二组分食用调和油组成的近红外光谱检测定量分析

分别取花生油、大豆油、玉米油和葵花籽油调和成不同比例的二组分食用调和油样品,采集样品在4 000 cm-1～10 000 cm-1范围内的近红外漫反射光谱,光谱经一阶导数等预处理后,采用偏最小二乘法建立二组份调和油中各组分含量的定标模型,并用Leave-one-out内部交叉验证法对模型进行验证.四种食用油定标模型的相关系数R分别为0.999 6,0.993 1,0.998 5和0.998 8,校正均方根RMSEC分别为0.83%,3.81%,1.76%和1.57%.采用不同品牌的玉米油和大豆油配制成二组分调和油样品,建立的PLS定标模型其R和RMSEC分别为0.998 5和1.42%.研究结果表明,采用近红外光谱法可以实现二组分调和食用油中不同成分含量的准确定量检测,检测结果不受食用油生产厂家的影响.     

近红外光谱技术在食用油种类鉴别及定量分析中的应用

用近红外光谱技术与聚类分析方法相结合,建立了一种可用于鉴别食用油种类的快速鉴定模型。实验根据30个食用油的近红外光谱,建立了芝麻油-大豆油-花生油-玉米油定性识别的模型,模型的识别率和预测率可达到100%。根据40个芝麻油样品的近红外光谱建立芝麻油的酸价预测模型,且模型指标较好。可见近红外光谱技术在食用油快速检测方面有较好的应用前景。     

新陈玉米的拉曼光谱快速判别研究

本文采用拉曼光谱结合判别分析方法对新陈玉米进行了判别研究。在河南省内收集郑单958新陈玉米样品共75份,粉碎过筛后置于样品袋中,使用光纤直接采集他们的拉曼光谱。对原始光谱进行多项式平滑滤波、基线校正及一介导数处理后,首先运用主成分马氏距离判别分析方法建立了判别模型,主成分数为9,光谱建模范围为914~1369 cm-1时模型结果最优,此时建模集总正确判别率为92.7%,验证集总正确判别率为90%。然后运用偏最小二乘判别分析方法建立了相应的识别模型,当建模因子数为7,采用全谱建模时结果最优,此时建模集样品正确判别率为100%,验证集样品正确判别率为95%。偏最小二乘判别分析方法正确识别率较高,结果表明拉曼光谱可以应用于玉米新陈度的快速识别,在粮食储藏品质评价中具有极大的应用潜力。     

基于甘三酯指纹图谱及化学计量学的青海亚麻籽油掺假识别研究

采用HPLC-RID测定青海省亚麻籽油甘三酯组成,并利用指纹图谱相似度评价系统及判别分析对亚麻籽油进行掺伪识别分析。结果表明,亚麻籽油中共检测出8种甘三酯,其中主要甘三酯为OLnLn(22.82%)、LnLnLn(20.40%)、OLnO(14.81%)、OLLn(13.59%);运用指纹图谱相似度评价系统构建亚麻籽油甘三酯标准指纹图谱以鉴定亚麻籽油中掺入菜籽油、大豆油、花生油、葵花籽油、玉米油、芝麻油(10%、20%、30%、40%、50%)的掺伪样品,当掺入植物油质量分数达10%以上时,可以准确判别纯亚麻籽油和掺伪亚麻籽油。为进一步识别亚麻籽油中掺假的植物油种类,对掺伪油样进行判别分析,建立的判别模型适用于亚麻籽油中掺入大豆油质量分数大于10%、掺入菜籽油、花生油、葵花籽油、玉米油、芝麻油浓度大于20%时的掺伪油种类的识别鉴定。     

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。     

基于统计学习理论的食用油红外光谱分析方法研究

目的建立不同品质食用油快速分类的中红外光谱检测方法。方法不同品质的食用油在化学组分上是存在差异的,利用中红外光谱技术全面反映和整体把握食用油的化学成分信息,并借助主成分分析(PCA)结合马氏距离法对食用油的中红外光谱图进行预处理,提取其特征信息,然后通过基于统计学习理论的支持向量机(SVM)建立相应分类模型,运用模型自动鉴别不同品质的食用油类别属性。结果实验通过从市场上随机抽取食用油样本,选取了3种不同品牌的大豆油、花生油共60个样本进行测试,分类正确率达到了100%。结论基于统计学习理论的食用油红外光谱分析方法对不同品质食用油的快速分类鉴别是有效的。     

