基于紫外光谱的花生油掺伪检测

为建立一种花生油掺伪检测方法,利用花生油和其他食用油在紫外光谱特征吸收峰不同,建立定量检测模型及并对模型进行验证分析。结果表明：花生油与其他食用油在280nm处特性吸收存在差异性,利用这一特性建立花生油掺伪定量分析模型,其方程为y＝46.72x－27.51(y为掺伪比例/%;x为吸光度),相关系数为0.9779,标准差为3.099%。盲样验证预测值与实际掺伪值高度线性相关,相关系数为0.9841,标准差为3.849%,检出限约为10%,相对误差均小于15%。紫外光谱花生油掺伪快速检测方法是可行的。     

基于可见—近红外光谱的花生油二元掺伪体系鉴别研究

为了建立一种简便有效的花生油掺伪的定性和定量鉴别方法,采集花生油中分别掺伪0~90%大豆油、棕榈油和棉籽油样品的可见—近红外光谱图,结合主成分分析、判别分析、改进偏最小二乘法,建立花生油掺伪的定性鉴别和定量预测模型。结果表明,在定性鉴别中,对花生油中分别掺入大豆油、棕榈油和棉籽油的整体正确判别率分别达到了100%、96.1%和85.3%。在定量分析中,对MPLS法建立的花生油二元掺伪定标模型进行验证,结果表明,掺入大豆油、棉籽油和棕榈油的预测相关系数R_p~2分别为0.998、0.997和0.995,相对标准差RSD分别为2.33%、3.04%和3.83%,相对分析误差RPD分别为3.542、2.642和2.581,说明这三种掺假花生油所建立的最优定标模型的预测精度高,其中花生油中掺入大豆油的预测精度最高,检测花生油中掺入棉籽油与棕榈油的最低掺假量为3%。为花生油二元掺伪模式提供了一种简便、快速、有效的分析方法。     

近红外光谱结合蒙特卡洛交互验证奇异样本筛选的橄榄油掺伪定性定量分析

采用基于蒙特卡洛交互验证(MCCV)奇异样本筛选的近红外光谱技术结合支持向量机(SVM)对橄榄油掺伪进行定性和定量分析。应用近红外光谱仪采集将大豆油、菜籽油、玉米油、葵花籽油掺入橄榄油中的188个掺伪样本光谱图。采用蒙特卡洛交互验证(MCCV)方法剔除橄榄油掺伪样本光谱数据中的奇异样本,剔除3个奇异样本。利用多元散射校正(MSC)、去趋势技术(DT)、标准正态变量变换和去趋势技术联用算法(SNV-DT)分别对奇异样本筛选前后的掺伪样本光谱数据进行预处理,选择网格搜索算法(GS)对模型参数组合(C,g)进行寻优,确定最优参数组合。应用支持向量机分类(SVC)方法建立掺伪油的品种定性分类校正模型;采用竞争性自适应重加权算法(CARS)选择奇异样本筛选前后的掺伪样本光谱数据的特征变量,应用支持向量机回归(SVR)建立掺伪油含量快速预测的定量校正模型。试验表明,采用MCCV方法剔除奇异样本后,建立的掺伪油品种鉴别模型的预测准确率达到100%,而建立的GS-SVR模型能够快速预测橄榄油掺伪量,特别是建立SNV_DT-CARS-SVR模型的校正集和预测集相关系数R分别达到99.80%、99.13%,均方误差(MSE)分别为0.0142、0.0535,综合性能最好。结果表明,采用激光近红外光谱分析技术可以实现橄榄油掺伪的定性-定量分析。     

近红外光谱法快速鉴别花生油真伪及掺伪成分

为实现对掺伪花生油的快速鉴别, 本文对花生油样品的原始光谱先后经过小波变换、特征谱区的选择、一阶导数加上矢量归一化预处理、剔除异常样品等方法处理后, 采用主成分分析法对预处理后的光谱数据进行聚类分析.结果表明, 该方法对花生油的真伪鉴别准确率达到了100%, 而且能对伪品花生油掺伪量及掺伪量大于20%时使用的掺伪植物油种类做出鉴别.说明利用近红外光谱技术结合小波变换和模式识别技术可快速、准确地鉴别花生油的真伪及掺伪成分.     

