型電子天平:梅特勒－托利多(瑞士)公司。

1.2 試驗(yàn)方法

1.2.1 初榨橄欖油摻偽樣品配制

根據(jù)預(yù)試驗(yàn)結(jié)果，從各自的20個(gè)樣品中選擇有代表性的5個(gè)特級(jí)初榨橄欖油、4個(gè)混合橄欖油作為原料用油，則共有5×4=20個(gè)組合，每個(gè)組合均配制5%、10%、20%、30%、40%、50%共 6個(gè)摻偽比例，則得到5×4×6=120個(gè)摻偽樣品，每個(gè)摻偽比例都有20個(gè)樣，加上20個(gè)純特級(jí)初榨橄欖油樣，本試驗(yàn)共有140個(gè)樣品。具體配制方法:準(zhǔn)確稱(chēng)取特級(jí)初榨橄欖油和混合橄欖油各3.000 g，用石油醚定容至50 mL，配成質(zhì)量濃度為60 mg/mL的標(biāo)準(zhǔn)溶液。分別取 0.25、0.5、1.0、1.5、2.0、2.5 mL 混合橄欖油標(biāo)準(zhǔn)溶液置于10 mL容量瓶中，再對(duì)應(yīng)加入4.75、4.5、4.0、3.5、3.0、2.5 mL 特級(jí)初榨橄欖油標(biāo)準(zhǔn)溶液，最后定容至10 mL，則得到6個(gè)摻偽比例的30 mg/mL的油樣，純特級(jí)初榨橄欖油直接配制30 mg/mL的油樣。

1.2.2 紫外光譜采集條件

由于紫外分光光度計(jì)250 nm之前的波段噪音很大，基線(xiàn)不穩(wěn)定，故掃描和分析波長(zhǎng)定為250～350 nm，掃描速度 240 nm/min，采樣間隔 0.1 nm，狹縫寬2 nm，以石油醚為參比。

1.2.3 數(shù)據(jù)處理方法

采用 SIMCA －P 12.0(Umetrics，Umea，Sweden)、Matlab 7.0軟件進(jìn)行光譜預(yù)處理和建立偏最小二乘和BP人工神經(jīng)網(wǎng)絡(luò)模型。

2 結(jié)果與分析

2.1 紫外光譜特性分析

分別研究相同濃度的特級(jí)初榨橄欖油、混合橄欖油及摻偽樣品的紫外全掃光譜，如圖1所示。從圖1可以觀(guān)察到特級(jí)初榨橄欖油在250～350 nm無(wú)特征吸收峰，而混合橄欖油在268～278 nm處有顯著的吸收峰，這主要是由于混合橄欖油含有大量精煉油，油脂精煉過(guò)程中(特別是堿煉環(huán)節(jié))形成具有順?lè)串悩?gòu)的共軛脂肪酸［2－3］，而混合橄欖油吸收曲線(xiàn)的高低正是精煉油精煉程度和調(diào)配比例的反映。摻有混合橄欖油的特級(jí)初榨橄欖油在268～278 nm也出現(xiàn)了微弱的吸收峰，整體上看摻偽特級(jí)初榨橄欖油在各點(diǎn)處的吸光度基本上都有所增加，故從紫外圖譜可以定性區(qū)分出摻偽油樣，但若摻偽量很小時(shí)仍需結(jié)合統(tǒng)計(jì)分析手段才能識(shí)別和定量預(yù)測(cè)。

圖1 橄欖油紫外光譜圖

2.2 光譜預(yù)處理

由于紫外圖譜上的原始信息包含大量噪聲及冗余信息，使得不同摻偽比例的樣品有可能出現(xiàn)重疊，故在建立摻偽定量模型前有必要進(jìn)行光譜預(yù)處理［3］。常見(jiàn)的光譜預(yù)處理技術(shù)有Savitzky－Golav卷積平滑處理、導(dǎo)數(shù)基線(xiàn)校正［5］、標(biāo)準(zhǔn)正態(tài)變量變換［6］(standard－nomal variate transformation，SNV)、多元散射校正(multiplicative scatter correction，MSC)、正交信號(hào)校正［7］(orthogonal signal correction，OSC)、小波變換(wavelet transform，WT)等。經(jīng)多次嘗試，結(jié)合140×101維(140為樣本個(gè)數(shù)，101為250～350 nm每隔1 nm選作波長(zhǎng)變量)的光譜數(shù)據(jù)矩陣運(yùn)用OPLS－DA(正交偏最小二乘判別分析)進(jìn)行樣本總體分類(lèi)的效果，最終確定采用一階導(dǎo)數(shù)+SNV+OSC光譜預(yù)處理方法，光譜預(yù)處理前后的分類(lèi)效果如圖2、圖3所示?？梢?jiàn)原始光譜經(jīng)預(yù)處理后樣本總體按摻偽比例基本分成7類(lèi)，其中摻偽5%的數(shù)據(jù)點(diǎn)與純特級(jí)初榨橄欖油和摻偽10%的數(shù)據(jù)點(diǎn)分布較為接近。