便携式激光拉曼光谱仪快速鉴别灵芝孢子油掺伪

目的:采用便携式激光拉曼光谱仪,将灵芝孢子油与菜籽油、大豆油、玉米油、葵花籽油和花生油区别开来。方法:采用激光拉曼光谱仪对灵芝孢子油和5种食用植物油进行光谱扫描和基线校正,获得拉曼光谱图。结果:利用1115 cm~(-1)峰强度大于350和1300 cm~(-1)/1262 cm~(-1)峰强度比值及峰面积比值均大于2,可以将灵芝孢子油与菜籽油、大豆油、玉米油、葵花籽油和花生油区别开来。利于激光拉曼光谱仪对市售10个品牌灵芝孢子油进行鉴别,发现一可疑样品,脂肪酸组分分析及麦角甾醇含量测定进一步确认该样品为掺伪品。结论:拉曼光谱具有快速、无损等特点,可以作为灵芝孢子油初步鉴别的筛查工具,对于发现的可疑样品可通过脂肪酸组分分析及麦角甾醇含量测定进行进一步确证。     

基于PLS-LDA和拉曼光谱快速定性识别食用植物油

以6种食用油共计23个样本为分析对象,采用偏最小二乘线性判别分析法(PLS-LDA)和拉曼光谱进行单一种类(橄榄油、花生油和玉米油)食用油快速定性检测,通过自适应迭代惩罚最小二乘法(airPLS)对拉曼信号进行背景扣除,以及蒙特卡洛无信息变量消除法筛选波长变量,不但有效减少了波长点数,降低了建模运算量,而且提高了单一种类食用油的识别率,使得总体识别率均高于90%,并在此基础上进一步提出了采用PLS-LDA进行多种类食用油识别的检测流程。实验结果表明PLS-LDA在食用油定性识别检测中具有较好的应用前景和可行性,该方法也可为定性检测食品及农产品品质提供借鉴。     

紫外光谱结合BP神经网络算法建立食用油掺伪煎炸油的快速鉴定模型

为建立一种快速食用油掺伪煎炸油检测方法,采用紫外光谱法鉴别其掺伪,本研究选取大豆油、玉米油和葵花籽油为代表分别煎炸,在纯油中掺入相应煎炸时间0~6 h及掺假梯度0~90%的煎炸油制备掺伪油样,进行紫外光谱及二阶导数预处理,经处理后的光谱特征峰与BP（Backpropagation,BP）神经网络算法结合建立食用油掺伪煎炸油模型,对掺入煎炸油类别、煎炸时间和煎炸油含量进行鉴别分析。结果表明二阶导数预处理后掺伪煎炸油的光谱特征峰中大豆油为446和462 nm、玉米油为268和274 nm、葵花籽油为280和288 nm,根据其特征峰位与峰值建立Levenberg–Marquardt算法（LMA）、动量梯度下降法（MGD）及弹性梯度下降法（EGD）掺伪模型识别率分别为98.15%、91.67%和95.52%。     

基于同步荧光光谱法对食用油和煎炸油鉴别研究

快速鉴别食用油和煎炸油,选用市售大豆油、花生油、调和油以及不同煎炸条件下煎炸后的大豆油、花生油和调和油作为试验样品,采用Gray Eclipse荧光光度计对样品进行扫描处理,运用SPSS 16.0软件和Origin 8.0软件对样品的同步荧光光谱数据进行分析。结果表明,食用油煎炸后,荧光峰位置发生红移;与原油相比,煎炸后的大豆油与调和油的荧光峰强度降低,花生油的荧光强度在300~400之间波动;同一煎炸温度下,随煎炸时长的增加,煎炸油的荧光峰向波长增加的方向移动;同一煎炸时长下,随煎炸温度的增加,与原油相比,煎炸油发生红移的距离增大。判别分析对食用油和煎炸油的正确判别率为100%。可见利用同步荧光光谱法结合化学计量学方法可以有效区分食用油和不同煎炸条件下的煎炸油。     

