楊 佳 武彥文 李冰寧 劉玲玲 歐陽(yáng)杰

近紅外光譜結(jié)合化學(xué)計(jì)量學(xué)研究芝麻油的真?zhèn)闻c摻偽

楊 佳1，2武彥文2李冰寧2劉玲玲1歐陽(yáng)杰1

（北京林業(yè)大學(xué)生物科學(xué)與技術(shù)學(xué)院食品科學(xué)與工程系林業(yè)食品加工與安全北京市重點(diǎn)實(shí)驗(yàn)室1，北京 100083）
（北京市理化分析測(cè)試中心北京市食品安全分析測(cè)試工程技術(shù)研究中心2，北京 100089）

應(yīng)用傅里葉變換近紅外光譜（FTNIR）結(jié)合化學(xué)計(jì)量學(xué)分別建立了芝麻油的真?zhèn)舞b別與摻偽定量的快速分析方法。真?zhèn)舞b別分別采用FTNIR結(jié)合主成分分析-簇類(lèi)軟獨(dú)立模式識(shí)別（PCA-SIMCA）和偏最小二乘法-人工神經(jīng)網(wǎng)絡(luò)（PLS-ANN），建立了芝麻油、大豆油、花生油、葵花籽油的分類(lèi)模型。經(jīng)過(guò)驗(yàn)證，兩種分類(lèi)模型的準(zhǔn)確識(shí)別率均達(dá)到了100%。芝麻油中摻偽油的定量分析采用FTNIR結(jié)合PLS。通過(guò)采集不同比例的芝麻油-大豆油與芝麻油-葵花籽油二元系統(tǒng)的FTNIR譜圖，應(yīng)用PLS分別建立二元系統(tǒng)定量分析模型并通過(guò)驗(yàn)證集檢驗(yàn)其可靠性，研究結(jié)果表明該模型可以準(zhǔn)確預(yù)測(cè)芝麻油中10%～100%的摻假油，其預(yù)測(cè)值與實(shí)際值的相對(duì)標(biāo)準(zhǔn)偏差（SEP）分別為1.027（大豆油）和0.9660（葵花籽油）。

芝麻油 真?zhèn)舞b別 摻偽分析 近紅外光譜 化學(xué)計(jì)量學(xué)

芝麻油香味濃郁，營(yíng)養(yǎng)豐富，深受我國(guó)居民青睞。然而，近年來(lái)市場(chǎng)上出現(xiàn)芝麻油摻入大豆油、葵花油等低價(jià)植物油，甚至用芝麻香精與低價(jià)植物油勾兌成假冒芝麻油的現(xiàn)象［1］。為了維護(hù)廣大消費(fèi)者與合法商家的利益，盡快開(kāi)發(fā)快速、準(zhǔn)確的芝麻油真?zhèn)魏蛽絺畏治龇椒ǚ浅１匾?。目前，分析芝麻油摻偽的方法主要有化學(xué)顯色法、紫外-可見(jiàn)分光光度法（UV-Vis）、傅里葉變化紅外光譜法（FTIR）、色譜法等等?；瘜W(xué)顯色與UV-Vis類(lèi)似，都是利用芝麻油中特征成分與顯色劑反應(yīng)呈色進(jìn)行定性定量分析［2］，該方法操作簡(jiǎn)單，適于快速檢測(cè)，但靈敏度較差，不能準(zhǔn)確測(cè)定芝麻油的摻偽量。色譜法包括氣相色譜（GC）分析芝麻油的脂肪酸組分含量［3］，以及高效液相色譜（HPLC）測(cè)定芝麻油中芝麻素等木質(zhì)素類(lèi)化合物的含量［4］等。由于摻偽芝麻油的脂肪酸組成與純芝麻油比較接近，芝麻油中芝麻素等成分的含量較低（μg／g），使得色譜法的分析難度較大，對(duì)分析條件和分析人員的要求也比較高。