基于特征脂肪酸变化对花生油掺伪快速鉴别方法研究

该实验采用近红外光谱与气相色谱相结合，通过对特征脂肪酸的含量变化，开展快速鉴别花生油掺伪的研究。以花生油中掺入不同比例菜籽油、棉籽油及大豆油作为掺伪样品，气相色谱法测得掺伪油样棕榈酸、硬脂酸、油酸、亚油酸和花生酸5种特征脂肪酸含量，使用近红外光谱测定其R—H基团在1 170、1 205、1 395、1 415 nm特征峰波长的变化，利用Unscrambler 10.4软件通过偏最小二乘判别法对脂肪酸含量与近红外光谱图峰位相拟合，建立一元回归线性方程。结果表明，掺伪花生油5种特征脂肪酸均有响应，棕榈酸对应的近红外光谱模型较好，校正集相关系数为0.997,校正均方根误差为0.014、交叉验证均方根误差为0.018。通过多种花生油进行验证，预测模型准确，对快速无损检测花生油具有重要意义。     

激光近红外结合SVM的花生油掺伪定性定量分析

利用激光近红外技术结合支持向量机(support vectormachines,SVM)对花生油掺伪进行定性和定量分析。使用激光近红外光谱仪采集188个掺入餐饮废弃油、大豆油、玉米油以及菜籽油的花生油样品光谱图。结果表明,建立的SVC分类模型均能实现100%的预测准确率,但经提取波长后的模型的变量变少,由全波段的451个波长数减少为136个。建立的SVR回归模型也能准确预测花生油中掺伪油的含量,其中非全波段模型参与建模变量变少,由451个降低到66个,预测精度也更高,校正集和测试集相关系数分别达到99.88%、99.90%,均方根误差都低于6.99E-4。由此可知,特征波长提取方法不仅可以减少建模变量,提高建模效率,也能够提高模型的预测能力。结果表明,运用激光近红外结合SVM可以实现花生油掺伪油脂的定性和定量分析。     

基于XGBoost的掺伪茶油光谱鉴别模型

为实现采用紫外-可见-近红外光谱技术鉴别掺伪茶油的目的，研究首先通过向茶油中掺入不同比例的葵花籽油、玉米胚芽油和花生油制备掺伪茶油，然后采用自制的透射光谱采集实验平台获得光谱数据，对原始光谱进行预处理后，分别以竞争性自适应重加权算法(CARS)、连续投影算法(SPA)、Boruta算法进行特征波长筛选，最后建立了基于XGBoost的掺伪茶油鉴别模型。研究结果表明，原始光谱经过SG-连续小波变换[CWT(分解尺度2⁵,L5)]预处理和Boruta特征波长筛选后，所建立的XGBoost模型鉴别性能最佳，测试集的准确率、灵敏度和特异性分别达到了98.18%、100.00%和97.62%。通过与常用的支持向量机(SVM)和极限学习机(ELM)模型对比后得到，XGBoost模型的准确率分别提高了3.63%和1.82%,特异性分别提高了4.76%和2.38%。     

花生油掺入棉籽油定性定量检测

随着商品经济的发展,多渠道经营,市场上花生油来源比较复杂,掺假现象日益增多。这直接侵犯了消费者的利益,由此造成的经济纠纷时有发生。因此对其进行鉴别检验是十分必要的。 目前对食用油脂的掺伪检验多采用化学方法,灵敏度低、操作繁琐、耗时长,不宜于油脂掺伪检验工作的开展。本试验是利用花生油和棉籽油的荧光发射波长和激发(吸收)光谱图的显著差异,对油样进行定性鉴别,经国家标准方法对比分析证实,结果稳定可靠,方法简单快速,取得较好效果。     

