基于近紅外光譜的四元調和食用油定量分析

李淑娟，卞?；?，李 倩，范清杰，陳嬌嬌

(1. 省部共建分離膜與膜過程國家重點實驗室，天津工業大學環境與化學工程學院，天津 300387；2. 天津格潤賽福科技有限公司，天津 300384)

食用調和油由兩種及兩種以上的精煉食用油按比例調配而成[1-2]，因此在營養方面比單一食用油豐富均衡，受到廣大消費者的青睞．但是，由于不同食用油價格存在較大差異，而調和油成分的定量分析又缺乏國家標準，致使許多商家加大低價食用油的比例以降低調和油的成本，從中獲取更多利潤[3-4]．因此，研究一種針對多元調和食用油的定量分析方法具有重要意義．目前調和油的檢測方法有多種，如氣相色譜法[5]、高效液相色譜法[6]、熒光光譜法[7-8]、紫外分光光度法[9]、紅外光譜法[10]、拉曼光譜法[11]和近紅外光譜法[12]等．其中近紅外光譜(near infra-red，NIR)技術具有快速、準確、無損等優勢[12-16]，是很有潛力的一種食用油定量分析方法．但是，近紅外光譜吸收較弱、譜峰重疊嚴重，因此需要借助化學計量學中的多元校正技術才能進行定量分析．偏最小二乘回歸(partial least square regression，PLS)因其具有簡單、快速、參數少、預測效果好等優點成為一種應用最為廣泛的多元校正方法[17-19]．目前，大多數研究只是采用多元校正方法對二元和三元調和油體系進行定量分析[20-22]，更高元數的調和油定量分析體系研究較少[23].另外，除了有用信息外，近紅外光譜信號中往往還混有噪聲和背景信息，且容易受到溫度、樣品狀態和雜散光等的影響[24-25]．因此，需要對光譜進行預處理后再建立模型，才能提高定量分析的準確度[17,25-26]．

本研究采用近紅外光譜作為檢測手段，考察了不同預處理方法的預處理效果，在最佳預處理方法的基礎上，建立偏最小二乘回歸模型，探討了化學計量學方法對四元調和油組分定量分析的可行性．

1 材料與方法

1.1 實驗樣品及儀器

實驗中調和油是以玉米油、大豆油、稻米油和芝麻油按不同比例配制而成．超市購買玉米油、大豆油、稻米油和芝麻油這4種植物油若干瓶．配制成51個四元調和油樣品，其中每種油的質量分數為 0%,～50%,，間隔 1%,，玉米油樣品質量分數按增序排列，其他油的含量隨機打亂，保證4種油之間的線性關系最?。趯嶒炃耙獙γ恳粋€油樣品進行超聲處理10,min，使調和油樣品充分混合均勻．選擇 2/3為訓練集用于定量模型建立，1/3為預測集對模型預測能力進行檢驗．

主要實驗儀器為 Vertex 70型多波段紅外/近紅外光譜儀(德國 Bruker公司)、FA2004型電子天平(上海舜宇恒平儀器有限公司)、吹風機、2,mm 樣品池、裝有酒精的洗瓶、一次性塑料滴管和51個10,mL玻璃瓶．

1.2 近紅外光譜采集

將上述食用調和油樣品取至光程為 2,mm的玻璃比色管中，以空氣為參比采集樣品的近紅外光譜．采樣波數范圍為 4,000～12,000,cm-1，分辨率為4,cm-1，樣品光譜掃描次數 32次，基線掃描 3次，作為背景保存，然后進行待測樣品掃描．每個樣品掃描3次取平均作為該樣品的最終光譜．4種植物油和51個調和油樣品的近紅外光譜分別如圖1和圖2所示．

從圖1可以看出：4種實驗樣品油在整個光譜區的近紅外圖譜均很相似，而局部光譜只是存在略微的不同．從圖 2可以看出：調和油光譜也具有非常好的重合度，各個樣品的局部光譜也大同小異．圖 1和圖2相比較可以看出：4種植物油和調和油的近紅外光譜也是相近的，很難突出樣品之間成分的細小差異，需利用近紅外光譜技術結合化學計量學方法，達到各組分定量分析的目的．