近年來(lái)，隨著FTIR的不斷發(fā)展，F(xiàn)TIR在食用油脂定性鑒別與定量分析領(lǐng)域的應(yīng)用越來(lái)越多［5-7］。針對(duì)芝麻油的摻偽分析，周志琴等應(yīng)用近紅外（FTNIR）結(jié)合溫度微擾的二維相關(guān)光譜建立了大豆油、芝麻油、花生油等6種食用油的快速鑒別方法［8］；范璐等［9］利用食用油脂的紅外特征峰 1 746、2 855、1 099、1 119 cm-1的比值建立了花生油、大豆油和芝麻油的鑒別方法；梁丹［10］應(yīng)用 NIR與主成分分析（Principal Component Analysis，PCA）結(jié)合 BP人工神經(jīng)網(wǎng)絡(luò)法（Artificial Neural Networks，ANN）建立芝麻油真?zhèn)蔚呐袆e方法。這3種方法僅對(duì)食用油種類(lèi)做出快速判定。在此基礎(chǔ)上，馮利輝等［11］采用FTNIR結(jié)合偏最小二乘法（Partial Least Square，PLS）建立了芝麻油中菜籽油摻偽量的測(cè)定方法，該方法可以對(duì)10%的菜籽油準(zhǔn)確定量。本試驗(yàn)提出將芝麻油定性鑒別與定量測(cè)定相結(jié)合，即利用FTNIR分別結(jié)合簇類(lèi)軟獨(dú)立模式（Soft Independent Modeling of Class A-nalogy，SIMCA）、ANN和PLS建立芝麻油真?zhèn)闻袆e與摻偽量的快速分析方法。

1 材料與方法

1.1 樣品來(lái)源與制備

芝麻油（36種）、大豆油（30種）、葵花籽油（22種）和花生油（16種）純品均由北京市糧油檢定所提供。分別配制芝麻油中摻入不同大豆油或葵花籽油比例的二元摻偽油，其中大豆油或葵花籽油的質(zhì)量分?jǐn)?shù)分別為3%～100%（體積分?jǐn)?shù)）共102個(gè)（分別51種）。

1.2 儀器設(shè)備與參數(shù)設(shè)置

Spectrum 400型傅里葉變換紅外光譜儀：美國(guó)Perkin Elmer公司；DTGS檢測(cè)器，光譜范圍為10 000～4 000 cm-1，分辨率8 cm-1，掃描信號(hào)累加次數(shù)為64次，掃描時(shí)扣除了水和二氧化碳的干擾。

1.3 試驗(yàn)過(guò)程與數(shù)據(jù)處理

1.3.1 紅外光譜分析

紅外光譜獲得：取樣品約1 mL置于光程為1 mm石英比色皿中，透射法掃描獲得FTIR譜圖，每個(gè)樣品至少掃描3次。數(shù)據(jù)處理包括建立定性分類(lèi)和定量分析。

1.3.2 定性分析

定性分類(lèi)是指對(duì)芝麻油與非芝麻油的分類(lèi)識(shí)別。分別采用了PCA-SIMCA和PLS-ANN 2種方法建立分類(lèi)模型。PCA-SIMCA模型采用Spectrum與Quant+軟件分析建立。首先通過(guò)PCA分析樣本的光譜數(shù)據(jù)矩陣，提取特征變量，在此基礎(chǔ)上，分別選取芝麻油（28個(gè)）和大豆油（20個(gè)）、葵花籽油（16個(gè)）和花生油（14個(gè)）組成訓(xùn)練集，建立PCA分類(lèi)方法；然后，應(yīng)用SIMCA對(duì)上述訓(xùn)練集譜圖進(jìn)行分類(lèi)識(shí)別，建立芝麻油的FTNIR-SIMCA的分類(lèi)鑒別模型；最后通過(guò)驗(yàn)證集（其余的8個(gè)芝麻油、10個(gè)大豆油、6個(gè)葵花籽油和2個(gè)花生油）依據(jù)正確識(shí)別率驗(yàn)證該模型的可信度。

