應用近紅外光譜技術快速測定葵花籽油的理化指標

盧海燕，王 欣*，趙婷婷，劉寶林

（上海理工大學食品質量與安全研究所，上海 200093）

應用近紅外光譜技術快速測定葵花籽油的理化指標

盧海燕，王 欣*，趙婷婷，劉寶林

（上海理工大學食品質量與安全研究所，上海 200093）

應用傅里葉變換近紅外光譜技術結合不同的定量分析方法建立葵花籽油4 種不同理化指標的快速預測模型。在用化學方法獲得不同氧化程度葵花籽油的共軛二烯、共軛三烯、p-茴香胺值、總極性化合物的參照數據的基礎上，比較不同光譜預處理方法及建模方法對預測效果的影響。結果表明，葵花籽油原始光譜不經處理、經Norris平滑和一階導數處理或Norris平滑和二階導數處理后應用偏最小二乘法可分別建立共軛二烯、共軛三烯、p-茴香胺值及總極性化合物的預測模型，建模決定系數均在0.98以上，交互驗證均方根誤差分別為1.37、0.38%、0.51、0.46，相對預測均方根誤差分別為1.24、0.18%、0.40、0.16。說明利用近紅外光譜技術結合化學計量法可實現不同氧化程度葵花籽油理化指標的快速、準確檢測。

葵花籽油；理化指標；近紅外光譜；化學計量法；偏最小二乘法

葵花籽油是從葵花籽仁中制取出來的植物油。葵花籽油含大量的不飽和脂肪酸，如 油酸、亞油酸、亞麻酸等，可顯著降低膽固醇、防止血管硬化和預防冠心病的作用，因而成為世界許多地方消費者的首選油[1]。但葵花籽油因富含大量不飽和脂肪酸而在貯藏及加工過程極易氧化變質。目前評價油脂品質則多以現行國標中的如過氧化值、茴香胺值、總極性化合物等理化指標為依據，而這些指標存在測試過程繁瑣、消耗大量試劑、干擾因素多、靈敏度低等缺點[2]。近年來，近紅外光譜技術以快速、高效、準確、樣品無需過多前處理等優點廣泛運用于油脂品質指標的檢測之中。王立琦等[3]應用傅里葉變換近紅外光譜（Fourier transform-near infrared spectrometer，FT-NIR）技術建立大豆油過氧化值近紅外預測模型，確定了過氧化值的最優偏最小二乘（partial least squares，PLS）法模型，校正集的相關系數為0.916，預測集的相關系數為0.922。Armenta等[4]應用FT-NIR技術結合不同的預處理方式建立食用油的酸價、過氧化值的PLS預測模型，各模型的交互驗證均方根誤差（root mean square error of cross validation，RMSECV）及相對預測均方根誤差（relative prediction mean square error，RMSEP）分別為0.034、0.037%、1.87、0.79 O2/kg，滿足實驗精度要求。Sanchez等[5]建立橄欖油的氧化穩定指數、共軛二烯、過氧化值的PLS近紅外預測模型，預測模型的相關系數達0.93以上，此外明朗等[6]用NIR結合分析方法對植物油中的甘油單酯、甘油二酯、甘油三酯和游離脂肪酸進行檢測，決定系數達0.91以上，4 個組分的預測標準偏差分別為0.010 4、0.183、0.201和0.010 6。文獻調研表明，雖然氧化次級產物如醛類、氧化聚合物等是衡量油脂品質的重要指標，但有關茴香胺值、總極性化合物的NIR預測模型的研究相對較少。

因此，本實驗擬利用FT-NIR采集不同氧化程度的葵花籽油光譜信息，通過系統比較不同光譜預處理和建模方法組合條件下各理化指標預測模型的精度，確定共軛二烯、共軛三烯、p-茴香胺值、總極性化合物的最佳光譜預處理和建模方法，從而為油脂品質的檢測方法提供一種快速、準確的新途徑。

1 材料與方法

1.1 材料與試劑

新鮮葵花籽油（壓榨法生產，未添加抗氧化劑）山東魯花集團有限公司。

取500 mL油樣置于1 L的燒杯中，于65 ℃（30 d）烘箱內敞口、避光儲存（實驗時間為11月—次年1月）。實驗過程制備3 份平行油樣，為保證平行樣品周圍的氧氣濃度一致，每隔2 d交換其在烘箱內的位置。每隔1 d取10 mL油樣冷卻至室溫后貯藏于樣品瓶中，密封后4 ℃冷藏備用，進行理化指標分析及NIR采集，并以此數據進行模型分析。