拉曼光谱-聚类分析法快速鉴别掺伪花生油

目的建立快速鉴别掺伪花生油的拉曼光谱.聚类分析方法。方法以不同产地、不同品牌的多批次花生油、大豆油、玉米油、菜籽油、葵花籽油、精炼棕榈油、精炼棉籽油及精炼地沟油为样品,在780 nm和532 nm激光光源下,扫描和比较其普通、扩展及导数拉曼光谱的形态。结果在532 nm激光光源的扩展光谱及一阶导数光谱中,花生油与低价植物油及精炼地沟油光谱的信息量最大,样品间光谱形态的差异显著,谱峰得到有效分离。基于此全波段光谱信息和形态建立的多步聚类分析模型及鉴别程序对36份不同花生油、105份不同低价植物油、30份仿冒花生油和38份不同精炼地沟油的判别正确率均为100%,对180份5%及以上的掺假花生油的判别正确率达86%以上,对75份5%及以上的掺杂花生油的判别正确率为92%,对72份5%及以上的掺杂植物油的判别正确率达92%以上。样品测量时无需制备样品及消耗化学试剂,测量和分析一份样品仅耗时5 min左右。结论所建立的拉曼光谱.聚类分析模型既可准确鉴定花生油,还可准确鉴定各种类型的掺伪花生油,可实现对掺伪花生油的快速、无损和准确鉴别。     

基于反射光谱的油茶籽油掺伪量快速测定及特征波长特性研究

为了探索紫外-可见-近红外反射光谱测定油茶籽油掺伪量的方法,按照不同掺伪比例制备了244个油茶籽油掺伪大豆油、菜籽油、花生油、玉米油的样本,以自主搭建的实验平台采集所制备样本在200～1 100 nm范围内的反射光谱。将原始光谱进行Savitzky-Golay(SG)-连续小波变换(CWT)预处理后,利用Kennard-Stone(K-S)算法以2∶1的比例将样本划分成校正集和预测集。采用竞争性自适应重加权算法(CARS)、连续投影算法(SPA)、自主软收缩算法(BOSS)、迭代变量子集优化算法(IVSO)进行特征波长选择,分别建立基于支持向量机(SVM)、极限学习机(ELM)、随机森林(RF)的油茶籽油掺伪量快速预测模型,同时对特征波长的特性进行了研究。结果表明：原始光谱经过SG-CWT(L5)预处理和BOSS特征波长筛选后,建立的基于SVM的油茶籽油掺伪量快速预测模型能够鉴别掺伪量为1%及以上的油茶籽油,该模型在十折交叉验证和网格搜索法下得到最佳惩罚因子(c)和核函数(γ)分别为5.278 0和0.108 8,其预测决定系数(R_P²)、预...     

三维荧光光谱法快速检测橄榄油中掺假廉价油

目的 建立三维荧光光谱结合机器学习快速检测橄榄油中掺假廉价油的方法。方法 采集橄榄油及掺入大豆油、玉米油、棕榈油三种不同浓度梯度油的荧光光谱数据,利用标准差标准化（standardscaler）、标准正态变换（standard normal variate,SNV）、归一化（normalize）三种光谱预处理方法,基于K近邻(K-nearest neighbor,KNN)、随机森林(random forest,RF)、支持向量机(support vector machine,SVM)、偏最小二乘法(partial least squares,PLS)和卷积神经网络(convolutional neural network,CNN) 5种机器学习方法,构建5种橄榄油定量掺假模型。结果 在定性模型中,基于PLS算法构建的模型效果最好,对3种掺假橄榄油的准确率为79%~97%,其中,在鉴定掺假大豆油的橄榄油中正确率高达97%。在构建的掺假油定量模型中,Standardscaler预处理结合RF算法,构建的定量模型最优,Rc2、Rp2、RMSEC、RMSEP最高,分别为1.00、0.99、0.01、0.02。结论 构建橄榄油掺假3种油的定性定量模型,并建立一种快速、实时、低成本的橄榄油掺假检测方法,能够准确判断是否掺入廉价油,并量化掺假程度,提供更全面的橄榄油质量评估。     