PLS-ANN模型采用NIRSA analyst Ver 3.0軟件分析建立。首先，將芝麻油等104個(gè)樣品的FTNIR譜圖導(dǎo)入軟件，隨機(jī)選取78個(gè)樣品組成訓(xùn)練集，剩余26個(gè)樣品組成驗(yàn)證集（樣品分類(lèi)與PCA-SIMCA相同）。然后，比較不同預(yù)處理方法的保留相關(guān)系數(shù)（R2）、校正集（或訓(xùn)練集）標(biāo)準(zhǔn)偏差（SEC）和預(yù)測(cè)集標(biāo)準(zhǔn)偏差（SEP）的數(shù)值，以R2接近1，SEC與SEP的值接近0為優(yōu)。在此基礎(chǔ)上，通過(guò)PLS分析處理樣本的光譜數(shù)據(jù)進(jìn)行主成分壓縮和降維提取主成分?jǐn)?shù)，并將此作為ANN的輸入層，依次設(shè)定參數(shù)（隱含層，輸出層，訓(xùn)練步長(zhǎng)，訓(xùn)練次數(shù)等），多次試驗(yàn)，確定定性分析模型。最后通過(guò)比較驗(yàn)證模型實(shí)際輸出值與期望輸出值的偏差，參考軟件自動(dòng)分類(lèi)范圍，得出模型預(yù)測(cè)分類(lèi)結(jié)果。

1.3.3 定量分析

采用Quant+軟件中的PLS建立芝麻油-大豆油和芝麻油-葵花籽油的二元混合物的定量分析模型。首先，將二元混合物樣本的紅外譜圖導(dǎo)入軟件，并輸入對(duì)應(yīng)樣本的實(shí)際摻偽含量。然后比較不同預(yù)處理方法R2、SEC和SEP的數(shù)值，反復(fù)試驗(yàn)，確定光譜的預(yù)處理方式以及消除異常點(diǎn)后，其中，隨機(jī)選取40個(gè)樣品（3%～100%）作為校正集，剩余11個(gè)樣品作為驗(yàn)證集，采用交互驗(yàn)證的方法確定最佳主因子數(shù)，利用PLS分析得到定量分析模型。

2 結(jié)果與討論

2.1 植物油的近紅外光譜圖

圖1是大豆油、花生油、芝麻油和葵花籽油的近紅外光譜圖。其中，9 000～8 000 cm-1的譜峰是油脂中—CH2—、—CH3和—═CH CH—的第2組合頻；7 500～6 500 cm-1為油脂中—CH2和—CH3的二級(jí)倍頻；6 500～5 500 cm-1內(nèi)的吸收峰為—CH2—，—CH3和—═CH CH—等官能團(tuán)的第1組合頻；5 000～4 500 cm-1范圍的譜峰是順式雙鍵的組合頻，其峰強(qiáng)隨不飽和度的增加而增大［12-13］。由圖1可見(jiàn)，上述4種植物油的FTNIR譜圖極為相似，它們?cè)? 267、7 074、5 795、5 678、4 663、4 592 cm-1附近均出現(xiàn)相似的—CH2—，—CH3和—═CH CH—等振動(dòng)吸收峰。這與食用植物油組成均為多種脂肪酸三酰甘油混合物的化學(xué)組成相符［14］，因此，僅僅通過(guò)直觀(guān)比較譜圖是很難區(qū)分食用油的種類(lèi)，必須借助化學(xué)計(jì)量學(xué)等數(shù)學(xué)處理方法進(jìn)行分類(lèi)鑒別。

圖1 芝麻油、大豆油、花生油和葵花籽油的近紅外譜圖

2.2 真?zhèn)舞b別分析

2.2.1 SIMCA分類(lèi)模型的建立

SIMCA是一種有監(jiān)督的模式識(shí)別方法，一般由4個(gè)步驟組成，包括：1）樣本光譜數(shù)據(jù)的收集，采用常規(guī)方法對(duì)樣本進(jìn)行鑒別分析；2）光譜圖的預(yù)處理，如取導(dǎo)數(shù)和標(biāo)準(zhǔn)化處理等；3）特征變量的提取，一般常用PCA和因子分析方法；4）SIMCA方法建立分類(lèi)模型，并檢驗(yàn)?zāi)Ｐ偷目尚哦?。通常，人們將不同樣本的分子光譜數(shù)據(jù)經(jīng)過(guò)模式識(shí)別進(jìn)行樣品的類(lèi)別和質(zhì)量等級(jí)的定性分析［15］。近年來(lái)，應(yīng)用紅外光譜結(jié)合SIMCA建立分析方法的研究逐漸增多［16-18］，但應(yīng)用FTNIR結(jié)合SIMCA建立鑒別芝麻油真?zhèn)蔚姆椒ㄟ€鮮見(jiàn)報(bào)道。