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。     

基于嗅觉可视化技术的食用植物油分类识别

为实现山茶油与3种常见食用植物油(菜籽油、大豆油和玉米油)的区分,制备可视化传感器阵列,采用嗅觉可视化技术对4种不同种类的食用植物油进行分类识别。采用主成分分析(PCA)对4种油样的特征数据进行降维,然后将降维后的数据导入K近邻(KNN)、极限学习机(ELM)、支持向量机(SVM) 3种分类模型中进行模型参数优化,对比了3种分类模型的分类结果。结果表明：建立的SVM分类模型性能最优,当输入主成分向量数为7、c=1.741 1、g=4.549 8时,SVM分类模型的测试集分类识别准确率为95.8%,五折交叉验证准确率为89.6%。制得的可视化传感器阵列可以实现4种食用植物油的分类识别,嗅觉可视化技术用于食用植物油检测是可行的。     

红外光谱快速识别食用植物油种类的研究

为实现食用植物油种类的快速无损识别,为公安实战中打击“食药环”犯罪提供参考,借助衰减全反射-傅里叶变换红外光谱技术对不同类别、品牌食用植物油进行了多层次分类识别工作。采用标准正态变换(SNV)和一阶导数预处理消除基线和其他背景干扰,使得重叠峰发生分离,从而提高检测的分辨率和灵敏度,利用竞争性自适应重加权算法(CARS)提取特征波长,结合基于布谷鸟搜索算法优化的极限学习机(CS-ELM)模型对不同种类和品牌的食用植物油进行分类识别,同时对比随机森林模型与CARS-CS-ELM融合模型在食用植物油快速分类检测方面的准确率。结果表明,基于CARS-CS-ELM融合模型对3类植物油样本总体进行分类,其分类准确率达到85.19%,其中小磨香油、花生油、玉米油样本训练集的品牌分类准确率依次为92.5%、100%、96.7%,测试集品牌分类准确率均为100%,而随机森林模型的9个品牌食用植物油分类准确率仅为80%。综上,CARS-CS-ELM融合模型对食用植物油快速分类识别效果较好,可为食用植物油的无损快速检验提供一定的参考与借鉴。     

傅里叶变换红外光谱结合模式识别法在食用油真伪鉴别中的实践分析

探讨在食用油真伪鉴别中,傅里叶变换红外光谱(FTIR)联合模式识别法(SIMCA),建立FTIR-SIMCA分类识别模型的实践应用效果。方法:选取各品牌合格食用油15种和伪食用油5种,抽取样品进行FTIR检验,并根据图谱完成SIMCA模型的建立。结果:训练集真伪食用油模型中,拒绝率与识别率均为100%,两种食用油有较高独立性,互不交叉;验证集模型识别,拒绝率与识别率同为100%。结论:FTIR-SIMCA分类识别模型具有较高的可行性,可有效实现食用油真伪的鉴别,且具有较高的可操作性。     

近红外光谱技术鉴别核桃油中掺入菜籽油、大豆油及玉米油的研究

采用近红外光谱技术与偏最小二乘法(PLS)相结合的方式对核桃油中菜籽油、大豆油的现象进行定量分析。结果显示,当核桃油中菜籽油时,采用最小-最大归一化进行光谱预处理,菜籽油定量模型校正相关系数RC及校正标准误差RMSEC和交叉验证模型的相关系数RCV和交叉均方根RMSECV分别为99.97%,0.532%和99.96%,0.562%;当核桃油中大豆油时,采用一阶导数+矢量归一化进行光谱预处理,大豆油定量模型RC及RMSEC和RCV及RMSECV分别为99.99%,0.336%和99.99%,0.352%;当核桃油中2种油(菜籽油和大豆油)时,采用二阶导数进行光谱预处理,菜籽油定量模型的RC及RMSEC和RCV和RMSECV为99.99%,0.220%和99.98%,0.313%,大豆油定量模型的RC及RMSEC和RCV和RMSECV为99.99%,0.210%和99.97%,0.386%;当核桃油中菜籽油、大豆油和玉米油时,分别以菜籽油、大豆油和玉米油为研究对象,同时分别用一阶导数+多元散射校正、二阶导数、一阶导数方法进行光谱预处理,可以得到菜籽油定量模型的RC及RMSEC和RCV和RMSECV为99.93%,0.347%和99.90%,0.401%,大豆油定量模型的RC及RMSEC和RCV和RMSECV为99.87%,0.524%和99.80%,0.615%,玉米油定量模型的RC及RMSEC和RCV和RMSECV为99.94%,0.371%和99.89%,0.451%。经过重复性试验和外部试验验证可知,近红外光谱分析技术可以快速准确地检测核桃油中掺入1种油、2种油和3种油的含量。     