基于同步荧光光谱的杜仲籽油掺假检测研究

建立基于同步荧光光谱的杜仲籽油掺假判别分析模型及检测方法。以杜仲籽油和7种常见植物油为研究对象,采集激发波长范围为250～700 nm,波长间隔为60 nm的同步荧光光谱,分析杜仲籽油和常见食用油的荧光光谱特性,利用光谱峰面积建立掺假判别模型并对其进行验证。结果表明:杜仲籽油与其他7种植物油的荧光特性存在显著差异;分别利用600～700 nm和300～500nm波长范围同步荧光光谱进行主成分分析,其对杜仲籽油掺假识别准确率高达100%;利用峰面积与掺假比例建立定量判别分析模型,检测限分别为1%和0. 48%。该方法可实现对杜仲籽油掺假的定性和定量分析,且具有较高的灵敏度、简便和快速等特点。     

GC和LF-NMR结合化学计量学方法检测掺假油茶籽油

为了对油茶籽油品质控制及评价提供支撑,以纯油茶籽油和掺假油茶籽油(分别掺入菜籽油、花生油、棕榈油和高油酸花生油)为试验材料,采用气相色谱法(GC)分析其脂肪酸组成,采用低场核磁共振技术(LF-NMR)测定其横向弛豫特性数据,结合主成分分析(PCA)、偏最小二乘判别分析(PLS-DA)和偏最小二乘分析(PLS)等化学计量学方法建立油茶籽油掺假的定性和定量分析模型。结果表明：5种植物油的脂肪酸组成和LF-NMR横向弛豫特性数据存在显著区别;油茶籽油和其他4种植物油在PCA得分图上可清晰区分;PLS-DA模型可有效区分油茶籽油和掺假油茶籽油,判别正确率均可达100%;建立的油茶籽油中掺入菜籽油、花生油、棕榈油、高油酸花生油的PLS定量预测模型,真实值与预测值的相关系数(R²)分别为0.994 1、0.998 6、0.997 6、0.978 1。综上,GC和LF-NMR结合PCA、PLS-DA以及PLS等化学计量学方法可用于油茶籽油掺假类别判定及掺假量分析。     

基于特征性脂肪酸和甘油三酯指标的油茶籽油掺伪定性鉴别模型对比分析

为解决油茶籽油掺伪其他植物油的定性鉴别问题,在油茶籽油中分别掺入大豆油、花生油、葵花籽油、棉籽油、葡萄籽油、菜籽油、棕榈油和米糠油,设置高和低两种不同掺伪梯度,基于14个特征性脂肪酸和甘油三酯指标,运用Python语言构建并对比分析了二分类决策树模型、多分类决策树模型和多层感知机人工神经网络(MLP-ANN)模型用于油茶籽油掺伪定性鉴别的效果。结果表明：高和低掺伪梯度下,二分类决策树模型对油茶籽油掺伪其他植物油的定性鉴别的准确率均达到0.95以上;多分类决策树模型的精确率和准确率在高掺伪梯度下均达到了0.95,但在低掺伪梯度下仅为0.90;在高和低掺伪梯度下,MLP-ANN模型对油茶籽油掺伪定性鉴别的平均精确率均达到0.98,准确率分别达到0.97和0.98。相比于决策树模型,MLP-ANN模型能很好地实现油茶籽油掺伪定性鉴别。     

基于挥发性成分定性判别风味油茶籽油掺伪浸出油茶籽油PCA模型和逻辑回归模型的对比分析

为了解决风味(原香和烤香)油茶籽油掺伪浸出油茶籽油的定性判别问题,设计高、低两个掺伪梯度,基于挥发性成分构建并对比分析了定性判别风味油茶籽油掺伪浸出油茶籽油的主成分分析(PCA)模型和逻辑回归模型。结果表明：逻辑回归模型定性判别风味油茶籽油掺伪浸出油茶籽油的能力较强,优于PCA模型;高掺伪梯度下定性判别原香和烤香油茶籽油掺伪浸出油茶籽油,PCA模型的最低检出限分别为20%和60%,而逻辑回归模型的最低检出限均为10%;低掺伪梯度下定性判别原香和烤香油茶籽油掺伪浸出油茶籽油,PCA模型的判别不准确,而逻辑回归模型的最低检出限均为4%。逻辑回归模型能很好地定性判别风味油茶籽油掺伪浸出油茶籽油。     