2.2.1.1 譜圖處理

由于采集的FTNIR光譜受到高頻隨機(jī)噪聲、基線(xiàn)漂移、樣品不均勻、光散射等影響，需要進(jìn)行光譜預(yù)處理來(lái)消除噪聲以提高譜圖的分辨率。常用的光譜數(shù)學(xué)預(yù)處理方法主要有一階求導(dǎo)、二階求導(dǎo)、多元散射校正（MSC）、矢量歸一化（SNV）等［19］。通常，一階導(dǎo)數(shù)可以校正基線(xiàn)的平移變化，二階導(dǎo)數(shù)可以校正基線(xiàn)的傾斜變化，對(duì)于混合物紅外光譜來(lái)說(shuō)，導(dǎo)數(shù)光譜的重要意義在于分辨重疊峰，提高譜圖的分辨率。此外，對(duì)于由樣品顆粒散射等因素導(dǎo)致譜圖基線(xiàn)發(fā)生平移、吸收峰強(qiáng)度成比例改變的情況，可以采用MSC進(jìn)行處理。SNV是針對(duì)每個(gè)樣本的譜圖分別校正，將每一個(gè)樣品的光譜數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)正態(tài)化。SNV經(jīng)常與De-trending算法一起使用，一般認(rèn)為其校正效果要優(yōu)于MSC。本文在經(jīng)過(guò)多次嘗試，采用二階求導(dǎo)（13點(diǎn)）和SNV預(yù)處理方法，選擇了8 000～4 000 cm-1范圍的譜圖進(jìn)行分析模型的建立。

2.2.1.2 主成分分析

以芝麻油和大豆油、花生油和葵花籽油為變量，將采集樣品的譜圖轉(zhuǎn)化為數(shù)據(jù)矩陣，用PCA方法將所有光譜數(shù)據(jù)進(jìn)行數(shù)據(jù)壓縮，提取主成分得分?jǐn)?shù)。以PC1和PC2得分分別作為橫縱坐標(biāo)繪制4種植物油品的二維得分圖（圖2），圖中字母k代表葵花籽油、d代表大豆油、h代表花生油、z代表芝麻油，數(shù)字代表該油脂的編號(hào)。由圖2可見(jiàn)，4種油的分布具有一定的聚類(lèi)特性，同一類(lèi)樣品基本可以聚集在相同的區(qū)域，在PC1上的分布差別較大，分布范圍分別是：-0.18～-0.08（葵花籽油），-0.08～-0.02（大豆油），0.00～0.08（芝麻油）及0.12～0.22（花生油）。

圖2 芝麻油、大豆油、花生油和葵花籽油的PCA得分圖

2.2.1.3 SIMCA模型建立與鑒別分析

為了精確建立芝麻油與其他植物油的分類(lèi)識(shí)別模型，根據(jù)1.3.2節(jié)的方法，在PCA分析的基礎(chǔ)上，分別隨機(jī)選擇28個(gè)芝麻油，20個(gè)大豆油、16個(gè)葵花籽油和14個(gè)花生油組成訓(xùn)練集，選取8 000～4 000 cm-1范圍的光譜圖，進(jìn)行分析建立PCA分類(lèi)模型；在此基礎(chǔ)上應(yīng)用SIMCA建立芝麻油和非芝麻油兩類(lèi)樣本的識(shí)別模型（圖3）。將余下的8個(gè)芝麻油與18個(gè)其他植物油共26個(gè)樣本作為驗(yàn)證樣本，用來(lái)檢驗(yàn)?zāi)Ｐ偷目煽啃裕▓D4）。