2.3 偏最小二乘(PLS)建立初榨橄欖油摻偽定量預(yù)測(cè)模型

2.3.1 建模所用樣本的確定

建立模型之前需要排除樣本總體的特異點(diǎn)，這些點(diǎn)往往遠(yuǎn)離數(shù)據(jù)重心和結(jié)聚范圍，是個(gè)不穩(wěn)定的因素，如果去掉這一類(lèi)特異點(diǎn)，往往會(huì)使數(shù)據(jù)分析的準(zhǔn)確性有很大的改善［8］。從樣本總體 PLS得分圖(圖4)可以看到32、112、132號(hào)樣品位于95%的置信橢圓外部，為特異點(diǎn)，建模前因排除這3個(gè)點(diǎn)。故最終確定建模樣本數(shù)據(jù)矩陣為137×101維，在137個(gè)樣品選擇隨機(jī)選擇116個(gè)作為訓(xùn)練集，另外21個(gè)(包括純特級(jí)初榨橄欖油，保證每個(gè)摻偽比例有3個(gè)樣，共3×7=21個(gè))作為驗(yàn)證集。

2.3.2 最佳主因子數(shù)的確定

主因子數(shù)使用過(guò)多或過(guò)少，會(huì)出現(xiàn)“過(guò)擬合”或者“欠擬合”現(xiàn)象，使模型的預(yù)測(cè)能力下降，故需要確定最佳主因子數(shù)［9］。在確保主因子提取足夠原始變量信息的基礎(chǔ)上，采用交叉驗(yàn)證均方根誤差RMSEcv和預(yù)測(cè)集均方根誤差RMSEP來(lái)確定最佳主因子數(shù)，其值越小，模型的擬合效果和預(yù)測(cè)能力越好。RMSEcv和RMSEP隨主因子數(shù)的變化規(guī)律如圖5所示。從圖5可知，當(dāng)主因子數(shù)為6時(shí)，RMSEcv、RMSEP值分別為0.010 901 8、0.010 827 5，均達(dá)到最小值，故最佳主因子數(shù)為6個(gè)，此時(shí)主因子累積貢獻(xiàn)率達(dá)到97.72%。

2.3.3 PLS模型對(duì)初榨橄欖油摻偽預(yù)測(cè)能力的驗(yàn)證

利用驗(yàn)證集的21個(gè)樣品來(lái)檢驗(yàn)PLS模型的預(yù)測(cè)能力，樣品摻偽比例的真實(shí)值和模型預(yù)測(cè)值及兩者的相關(guān)性如圖6所示。從圖6可知，模型預(yù)測(cè)能力良好，摻偽比例真實(shí)值和模型預(yù)測(cè)值相關(guān)系數(shù)達(dá)到0.996 2。

圖4 紫外光譜樣本總體PLS得分圖

2.4 BP人工神經(jīng)網(wǎng)絡(luò)(BP－ANNs)建立初榨橄欖油摻偽定量預(yù)測(cè)模型

2.4.1 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化

本試驗(yàn)建立的神經(jīng)網(wǎng)絡(luò)為誤差反向傳播算法，也稱(chēng)為 BP(Back－Propagation Network)算法［10］。訓(xùn)練集和驗(yàn)證集的設(shè)置與PLS模型相同，在利用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行建模之前，首先采用主成分分析對(duì)紫外光譜數(shù)據(jù)進(jìn)行壓縮和降維［11］，本試驗(yàn)共提取前6個(gè)主成分，累積貢獻(xiàn)率達(dá)到98.07%，得到的主成分作為BP神經(jīng)網(wǎng)絡(luò)輸入值。通過(guò)調(diào)整隱含層節(jié)點(diǎn)數(shù)來(lái)優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，經(jīng)反復(fù)試驗(yàn)確定最佳網(wǎng)絡(luò)結(jié)構(gòu)輸入層(6)－隱含層(11)－輸出層(1)，各層間傳遞函數(shù)為tansig，學(xué)習(xí)速率為0.03，最大迭代步數(shù)10 000，訓(xùn)練精度為0.000 1。迭代過(guò)程訓(xùn)練誤差如圖7所示，由圖7可知當(dāng)?shù)?1步時(shí)，網(wǎng)絡(luò)對(duì)訓(xùn)練集116個(gè)樣本擬合殘差為9.683 85×10－5，誤差達(dá)到設(shè)置精度，收斂速度較快。