基于数据融合策略植物油光谱模式的识别

为实现对不同植物油的快速无损分类识别,探究数据融合技术在提升光谱分类模型精度方面的可行性与应用价值,借助衰减全反射-傅里叶变换红外光谱技术、表面增强拉曼光谱技术结合多源数据融合技术,开展了对7种共计180份植物油样本的分类识别。基于单一光谱模型、数据层融合模型和特征层融合模型,比较了Bayes判别分析(BDA)和多层感知器神经网络(MLP)两种化学计量学方法在区分各样本时的差异,同时考察了主成分分析、广义最小平方、最大似然、主轴因式分解4种算法在特征提取方面的差异。结果表明,光谱数据融合在识别植物油方面具有显著的优势,BDA模型对各样本的区分能力强于MLP模型,相较于其他3种算法,主成分分析在油样特征提取方面展现了较为理想的结果。基于PCA特征提取的特征层融合BDA模型为最佳识别模型,以此实现了180份植物油样本100%的准确区分,同时对5种品牌花生油达到了100%的准确区分,实现了对各样本“种类-品牌”的两级识别分类工作。     

基于近红外光谱技术的赣南茶油掺假快速鉴别北大核心CSCD

为了探索基于近红外光谱技术快速无损鉴别掺假油茶籽油的可行性,以赣南茶油为研究对象,通过掺入不同植物油如玉米油、花生油、菜籽油、葵花籽油和大豆油等制备掺假油茶籽油,应用近红外光谱技术采集其光谱特征信息,对比不同预处理方法和主成分数,并结合线性和非线性建模方法建立油茶籽油掺假鉴别模型,以识别准确率(纯油茶籽油样品和掺假油茶籽油样品被正确判别的比例)、灵敏度(纯油茶籽油样品被正确判别为纯油茶籽油的比例)、特异性(掺假油茶籽油样品被正确判别为掺假油茶籽油的比例)作为模型的评价指标,优选出最佳模型。结果表明:二阶微分联合线性判别分析(SD-LDA)模型为最优线性模型,标准正态变量变换联合人工神经网络(SNV-ANN)模型为最优非线性模型,两个模型的识别准确率、灵敏度、特异性分别为97.58%、100%、97.33%和98.99%、100%、98.88%。SNV-ANN模型鉴别效果优于SD-LDA模型,说明非线性模型更适于油茶籽油掺假判别,该模型能更准确地鉴别油茶籽油是否掺假。     

基于傅里叶变换中红外光谱识别正常食用植物油和精炼潲水油模型分析

潲水油回流餐桌等食品安全问题越来越受到社会关注,探寻准确、快速、高效的潲水油鉴别新方法成为食用油安全性检测的新要求。用傅里叶变换中红外光谱技术（Fourier transform mid-infrared spectroscopy,FT-MIR）对精炼潲水油（refining hogwash oils,RHOs）和4 种不同正常食用植物油（菜籽油、大豆油、花生油和玉米油）进行快速检测,结合偏最小二乘判别法（PLS-DA）建立了RHOs和4 种不同正常食用植物油的判别模型。结果表明,在全光谱范围（4 000～450 cm–1）内,经二阶求导（Savitzky-Golay,5 点）后,RHOs和4 种不同正常食用植物油FT-MIR有显著差异。PLS-DA模型对22 个未知样品预测发现,判别模型的整体正确判别率均为100%。此结果表明FT-MIR结合化学计量学方法可以作为RHOs和4 种不同正常食用植物油（菜籽油、大豆油、花生油和玉米油）区分的一种有效技术手段。     

基于近红外透射光谱的食用油氧化定性分析

为建立食用油氧化的快速鉴别方法,以食用油为材料,根据国家标准对酸价和过氧化值的限量规定将不同氧化程度的样品分为未氧化油和已氧化油两类,通过近红外光谱透射技术结合距离判别分析,建立未氧化油和已氧化油的定性判别模型。结果表明：在波数范围为5450～4650cm-1,采用多元散射校正、一阶求导和Norris导数平滑光谱处理,校正集模型识别率为99%,验证集模型识别率为97.8%,模型预测效果良好,利用近红外透射光谱食用油氧化定性分析可行。