圖3 芝麻油與其他植物油的SIMCA分析結(jié)果

圖4 芝麻油與其他植物油的SIMCA分類(lèi)識(shí)別模型

由圖3可以看出芝麻油與其他3種植物油之間沒(méi)有重疊，互不干擾，聚類(lèi)結(jié)果比較理想。一般，我們可以通過(guò)類(lèi)間距（Inter Material Distances）來(lái)評(píng)價(jià)FTNIR-SIMCA模型的分類(lèi)識(shí)別效果，類(lèi)間距是兩類(lèi)（或幾類(lèi)）樣本聚類(lèi)中心之間的距離，類(lèi)間距的數(shù)值越大表明樣本類(lèi)與類(lèi)之間的差異越明顯，則SIMCA模型的分類(lèi)識(shí)別效果越好［20］。文中的真?zhèn)沃ヂ橛偷念?lèi)間距為33.41，這個(gè)數(shù)值較大，說(shuō)明基于食用植物油訓(xùn)練集建立的NIR-SIMCA模型的分類(lèi)識(shí)別效果較好。此外，識(shí)別率（Recognition rate）與拒絕率（Rejection rate）是反映類(lèi)模型之間聚類(lèi)可信度的常用指標(biāo)。當(dāng)兩個(gè)值都為100%時(shí)，表明兩類(lèi)樣品之間沒(méi)有重疊，可以較好的將其聚類(lèi)分開(kāi)［20］。圖4為真?zhèn)沃ヂ橛偷腟IMCA分類(lèi)驗(yàn)證模型，結(jié)果表明：兩類(lèi)油品的正確識(shí)別率和拒絕率均為100%。一般來(lái)說(shuō)，如果一個(gè)模型的正確識(shí)別率如果能達(dá)到60%以上，就說(shuō)明該模型可行［21］。因此，本研究建立的真?zhèn)沃ヂ橛偷腘IR-SIMCA分類(lèi)識(shí)別模型基本可行。

2.2.2 ANN定性判別模型的建立

ANN算法是一種非線(xiàn)性建模方法。一般，ANN模型選用3層或3層以上的神經(jīng)網(wǎng)絡(luò)，即輸入層，隱含層，輸出層。在A(yíng)NN的應(yīng)用過(guò)程中，常采用PCA或PLS法對(duì)光譜數(shù)據(jù)降維，獲得主成分得分并作為網(wǎng)絡(luò)的輸入變量。在建立ANN的過(guò)程中，需要確定一系列參數(shù)，如隱含層的節(jié)點(diǎn)數(shù)，輸入層到隱含層、隱含層到輸出層的初始權(quán)重，隱含層、輸出層的傳遞函數(shù)，學(xué)習(xí)速率、動(dòng)量等。根據(jù)傳遞函數(shù)并按照一定的學(xué)習(xí)規(guī)則自動(dòng)調(diào)節(jié)網(wǎng)絡(luò)各層之間的連接權(quán)重，進(jìn)行迭代，以使得網(wǎng)絡(luò)的實(shí)際輸出值與期望輸出值相比達(dá)到一定的精度要求［22］。

2.2.2.1 譜圖處理與參數(shù)設(shè)置

按照1.3.2對(duì)芝麻油等4種植物油的FTNIR譜圖數(shù)據(jù)依次運(yùn)用二階求導(dǎo)和中心化處理進(jìn)行譜圖預(yù)處理，并選擇10 000～4 000 cm-1范圍的譜圖進(jìn)行ANN分析模型的建立。

ANN建模過(guò)程中，選擇合適的PLS主成分作為神經(jīng)網(wǎng)絡(luò)的輸入變量，可以減小神經(jīng)網(wǎng)絡(luò)規(guī)模，降低訓(xùn)練時(shí)間；而且可以充分利用原始光譜圖中的有用信息，剔除噪聲。本試驗(yàn)將采集樣品的所有譜圖轉(zhuǎn)化為數(shù)據(jù)矩陣，應(yīng)用PLS法對(duì)所有光譜數(shù)據(jù)進(jìn)行數(shù)據(jù)壓縮，發(fā)現(xiàn)其中前4個(gè)主成分的累積貢獻(xiàn)率為98.37%，確定每張譜圖可以只需用前4個(gè)主成分代替，因此，設(shè)置ANN的輸入層節(jié)點(diǎn)數(shù)為4。當(dāng)輸入層節(jié)點(diǎn)數(shù)確定后，其他參數(shù)不變，選擇隱含層節(jié)點(diǎn)數(shù)范圍，當(dāng)隱含層節(jié)點(diǎn)數(shù)目為15，SEP為最小。網(wǎng)絡(luò)輸出層輸出一個(gè)預(yù)測(cè)的結(jié)果，故輸出層為1。考慮網(wǎng)絡(luò)穩(wěn)定性，按照從小到大的順序選擇訓(xùn)練速度，當(dāng)最小訓(xùn)練速度設(shè)為0.025，預(yù)測(cè)誤差達(dá)到最小。其中，動(dòng)態(tài)參數(shù)取0.95，允許誤差設(shè)為0.001，最大迭代次數(shù)設(shè)為10 000次。