圖1 4種植物油樣品的近紅外光譜圖Fig. 1 NIR spectra of 4 vegetable oil samples

圖2 51個四元調和油樣品的近紅外光譜圖Fig. 2 NIR spectra of 51 quaternary edible blended oil samples

1.3 光譜預處理方法選擇

實驗采集到的原始光譜除了包含與樣本相關的有用信息外，往往也摻雜著干擾信息，這對所建模型的質量和未知樣品的預測準確度將產生嚴重的影響.因此，在建立模型前，對光譜進行預處理以消除各種干擾變得十分關鍵．常用的預處理方法有平滑、標準正態變量(SNV)、多元散射校正(MSC)、一階導數、二階導數和連續小波變換(CWT)．理論上講，平滑主要消除噪聲信息，SNV、MSC是背景校正技術，主要消除雜散光信息，求導和 CWT是背景扣除技術，主要消除背景信息．然而，對于具體體系，哪種預處理方法效果最好，需要結合處理效果選?。虼?，本研究通過預測均方根誤差(RMSEP)考察了上述 6種預處理方法對不同組分的預處理效果，從而得到每種組分的最佳預處理方法．

1.4 模型建立

在最佳預處理方法基礎上，本實驗采用偏最小二乘回歸(partial least square regression，PLS)方法建立調和油定量分析模型．PLS是一種最常用的多元校正方法，其建模過程中的關鍵一步在于因子數(LV)的確定．因子數是原始光譜數據轉換到 PLS空間后應保留的最優模型維數．因子數的多少直接影響到模型的預測能力．因子數太少，會丟失部分有用信息，產生欠擬合；反之，因子數太多，可能將無用的信息也引入到模型中，產生過擬合，二者都會導致模型的預測能力降低．因此，需要確定合適的因子數以提高模型的預測能力．蒙特卡羅交叉驗證是最常用的一種確定因子數的方法[27]．本文根據蒙特卡羅交叉驗證的均方根誤差(RMSECV)隨因子數的變化確定PLS模型的因子數．采用最佳因子數建立 PLS模型后，將未知樣品的光譜代入到模型中，預測各組分油的含量．

2 結果與討論

2.1 偏最小二乘因子數的確定

為了確定 PLS模型的最佳因子數，因子數從 1變化到 25，間隔為 1，計算不同因子數下每個組分PLS模型的RMSECV值，得到了4種組分油的RMSECV分別隨著因子數的變化曲線，如圖3所示．

圖3 四元調和油樣品中各組分的RMSECV隨因子數的變化Fig. 3 Variation of RMSECV with latent variables for each component of quaternary edible blended oil samples

從圖3可以看出：玉米油的RMSECV隨著因子數的增加先急劇下降后緩慢上升，最后趨于平穩．在因子數為11時，其RMSECV最小，即玉米油的最佳因子數為 11．大豆油、稻米油和芝麻油組分的RMSECV雖然開始時隨著因子數增加有所波動，但總體上隨著因子數的增大先下降，分別在 14、14和20達到最低值后略微上升，最后趨于平穩．因此，大豆油、稻米油和芝麻油組分的最佳因子數分別為 14、14和20．

2.2 不同預處理方法參數的優化

本研究采用的 6種預處理方法中，平滑、一階導數、二階導數的窗口大小對預測結果有較大的影響，CWT采用不同的小波函數及分解尺度得到的預測效果差異也較大．因此，需要對平滑、一階導數、二階導數的窗口參數及 CWT的小波函數及分解尺度參數進行優化．

平滑、一階導數和二階導數的窗口分別設置為3～59，間隔為2，計算不同窗口下的RMSEP，結果如圖4所示．

圖4 四元調和油樣品的RMSEP隨著窗口大小的變化Fig. 4 RMSEPs of quaternary edible blended oil samples with different window size