乙醚、石油醚、三氯甲烷、冰乙酸、硫代硫酸鈉、異辛烷等（均為分析純） 上海國藥集團化學試劑有限公司。

1.2 儀器與設備

烘箱 上海錦屏儀器儀表有限公司通州分公司；UV6000PC分光光度計 上海元析儀器有限公司；AntarisⅡ傅里葉變換近紅外光譜儀（配有液體池） 美國Thermo Fisher公司；層析柱定制于上海市達豐玻璃儀器廠。

1.3 方法

1.3.1 化學分析測定

參考歐盟EEC 2568/91《橄欖油和橄欖渣油的特性和相關分析方法》測定共軛二烯、共軛三烯值（K232、K270）[7]。參考GB/T 24304—2009《動植物油脂茴香胺值的測定》方法測定p-茴香胺值[8]。參考GB/T 5009.202—2003《食用植物油煎炸過程中的極性化合物含量（PC）測定》進行極性組分（total polar compounds，TPC）含量的測定[9]。

1.3.2 光譜的采集

測量前，預熱FT-NIR儀器；儀器測試通過后，以空氣作為參比在選定的儀器測試參數條件下，先進行背景掃描；根據油樣的特性采用透射方式采集，光譜測定范圍：12 000～3 800 cm-1（2 500～791 nm）；掃描次數：32 次；分辨率：2cm-1；光程：2 mm；樣品充分混合均勻，應避免氣泡的產生，并保持室內的溫度和濕度基本穩定，在測量過程中每隔約30 min進行一次背景掃描以消除漂移。

1.3.3 光譜的預處理

為消除外界環境影響如光譜信號中的基線漂移、散射等因素干擾，充分提取樣品的光譜特征信息，提高模型預測能力，需要進行光譜預處理[10]。分別對樣品進行平滑、標準正態變量變換（standard normal variate，SNV）、多元散射校正（multiplicative signal correction，MSC）、導數處理及組合處理等的光譜預處理方法進行比較，以濾除各種因素產生的高頻噪聲及基線漂移，平滑主要有卷積平滑處理（Savitzky-Golay filter，S-G）和導數濾波（Norris derivative filter，N-D），導數處理有一階導數（fi rst derivative，1stD）和二階導數（second derivative，2ndD），1stD或2ndD處理可以放大信號優勢，同時也放大了光譜的噪聲。優選最佳的方法來建立PLS模型并進行檢驗，最佳波段根據TQ Analyst 8.0分析軟件自動推薦波段，研究通過比較選取最優的方法進行建模。

1.4 數據處理

油脂各理化指標按其含量排序后，以4∶1比例分成校正集和預測集[11]，其中極值點必須選入，各指標的平均值、最大值及最小值如表1所示。

表1 葵花籽油理化指標值的基本統計Table 1 Statistics of physicochemical indexes for sunflower oil

采用美國賽默飛公司的智能定量分析軟件TQ Analyst 8.0進行逐步多元回歸（stepwise multiple line regression，SMLR）法、主成分回歸（principal components regression，PCR）法、PLS的建模，用校正集樣品建立校正模型，再做交叉檢驗（采用Leave-one-out方法），最后采用獨立的數據對模型進行外部驗證，SMLR以10 000～3 800 cm-1為研究區域，當建模決定系數（RC）達到0.8以上時根據TQ V8.0分析軟件內置最優波段選擇模塊確定入選波段，PCR和PLS以10 000～3 800 cm-1全波段建模，提取主成分個數，當累積貢獻率達0.95以上而RMSECV最小時確定主成分個數。最佳波段模型的穩健性采用RC及RMSECV評定，預測性通過預測決定系數（RP）、RMSEP及相對分析誤差（relative prediction deviation，RPD）評價，RP越大，RMSEP越小，說明模型的預測精度越高。當RPD＞2時，模型具有極好的預測能力；當1.4＜RPD＜2時，模型可對樣品作粗略估測；而當RPD＜1.4時，模型無法對樣品進行預測[12]，以此比較確定合適的預處理方法和建模方法。

每組實驗均進行3 次重復。根據TQ V8.0分析軟件進行光譜處理及定量分析模型的建立。

2 結果與分析

2.1 葵花籽油近紅外透射光譜

NIR反映的是不同的化學鍵特別是C—H的一級和二級伸縮振動及其合頻振動，從圖1可看出，樣品在10 000～8 500 cm-1區間內曲線平滑，吸光度變化不大，而在8 265、7 185、及7 100、5 829～5 767 cm-1和4 800 cm-1附近出現強吸收峰，8 500～8 000 cm-1處為甲基與亞甲基—OH鍵的二級倍頻伸縮振動的吸收信息；7 300～7 000 cm-1處是亞甲基的第一組合頻伸縮振動吸收信息[13]；5 829cm-1和5 767 cm-1則與油脂中的—CH3、—CH2、—C=C—中的C—H的第一合頻有關，5 000～4 500 cm-1處是—OH鍵的合頻伸縮振動吸收信息[14]。隨著氧化程度的增加，5 829 cm-1的吸收峰逐漸減小，4 800 cm-1處的吸收峰逐漸增大，這可能與氧化過程中不飽和雙鍵的減少及含有—OH的氧化產物的增加有關[15]。