2.2.2.2 建立人工神經(jīng)網(wǎng)絡(luò)ANN模型

選取28個(gè)芝麻油，20個(gè)大豆油、16個(gè)葵花籽油和14個(gè)花生油，共78個(gè)樣品作為校正集，剩余的26個(gè)樣品作為預(yù)測(cè)集。建模時(shí)，將大豆油、葵花籽油、花生油和芝麻油分別賦值為1、2、3、4；根據(jù)軟件自動(dòng)分類(lèi)結(jié)果，預(yù)測(cè)得到的數(shù)值范圍為：0.4～1.4為大豆油，1.6～2.4為葵花籽油，2.6～3.4為花生油，3.6～4.4為芝麻油。78個(gè)建模集的均方估計(jì)殘差（RMSEC）值為0.111 4。該模型經(jīng)過(guò)對(duì)26個(gè)未知樣品進(jìn)行預(yù)測(cè)，結(jié)果準(zhǔn)確率為100%（表1），表明利用PLSANN法建立真?zhèn)沃ヂ橛偷蔫b別模型是可行的。

表1 人工神經(jīng)網(wǎng)絡(luò)ANN對(duì)預(yù)測(cè)集樣品的識(shí)別結(jié)果

綜上，本試驗(yàn)分別運(yùn)用PCA-SIMCA以及PLSANN 2種分析法建立了芝麻油與其他植物油的分類(lèi)模型，兩個(gè)模型驗(yàn)證結(jié)果的準(zhǔn)確率均為100%，表明兩種方法均可用于真?zhèn)沃ヂ橛偷亩ㄐ詸z測(cè)分析，可能成為快速鑒別芝麻油真?zhèn)蔚囊环N新方法。

2.3 定量分析

PLS通過(guò)因子分析將光譜數(shù)據(jù)壓縮為較低維的空間數(shù)據(jù)，該方法是將光譜數(shù)據(jù)向協(xié)方差最大的方向投影。與傳統(tǒng)多元線(xiàn)性回歸模型相比，PLS的特點(diǎn)是：1）能夠在自變量存在嚴(yán)重多重相關(guān)性的條件下進(jìn)行回歸建模；2）允許在樣本點(diǎn)個(gè)數(shù)少于變量個(gè)數(shù)的條件下進(jìn)行回歸建模；3）PLS在最終模型中將包含原有的所有自變量；4）PLS模型更易于辨識(shí)系統(tǒng)信息與噪聲（甚至一些非隨機(jī)性的噪聲）；5）在PLS模型中，每一個(gè)自變量的回歸系數(shù)將更容易解釋。所以，PLS是一種具有較好發(fā)展前景的新型數(shù)據(jù)處理方法［23］。

2.3.1 芝麻油-大豆油二元體系定量模型的建立

按照1.3.3輸入不同比例的芝麻油-大豆油二元混合物的FTNIR譜圖與其對(duì)應(yīng)的濃度，應(yīng)用PLS進(jìn)行分析處理，通過(guò)比較模型的R2、SEC數(shù)值確定譜圖的處理方法。結(jié)果表明：譜圖采用SNV結(jié)合Detrending算法，以及Offset基線(xiàn)校正處理，經(jīng)過(guò)消除異常點(diǎn)，選擇主因子數(shù)為10，可以建立芝麻油中大豆油含量的PLS分析模型，該模型經(jīng)過(guò)驗(yàn)證，其R2值為0.999 4，SEP為1.027（圖5a）。該模型可以預(yù)測(cè)的最低質(zhì)量分?jǐn)?shù)為10%，此時(shí)相對(duì)誤差小于10%。表明FTNIR結(jié)合PLS可以快速分析摻入芝麻油中大豆油的含量。

