基于紅外特征光譜的初榨椰子油摻假檢測技術研究

王揮+宋菲+曹飛宇+趙松林

摘 要 根據(jù)不同油脂的紅外光譜特性，建立偏最小二乘法（PLS）和反向傳遞神經(jīng)網(wǎng)絡（BP-ANN）判別分析模型，進行初榨椰子油中大豆油、玉米油、葵花籽油的摻假檢測分析。結果發(fā)現(xiàn)，PLS和BP-ANN模型均具有較好的摻假檢測分析能力，其中BP-ANN模型的分析效果最佳，其對初榨椰子油中大豆油、玉米油、葵花籽油進行摻假檢測的準確率均達到了99.67%以上，該方法可用來進行初榨椰子油的摻假分析，具有分辨率高、快速、簡便等特點。

關鍵詞 初榨椰子油 ；紅外光譜 ；摻假 ；油脂

中圖分類號 TS225.1 文獻標識碼 A Doi：10.12008/j.issn.1009-2196.2017.05.013

Adulteration Detection of Virgin Coconut Oil Based

on Characteristics of Infrared Spectra

WANG Hui SONG Fei CAO Feiyu ZHAO Songlin

（Coconut Research Institute， CATAS / Engineering and Technology Research Center

for Coconut Deep Process of Hainan Province， Wenchang， Hainan 571339）

Abstract According to the infrared spectral characteristics of different oils， a partial least squares （ PLS） and a back propagation artificial neural network （BP-ANN） discriminant analysis model were established to analyze the adulteration of soybean oil， corn oil and sunflower oil in virgin coconut oil. The results showed that both PLS and BP-ANN models had a good ability of quantitative detection， and the adulteration analysis was better in the BP-ANN model than in the PLS model. According to the analysis of the BP-0ANN model， the adulteration detection accuracy for virgin coconut oil mixed with soybean oil， corn oil and sunflower oil were more than 99.7%. This method could be used for adulteration quantitative detection of virgin coconut oil， and it was of high resolution， fast and easy to operate.

Keywords virgin coconut oil ； infrared spectra； adulteration ； oils and fats

紅外光譜是由分子中基團原子間振動躍遷時吸收紅外光所產(chǎn)生的，有機化合物的各種化學基團在紅外區(qū)域都會出現(xiàn)相應的特征吸收峰，因此可以通過對紅外區(qū)域吸收峰的位置、強度和形狀進行分析，進而對被檢測物的結構和官能團進行判別[1]。紅外光譜分析因其具有靈敏度高、分辨率高、分析速度快、消耗樣品少、不破壞樣品等優(yōu)點[2-4]，近年來，在食品品質(zhì)的快速或在線檢測分析中具有廣泛的應用[5-7]，在食品真?zhèn)魏彤a(chǎn)地的快速鑒別中尤其引人關注[8]。

本研究以傅里葉紅外光譜分析技術為切入點，對比分析初榨椰子油、葵花籽油、玉米油和大豆油的紅外光譜特性。在此基礎上，進一步構建偏最小二乘法（PLS）和反向傳遞神經(jīng)網(wǎng)絡（BP-ANN）判別分析模型，對初榨椰子油中葵花籽油、玉米油和大豆油的摻假監(jiān)測分析研究，以期通過模型的篩選與優(yōu)化，篩選出一種基于紅外光譜的初榨椰子油摻假檢測分析方法。

1 材料和方法

1.1 材料

初榨椰子油，中國熱帶農(nóng)業(yè)科學院椰子研究所提供；大豆油、葵花籽油、玉米油購于海口市某超市。

1.2 方法

1.2.1 摻假油樣的制備

分別將大豆油、玉米油和葵花籽油摻入初榨椰子油，制備初榨椰子油摻大豆油、初榨椰子油摻玉米油和初榨椰子油摻葵花籽油的摻假油樣。摻假濃度為1%～30%（g/g），共30個濃度梯度（以1%為間隔），設3次重復，每個摻假類別共有90個油樣。超聲波振蕩30 min后，錫箔紙包裹，4℃冰箱中儲放待測。