2.2 葵花油理化指標偏最小定量回歸模型

2.2.1 PLS模型的最佳因子數的確定

PLS是NIR定量分析中應用最廣泛的方法之一，選擇合適的因子數影響結果的精度及準確性。而所使用的TQ V8.0分析軟件本身自帶最佳因子數推薦模塊，為檢驗軟件推薦方法最終結果的準確性，采取傳統的依據RMSECV最小及RC值確定校正模型的主成分因子數。由圖2可知，以p-茴香胺值為例，當因子數增加時，回歸系數增大，RMSECV值先減小后緩慢增大。當因子數小于5時，為擬合不足；因子數大于8時，屬于過度擬合。根據最小RMSECV值并考慮回歸系數，選擇最佳因子數6或7時，RC與RMSECV基本無變化，以此方法確定的共軛二烯、共軛三烯、總極性化合物模型的最佳因子數分別為7、6或者7、7。

圖2 各指標PLS模型中不同因子數下的RC與RMSECV值SECVFig.2 RCand RMSECV values at different numbers of factors

2.2.2 不同預處理方法對PLS模型的影響

為提高模型的精度，對光譜進行不同的預處理，包括MSC、歸一化處理、導數及平滑處理，采用不同預處理方法所建立的PLS模型的結果如表2所示。

表2 基于偏最小二乘法建立的-茴香胺值的近紅外模型及檢驗Table 2 Calibration and validation results for the estimation models of p-AV based on PLS

表3 基于偏最小二乘法建立的K232的近紅外模型及檢驗Table 3 Calibration and validation results for the estimation models of K232based on PLLSS

表4 基于偏最小二乘法建立的K270的近紅外模型及檢驗TTaabbllee 44 CCaalliibbrraattiioonn aanndd vvaalliiddaattiioonn rreessuullttss ffoorr tthhee eessttiimmaattiioonn mmooddeellss ooffK270based on PLSLS

表5 基于偏最小二乘法建立的TPC的近紅外模型及檢驗Table 5 Calibration and validation results for the estimation models of TPC based on PLS

由表2～5可知，不同的預處理方法所建立的預測模型效果有差異。原始光譜經過信號校正（MSC、SNV）后，其誤差增大，表現為RMSECV的增大或者RPD則降低，這是由于MSC、SNV主要針對漫反射中固體顆粒大小、表面散射及光程變化對NIR的影響進行消除，對透射光譜處理后使噪聲增加，從而使得預測相對偏差增大[16]。導數處理后模型預測效果明顯優于原始光譜模型，Norris平滑處理明顯優于S-G處理，p-AV、K232、K270、TPC的PLS模型的最佳處理方式分別為Norris二階導數、Norris一階導數、原始光譜、原始光譜；為其中采用二階導數結合Norris平滑得到的模型效果最優。

2.2.3 不同建模方法的比較

除PLS之外，SMLR及PCR可同樣用于定量分析模型，SMLR是經過反復搜索，選擇出包含待測成分信息量最大的波長點，根據這些波長點的吸光度與樣品組分含量的線性函數組成的線性方程，并依據建立的預測標準差最小的原則得到最優波長組合從而對待測樣品進行精確預測。PCR是先求出樣品集光譜矩陣的主成分矩陣，再建立樣品成分含量矩陣與主成分矩陣的線性關系，用所建立的線性函數來預測未知樣品。PLS是分別求出樣品集光譜矩陣和樣品組分矩陣的主成分矩陣，將這2個矩陣相關聯，求其線性關系，用所建立的線性函數來預測未知樣品[17]。比較應用不同建模方法得到的各理化指標模型（共軛二烯、共軛三烯、p-茴香胺值、總極性化合物）的校正及分析結果，以RC、RMSECV、RP、RPD為評價指標，從而選出最優模型。

表6 對比分析 SLMR、PCR、PLS模型的預測葵花籽油各理化指標的結果Table 6 Comparison of reliability of SLMR, PCR and PLS models for predicting physicochemical indicators of sunflower oil

由表6可以看出，不同的建模方法對RMSECV、RPD有很大影響，以RPD為判斷依據比較不同建模方法的影響，發現PLS、PCR優于SMLR，對于共軛二烯、p-茴香胺值、總極性化合物，PLS模型優于PCR，其RPD分別為7.43、10.67、13.48，而對于低含量的共軛三烯值，PCR模型的RPD為8.32，預測性能優于PLS模型（RPD為5.28）。此外，對于共軛二烯、共軛三烯值、p-茴香胺值，Norris平滑處理后的導數結果可明顯提高模型的精度。