2.3.2 芝麻油-葵花籽油二元體系定量模型的建立

同2.3.1，將FTNIR與PLS結(jié)合應(yīng)用于芝麻油-葵花籽油二元體系的定量分析中，結(jié)果表明：采用SNV結(jié)合De-trending算法處理后，消除異常點(diǎn)，選擇主因子數(shù)為13，能夠建立芝麻油-葵花籽油的PLS定量分析模型。該模型經(jīng)過(guò)驗(yàn)證，其預(yù)測(cè)值與實(shí)測(cè)值的相關(guān)性較好，R2為0.999 7，SEP為0.966 0。該模型對(duì)大于10%的葵花籽油預(yù)測(cè)效果良好。

圖5 實(shí)際值與預(yù)測(cè)值的PLS驗(yàn)證模型

3 結(jié) 論

根據(jù)近年來(lái)出現(xiàn)的芝麻油摻假現(xiàn)象，運(yùn)用FTNIR結(jié)合化學(xué)計(jì)量學(xué)方法對(duì)芝麻油真?zhèn)舞b別與其中摻偽油的含量分析進(jìn)行了研究。首先分別運(yùn)用PCA-SIMCA以及PLS-ANN建立了針對(duì)芝麻油的兩種分類(lèi)識(shí)別模型，經(jīng)過(guò)驗(yàn)證，這2種模型的正確識(shí)別率均達(dá)到100%。說(shuō)明運(yùn)用近紅外光譜能夠完成芝麻油的快速鑒別。進(jìn)一步地，運(yùn)用FTNIR結(jié)合PLS建立了芝麻油中大豆油和葵花籽油的定量分析模型，該模型可以對(duì)芝麻油中10%的大豆油或葵花籽油進(jìn)行準(zhǔn)確定量。本研究表明FTNIR結(jié)合化學(xué)計(jì)量學(xué)可以為油脂摻假提供一種快速、準(zhǔn)確的分析方法。

［1］任小娜，畢艷蘭，楊國(guó)龍，等.散裝芝麻油品質(zhì)檢測(cè)及摻偽分析［J］.中國(guó)糧油學(xué)報(bào)，2011，26（11）：106-109

［2］李凝.芝麻油質(zhì)量現(xiàn)狀及摻假檢檢方法的探討［J］.化學(xué)分析計(jì)量，2011，20（3）：99-101

［3］林麗敏.氣相色譜法測(cè)定芝麻油摻偽的研究［J］.糧食儲(chǔ)藏，2006，35（3）：43-51

［4］孫榮華，何良興，李崗.芝麻油特征成分檢測(cè)及防偽技術(shù)的研究［J］.中國(guó)衛(wèi)生檢驗(yàn)雜志，2010，20（1）：49-60

［5］Rodriguez-Saona L E，Allendorf M E.Use of FTIR for rapid authentication and detection of adulteration of food［J］.Annual Review of Food Science and Technology，2011，2：467-483

［6］褚小立，許育鵬.用于近紅外光譜分析的化學(xué)計(jì)量學(xué)方法研究與應(yīng)用進(jìn)展［J］.分析化學(xué)，2008，36（5）：702-709

［7］Costa Pereira A F，Coelho Pontes M J，Gambarra Neto F F，et al.NIR spectrometric determination of quality parameters in vegetable oils using iPLSand variable selection［J］.Food Research International，2008，41：341-348

［8］周志琴，陳斌，顏輝.二維相關(guān)近紅外光譜快速鑒別食用植物油種類(lèi)［J］.中國(guó)糧油學(xué)報(bào)，2011，26（9）：115-118

［9］范璐，王美美，楊紅衛(wèi)，等.傅里葉變換紅外吸收光譜識(shí)別五種植物油的研究 ［J］.分析化學(xué)，2007，35（3）：390-392

［10］梁丹.應(yīng)用近紅外光譜分析判別芝麻油摻偽的研究［J］.食品工程，2011（2）：40-43

［11］馮利輝，劉波平，張國(guó)文，等.芝麻油中摻入菜籽油的近紅外光譜研究［J］.食品科學(xué)，2009，30（18）：296-299

［12］Hourant P，Baeten V，Morales M T.Oil and fat classification by selected bands of near-infrared spectroscopy［J］.Applied Spectroscopy，2000，54：1168-1174