1.2.2 紅外光譜采集

儀器設備：傅里葉紅外儀；型號：Spectrum100；品牌：Perkin Elmer；技術參數(shù)[9]：掃描波數(shù)范圍400～4 000 cm-1，掃描次數(shù)32次，分辨率4 cm-1，以空氣為背景圖，采用涂膜法進樣，統(tǒng)一進樣量為13 μL。

1.3 數(shù)據(jù)分析

采用Unscrambler9.7、Neuroshell2、Matlab、Origin等軟件進行數(shù)據(jù)預處理和化學計量模型建立。采用平滑法（Smoothing）、歸一化（Normalization）法、多元散射校正（MSC）、標準歸一化（SNV）、導數(shù)（Derivatives）進行光譜的預處理。

2 結果與分析

2.1 初榨椰子油、葵花籽油、玉米油、大豆油紅外光譜分析

初榨椰子油、大豆油、玉米油、葵花籽油的紅外光譜見圖1。由圖1可知，在0～4 000 cm-1波數(shù)范圍內(nèi)，初榨椰子油與葵花籽油、玉米油和大豆油的紅外光譜特性具有較高的相似度，隨著掃描波長的增大，4種植物油均先后在720、1 200、1 500、2 900 cm-1附近出現(xiàn)紅外峰，峰型相似。初榨椰子油與其他植物油紅外光譜的最大區(qū)別是在3 008 cm-1處，大豆油、玉米油、葵花籽油的紅外光譜均出現(xiàn)了一個明顯的肩峰，而初榨椰子油在此處的光譜較為平滑，并沒有紅外峰出現(xiàn)。此外，不同植物油的峰強也具有較大的差異。

有研究發(fā)現(xiàn)，順式C=CH基團的伸縮振動是引起油脂在3 008 cm-1處出現(xiàn)紅外峰的主要原因[10-11]。大豆油、玉米油、葵花籽油都是典型的不飽和性油脂，其脂肪酸中均含有大量的不飽和順式C=CH基團，而初榨椰子油的飽和度在90%以上，所以其不飽和順式C=CH基團的含量顯著低于其他植物油，進而造成了初榨椰子油與其他植物油在3008 cm-1的峰型差異。此外，不同油脂的脂肪酸種類以及C-O、C=O、C-O-C等基團數(shù)量均具有較大差異，這種差異也就造成了不同油脂紅外峰峰值的差異。油脂中還富含游離脂肪酸、維生素E、甾醇、色素及其他微量元素，也是造成不同油脂峰型差異的一個重要原因。

2.2 摻假初榨椰子油的紅外光譜分析

以玉米油為例，分析紅外光譜技術進行初榨椰子油摻假檢測的可行性。圖2為摻入不同質(zhì)量分數(shù)玉米油后初榨椰子油的紅外光譜（500～700 cm-1）變化。結果發(fā)現(xiàn)，隨著摻混油類濃度的增加，紅外光譜的吸收峰強度呈現(xiàn)出了逐步增大的趨勢，且具有較強的規(guī)律性，表明摻假含量與紅外光譜強度的變化之間具有一定的相關性，初步證明了該方法的可行性。

2.3 PLS模型建立與分析

PLS是多元統(tǒng)計數(shù)據(jù)分析方法，該方法綜合了多元線性回歸和主成分分析的優(yōu)勢，具有預測能力強、樣本需求量少、模型相對簡單等特點[8]，在無損定量分析中具有非常廣泛的應用。本研究對同一摻假體系的90個初榨椰子油摻假樣品進行紅外分析，隨機挑選60組紅外光譜數(shù)據(jù)作為訓練集，其余30組數(shù)據(jù)作為預測集，建立紅外光譜與分類變量的PLS判別分析模型，考察訓練集均方差根（RMSECV）、預測集均方差根（RMSEP）與主成分數(shù)之間的變化規(guī)律（圖3～5），確定最優(yōu)的分析光譜范圍和預處理方法，預測結果見表1。預測結果顯示，利用紅外光譜數(shù)據(jù)建立PLS分析模型，能夠達到識別初榨椰子油中食用油摻假的目的，其對初榨椰子油中大豆油、玉米油、葵花籽油進行摻假檢測的準確率分別達到了96.03%、97.07%和94.47%。