基于电导率变化的食用油掺假识别研究

采用电导率法测定了菜籽油、玉米油和花生油的萃取水相电导率,并进行了花生油掺假模拟实验,同时将电导率值作为信息数据进行了食用花生油的模式识别研究。研究结果表明花生油水相电导率为(15.41±0.17)μS/cm,菜籽油水相电导率为(18.93±0.13)μS/cm,玉米油水相电导率为(9.45±0.09)μS/cm;在花生油中掺入不同比例菜籽油和大豆油后其电导率发生变化,其中的花生油含量与其电导率之间具有良好的拟合关系,所建食用油不同比例互掺模型在一定程度上能实现食用油的定量分析,将电导率值作为特征信息数据用于食用油掺假模式识别研究具有较好的预测识别能力。     

基于乳清蛋白的骆驼乳中掺假牛乳的检测及热处理对方法的影响

利用超高效液相色谱（ultra-high performance liquid chromatography,UPLC）技术,建立一种以牛β-乳球蛋白为掺假标识物的检测方法,用于定性定量检测骆驼乳中掺假的牛乳,并且探讨不同热处理方式对掺假标识物的影响,以期满足不同商品化驼乳制品的检测需求。结果表明：该方法能有效地检测鲜驼乳、巴氏杀菌驼乳以及驼乳粉中掺假的牛乳,3 种类型掺假乳样本的定量检测回归方程线性良好,线性相关系数（R2）分别为0.997 9、0.996 9和0.997 8;鲜驼乳、巴氏杀菌驼乳和驼乳粉中掺假牛乳的检出限分别为2%、3%和5%,可满足检测需求;利用该方法在10 种不同品牌市售纯驼乳粉中检测出4 种掺假驼乳粉产品。UPLC法可以有效地检测骆驼乳及其制品中掺假的牛乳,为骆驼乳行业的掺假检测提供一定的技术方法支持。     

基于近红外光谱的大鲵肉粉掺伪鉴别及纯度检测

利用近红外光谱技术进行大鲵肉粉的掺伪鉴别及纯度检测。分别采集大鲵纯肉粉、掺入江团鱼肉粉、草鱼肉粉和土豆淀粉的掺伪大鲵肉粉（各40 个样本,4 类共160 个样本）的近红外光谱图。原始光谱经光谱预处理后,利用偏最小二乘-判别分析（partial least square-discriminant analysis,PLS-DA）法分别建立2分类（纯样和掺伪样）和4分类（纯样、掺江团鱼样、掺草鱼样和掺淀粉样）的定性判别模型,利用偏最小二乘回归（partial least squares regression,PLSR）分析法分别建立3 类掺伪大鲵肉粉的纯度定量校正模型。结果表明,PLS-DA定性模型中,经一阶导数＋多元散射校正光谱预处理后,所建2分类和4分类模型性能均为最佳,校正集和预测集的预测准确率均为100%;PLSR定量模型中,大鲵肉粉掺江团鱼肉粉、大鲵肉粉掺草鱼肉粉和大鲵肉粉掺土豆淀粉模型的校正集相关系数（Rc2）分别为0.990 6、0.986 4和0.993 3,校正集的均方根误差分别为1.14%、1.39%和0.88%;测试集的相关系数（Rp2）分别为0.994 4、0.992 4和0.990 8,测试集的均方根误差分别为0.83%、0.89%和1.22%。运用近红外光谱技术结合化学计量学方法能够对大鲵肉粉进行掺伪鉴别及纯度检测。