如圖3所示，各模型的入選的最佳波段集中在7 000～5 500 cm-1的一倍頻區及5 200～4 500 cm-1的合頻區，共軛二烯、共軛三烯物紅外光譜的最佳吸收波段非常相似，主要在4 701.6～4 605 cm-1的C—H的一倍頻和合頻振動，7 096～6 822 cm-1的C—H的二倍頻伸縮振動及O—H的一頻振動[18]，p-茴香胺值、總極性化合物同樣具有相似的吸收波段，利用原始光譜建立的總極性化合物模型具有較高的精度，而p-茴香胺值所表征的不飽和醛類中的羰基在該波段特征不明顯[19]，需要求導放大信號以獲得最佳建模效果，而總極性化合物中包含的羥基、羧基與不飽和鍵的基團本身有相對強的吸收[20]，原始光譜特征明顯，易于提取有效信息。

圖3 共軛二烯、共軛三烯、p-p-茴香胺值、總極性化合物校正及預測結果Fig.3 Calibration and prediction results of conjugated diene, conjugated trienes, p-anisidine value, and total polar compounds

3 3 結 論

應用FT-NIR結合不同的定量分析方法建立葵花籽油4 種不同理化指標的快速預測模型。光譜的預處理能夠提高模型的預測精度，對逐步SMLR、PCR、PLS 3 種線性建模方法進行比較，顯示3 種建模方法中，PLS最好，其次是PCR，SMLR精度最低，而利用PCR建立的K270預測模型的精度最高。因此可通過不同的光譜處理方法、建模方法優化模型，以獲得最優的預測效果，研究可為實現不同氧化程度葵花籽油理化指標的快速、準確檢測。

參考文獻：

[1] 張海臣, 劉揚, 姜義東. 關于葵花油營養價值及制備的探討[J]. 食品科技, 2009, 34(6): 128-131.

[2] 李書國, 薛文通, 張惠. 食用油脂過氧化值分析檢測方法研究進展[J].糧食與油脂, 2007, 15(7): 35-38.

[3] 王立琦, 張禮勇, 朱秀超. 大豆油脂過氧化值的近紅外光譜分析[J].食品科學, 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, 陳哲, 張軍. 近紅外光譜法檢測甘油酸酯及游離脂肪酸[J]. 光譜實驗室, 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] 中國國家標準化管理委員會. GB/T 24304—2009 動植物油脂茴香胺值的測定[S]. 北京: 中國標準出版社, 2009.

[9] 中國國家標準化管理委員會. GB/T 509.202—2003 食用植物油煎炸過程中的極性化合物含量(PC)測定[S]. 北京: 中國標準出版社, 2003.

[10] 褚小立, 袁洪福, 陸婉珍. 近紅外光譜分析中光譜預處理及波長選擇方法進展與應用[J]. 化學進展, 2004, 16(4): 528-534.

[11] 張娟娟, 田永超, 姚霞. 基于近紅外光譜的土壤全氮含量估算模型[J].農業工程學報, 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. 近紅外光譜法對茶油化學成分及快速鑒偽的研究[D]. 北京: 中國林業科學研究院, 2012.

[14] HUACAI C, FULI L, ZHILAN W, et al. Quantitative anal ysis 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] 莊小麗, 相玉紅, 強洪. 近紅外光譜和化學計量學方法用于橄欖油品質分析與摻雜量檢測[J]. 光譜學與光譜分析, 2010, 30(4): 933-936.

[16] 陳蘭珍. 蜂蜜品質近紅外光譜評價技術研究[D]. 北京: 中國科學研究院, 2010: 52-53.

[17] 肖武, 李小昱, 李培武. 基于近紅外光譜土壤水分檢測模型的適應性[J]. 農業工程學報, 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): 1 085-1089.

[19] IVá N P R F, NURIA G T, SOLEDAD P M, et al. Kinetic study of olive oil degradation mo nitored 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.

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)

In this work, near-infrared spectroscopy (NIR) was applied for the rapid determination of 4 physicochemica l 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 smoo th ing 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 RCwere 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.

sunfl ower oil; physicochemical indicators; near-infrared spect roscopy; chemometry; partial least squares

TS227

A

1002-6630（2014）22-0135-06

10.7506/spkx1002-6630-201422025

2014-03-03

國家自然科學基金青年科學基金項目（NSFC31201365）；上海市科委重點攻關項目（11142200403）；上海市教委科研創新項目（11YZ109）

盧海燕（1988—），女，碩士研究生，研究方向為油脂品質快速檢測。E-mail：luhaiyan.12345@163.com *通信作者：王欣（1975—），女，副教授，博士，研究方向為食品安全控制與檢測。E-mail：wx0426951@126.com