2.4 BP-ANN模型建立與分析

利用BP-ANN建立濃度預測模型，首先采用小波變換處理，將原有的紅外光譜信息進行了分解壓縮，擴大有效信號的比重。經(jīng)數(shù)據(jù)分析確定最佳網(wǎng)絡結構的各層節(jié)點為輸入層（100個）—隱含層（10個）—輸出層（1個），學習方法為學習速率0.03，動量0.1，初始權重0.2，最小誤差0.0001，作用函數(shù)為tanh。由表2可知，利用紅外光譜數(shù)據(jù)建立BP-ANN分析模型，能夠?qū)Τ跽ヒ佑椭写蠖褂汀⒂衩子汀⒖ㄗ延瓦M行準確的摻假檢測，其準確率達99.67%以上。

2.5 模型驗證與定量分析

利用BP-ANN模型對已知濃度的摻假樣品進行檢測分析，驗證模型的定量檢測分析能力，結果見表3（僅列舉摻假濃度為4%、8%、12%、16%、20%、24%、28%的樣品）。由表3可知，當摻假濃度大于4%時，BP-ANN模型具有較強的檢測分析能力，預測濃度的相對誤差普遍小于0.05，具有一定的實際應用價值。

3 結論

本研究對比分析了初榨椰子油、大豆油、玉米油、葵花籽油的紅外光譜特性，建立了PLS和BP-ANN判別分析模型，進行初榨椰子油摻假檢測分析研究。本研究結果表明，PLS和BP-ANN模型均具有較好的判別分析能力，其對初榨椰子油中大豆油、玉米油、葵花籽油進行摻假檢測的準確率分別達到了96.03%、97.07%、94.47%和99.71%、99.72%和99.67%。由此可見，可以利用紅外光譜結合BP-ANN模型進行初榨椰子油的摻假檢測分析，該方法具有分辨率高、快速、簡便等特點。

參考文獻

[1] 褚小立，袁洪福，陸婉珍，等. 近紅外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）： 528-542.

[2] Gozde G， Banu O. Detection of adulteration of extra-virgin olive oil by chemometric analysis of mid-infrared spectral data[J]. Food Chemistry，2009， 116（2）： 519-525.

[3] 李 娟，范 璐，畢艷蘭，等. 紅外、近紅外光譜簇類獨立軟模式方法識別植物調(diào)和油脂[J]. 分析化學，2010，38（4）： 475-482.

[4] 郝 勇，孫旭東，高榮杰，等. 基于可見/近紅外光譜與SIMCA和PLS-DA的臍橙品種識別[J]. 農(nóng)業(yè)工程學報，2010，26（12）： 373-377.

[5] Dupuy N， Galtier O， Ollivier D. Comparison between NIR，MIR，concatenated NIR and MIR analysis and hierarchical PLS model Application to virgin olive oil analysis[J]. Analytica Chimica Acta， 2010， 666（1）： 23-31.

[6] Katayoun J， Maryam P. Discrimination of edible oils and fats by combination of multivariate patternrecognition and FT-IR spectroscopy： A comparative study between differentmodeling methods[J]. Spectrochimica Acta Part A： Molecular and Biomolecular Spectroscopy， 2013（104）：175-181.

[7] Galtier O，Dupuy N，Dréau Y L. Geographic origins and compositions of virgin olive oils determinate by chemometric analysis of NIR spectra[J]. Analytica Chimica Acta， 2007， 599（1）： 136-144.

[8] 褚小立，陸婉珍. 近五年我國近紅外光譜分析技術研究與應用進展[J]. 光譜學與光譜分析，2014，34（10）：2 595-2 605.

[9] Che Man Y B， Setiowaty G. Determination of Anisidine value in thermally oxidized palm olein by fourier transform infrared spectroscopy[J]. JAOCS， 1999， 76（2）： 109-114.

[10] A M Marina， Y B Che Man. Virgin coconut oil： emerging functional food oil[J]. Trends in Food Science&Technology， 2009， 20（10）： 481-487.

[11] 張 琳，張黎明，李 燕，等. 偏最小二乘法在傅里葉變換紅外光譜中的應用及進展[J]. 光譜學與光譜分析，2005，25（10）：1610-1613.