圖7 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差圖

2.4.2 BP人工神經(jīng)網(wǎng)絡(luò)模型對(duì)初榨橄欖油摻偽預(yù)測(cè)能力的驗(yàn)證

利用驗(yàn)證集的21個(gè)樣品來(lái)檢驗(yàn)BP人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)能力，樣品摻偽比例的真實(shí)值、BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值和相對(duì)標(biāo)準(zhǔn)偏差如表2所示。由表2可知該模型預(yù)測(cè)能力優(yōu)良，真實(shí)值與BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值的相關(guān)性較高，相關(guān)系數(shù)可達(dá)到0.998 3。但也發(fā)現(xiàn)當(dāng)摻偽比例低至5%時(shí)，BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)能力不足，隨著摻偽比例的升高，模型預(yù)測(cè)能力顯著提高。

表2 BP人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)值及相對(duì)標(biāo)準(zhǔn)偏差

3 結(jié)論

本試驗(yàn)以紫外光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)為基礎(chǔ)，建立了2種初榨橄欖油摻偽定量預(yù)測(cè)模型，分別為偏最小二乘(PLS)和BP人工神經(jīng)網(wǎng)絡(luò)定量模型。結(jié)果表明，2種模型定量預(yù)測(cè)性能良好，PLS模型交叉驗(yàn)證均方根誤差RMSEcv和預(yù)測(cè)集均方根誤差RMSEP 分別達(dá)到 0.010 901 8、0.010 827 5，預(yù)測(cè)值與真實(shí)值相關(guān)性達(dá)到0.996 2;BP人工神經(jīng)網(wǎng)絡(luò)迭代次數(shù)為61步，訓(xùn)練集擬合擬合殘差為9.684×10－5，網(wǎng)絡(luò)預(yù)測(cè)值和真實(shí)值相關(guān)系數(shù)為0.998 3，對(duì)于5%以上摻偽比例的油樣預(yù)測(cè)精確，且與PLS模型相比，BP人工神經(jīng)網(wǎng)絡(luò)工作過(guò)程簡(jiǎn)便，能夠借助計(jì)算機(jī)快速地進(jìn)行自動(dòng)化運(yùn)算，在實(shí)際應(yīng)用上具有一定優(yōu)勢(shì)。研究結(jié)果也表明基于PLS和BP人工神經(jīng)網(wǎng)絡(luò)的紫外光譜技術(shù)能夠方便、快速、準(zhǔn)確地鑒別摻雜有混合橄欖油初榨橄欖油，為橄欖油品質(zhì)控制和快速摻偽檢測(cè)提供有力參考，具有一定應(yīng)用價(jià)值和發(fā)展前景。

［1］鐘昌勇.橄欖油化學(xué)組成及應(yīng)用綜述［J］.林產(chǎn)化工通訊，2005，39(6):34 －38

［2］湯逢編著.油脂化學(xué)［M］.南昌:江西科學(xué)技術(shù)出版社，1985:22－23

［3］龍伶俐，薛雅琳，張蕊，等.利用紫外吸收光譜研究植物油精煉程度［J］.農(nóng)業(yè)機(jī)械，2012(16):61－63

［4］Chu Xiaoli，Yuan Hongfu，Lu Wanzhen.Progress and application of spectral data pretreatment and wavelength selection methods in nir analytical technique［J］.Prog Chem，2004，16(4):528－542

［5］Dou Ying，Zou Tingting，Liu Tong，et al.Calibration in non －linear NIR spectroscopy using principal component artificial neural networks［J］.Spectrochimica Acta Part A:Molecular and Biomolecular Spectroscopy，2007，68(5):1201 －1206

［6］黃承偉，戴連奎，董學(xué)鋒.結(jié)合SNV的分段直接標(biāo)準(zhǔn)化方法在拉曼光譜模型傳遞中的應(yīng)用［J］.光譜學(xué)與光譜分析，2011，31(5):1279 －1282

［7］趙杰文，郭志明，陳全勝.基于OSC/PLS的茶葉中EGCG含量的近紅外光譜法測(cè)定［J］.食品與生物技術(shù)學(xué)報(bào).2008(4):12－15

［8］王惠文.偏最小二乘回歸方法及其應(yīng)用［M］.北京:國(guó)防工業(yè)出版社，2006:65－67

［9］原姣姣，王成章，陳虹霞.近紅外透射光譜分析油茶籽油摻入豆油的研究［J］.中國(guó)糧油學(xué)報(bào)，2012，27(3):110－114

［10］Singh V，Khan M，Khan S，et al.Optimization of actinomycin V production by Streptomyces triostinicus using artificial neural network and genetic algorithm［J］.Applied Microbiology and Biotechnology，2009，82(2):379 －385

［11］歐文娟，孟耀勇，張小燕，等.紫外可見(jiàn)吸收光譜結(jié)合主成分－反向傳播人工神經(jīng)網(wǎng)絡(luò)鑒別真假蜂蜜［J］.分析化學(xué)研究簡(jiǎn)報(bào)，2011，39(7):1104 －1108.