［13］李娟，范璐，鄧德文，等.近紅外光譜法主成分分析6種植物油脂的研究［J］.河南工業(yè)大學(xué)學(xué)報(bào)，2008，29（5）：18-21

［14］畢艷蘭.油脂化學(xué)［M］.北京：化學(xué)工業(yè)出版社，2005

［15］禇小立.化學(xué)計(jì)量學(xué)方法與分子光譜分析技術(shù)［M］.北京：化學(xué)工業(yè)出版社，2011：95

［16］楊忠，江澤慧，費(fèi)本華，等.SIMCA法判別分析木材生物腐朽的研究［J］.光譜學(xué)與光譜分析，2007，27（4）：686-690

［17］于春霞，馬翔，張曄暉，等.基于近紅外光譜和SIMCA算法的煙葉部位相似性分析［J］.光譜學(xué)與光譜分析，2011，31（4）：924-927

［18］李娟，范璐，畢艷蘭，等.紅外近紅外光譜簇類(lèi)的獨(dú)立軟模式方法識(shí)別植物調(diào)和油脂［J］.分析化學(xué)，2010，38（4）：475-482

［19］劉波平，榮菡，鄧澤元，等.近紅外光譜-BP神經(jīng)網(wǎng)絡(luò)-PLS法用于橄欖油摻雜分析［J］.分析測(cè)試學(xué)報(bào)，2008，27（11）：1147-1150

［20］徐榮，孫素琴，劉友剛，等.基于PLS-自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)近紅外光譜技術(shù)對(duì)鮮乳和摻假乳的檢測(cè)方法研究［J］.光譜學(xué)與光譜分析，2009，29（7）：1860-1863

［21］孫素琴，湯俊明，袁子民，等.紅外光譜與聚類(lèi)分析法無(wú)損快速鑒別肉蓯蓉［J］.光譜學(xué)與光譜分析，2003，23（2）：258-261

［22］劉名揚(yáng)，趙景紅，孟昱.道地山藥紅外指紋圖譜和聚類(lèi)分析的鑒別研究［J］.吉林大學(xué)學(xué)報(bào)，2007，45（5）：849-852

［23］耿響.二維紅外光譜分析技術(shù)在食用植物油品質(zhì)檢測(cè)中的應(yīng)用研究［D］.鎮(zhèn)江：江蘇大學(xué)，2010：55-61.

Fourier Transform Near Infrared Spectroscopy in the Authentication and Adulteration of Sesame Oil

Yang Jia1，2Wu Yanwen2Li Bingning2Liu Lingling2Ouyang Jie1
（Department of Food Science and Engineering，College of Biological Sciences and Technology，Beijing Forestry University1，Beijing 100083）
（Beijing Center for Physical and Chemical Analysis，Beijing Engineering Research Center of Food Safety Analysis2，Beijing 100089）

The rapidly analytical method has been established by Fourier transform near infrared spectroscopy（FTNIR）combined with chemometrics for the authenticity and quantity of sesame oil.FTNIR was combined with two types of authentication and recognition model to classify the sesame oil，soybean oil，peanut oil and sunflower oil by means of principal component analysis-soft independent modeling of class analogy（PCA-SIMCA）and partial least squares-artificial neural network（PLS-ANN）respectively.The results of two models are validated to be the correct recognition rate of 100%.FTNIR with PLS is used to quantify the adulterated sesame oil.Sesame oil with different proportions of soybean oil and sunflower oil were collected.FTNIR spectra PLSis used to establish the model of quantitative analysis for testing its reliability through the validation set.The model can accurately predicts the sesame oil with 10%to 100%adulterated oil.the square error of prediction is 1.027（soybean oil）and 0.966 0（sunflower oil），respectively.

sesame oil，adulteration，NIR，chemometrics

TS227

A

1003-0174（2014）03-0114-06

國(guó)家自然科學(xué)基金（30701107），北京市自然科學(xué)基金（710 2021）

2013-03-20

楊佳，女，1988年生，碩士，農(nóng)產(chǎn)品加工及貯藏工程

歐陽(yáng)杰，男，1971年生，副教授，食品加工與質(zhì)量安全