圖 4顯示了平滑(a)、一階導數(b)和二階導數(c)預處理時四元調和油樣品中各組分的 RMSEP隨著窗口大小的變化．從圖 4(a)可以看到：平滑預處理的RMSEP隨著窗口大小的增大而迅速的減小，但玉米油和大豆油的RMSEP下降到最小后緩慢上升，最后趨于平穩，因此RMSEP最小對應的最佳窗口大小分別為17和11；而稻米油和芝麻油的RMSEP下降后迅速上升，后來又下降并達到最小值，然后略有上升最終趨于平穩，由此得到最佳窗口大小分別為 59和 59．同樣從圖 4(b)和圖 4(c)可以看出：各組分一階導數和二階導數的 RMSEP隨著窗口大小的增大而迅速的減小，最后都慢慢趨于平穩．一階導數RMSEP最小時玉米油、大豆油、稻米油和芝麻油最佳窗口大小分別為 57、47、59和 57，二階導數RMSEP最小時玉米油、大豆油、稻米油和芝麻油最佳窗口大小分別為59、51、41和41．

圖5顯示了采用CWT預處理時，四元調和油樣品各組分的 RMSEP隨著分解尺度和小波函數的變化．本研究考察了 32個小波函數(Haar，db2，db3，…，db20，coif1，coif2，…，coif5，sym2，sym3，…，sym8等)，圖中以數字代表這32個小波函數．分解尺度從1變化到40，從圖5可以看出：最大分解尺度為40是合適的，因為當分解尺度達到40時4個組分的RMSEP都已經趨于穩定．開始時4個組分的RMSEP隨著分解尺度的增大而迅速減小，隨后緩慢下降，最后趨于平穩，而隨著小波函數的改變變化不大．因此，分解尺度對小波變換的影響程度要大于小波函數．每個子圖RMSEP最小值對應的分解尺度和小波函數確定為每個組分 CWT的最佳參數，即玉米油、大豆油、稻米油和芝麻油的最佳小波函數和分解尺度分別為 sym4、db13、sym8、Haar以及 40、34、32、34．

圖5 四元調和油樣品組分的RMSEP隨著分解尺度和小波函數的變化Fig. 5 RMSEPs with different decomposition scales and wavelet functions

2.3 不同組分預處理方法的選擇

確定了最佳預處理參數后，采用平滑、SNV、MSC、一階導數、二階導數和 CWT預處理方法對原始光譜進行預處理，再建立PLS模型，得到了不同預處理方法對四元調和油中各組分預測的RMSEP值，見表1．

表1 各預處理方法對四元調和油各組分預測 RMSEP值比較Tab. 1 Comparison of different pretreatment methods in terms of RMSEPs for each component of quarternary edible blended oil

對于玉米油組分，與未經預處理的 PLS預測結果相比，經過 SNV和 MSC處理后預測準確度的提高效果并不明顯．這是因為 SNV和 MSC主要去除雜散光的影響，而從圖 2中可以看出，原始數據光譜的重合度非常好，說明信號本身受雜散光的影響較?。涍^ CWT處理后的 RMSEP為 2.597,8，為所有預處理方法中的最小值，預測準確度提高程度最大．因此，CWT為定量分析玉米油組分的最佳預處理方法．其他 3種組分的最佳預處理方法通過同樣的方法可以得出，大豆油、稻米油和芝麻油最佳預處理方法分別為CWT、平滑和一階導數．

2.4 預測結果

采用上述討論得到的各組分最佳預處理方法結合 PLS建立模型，對預測集中的玉米油、大豆油、稻米油和芝麻油組分分別進行預測，預測值與真實值的關系如圖 6所示．為了進行比較，四元調和油各組分未經過預處理的 PLS模型的預測結果也顯示在圖6中．

圖6 四元調和油樣品的預測值與真實值的關系Fig. 6 Relationship between the predicted and prepared values of PLS

在圖中，每個散點都是以真實值為橫坐標、預測值為縱坐標的點．經過比較可以看出，經過最佳預處理后的模型的斜率更接近 1，截距更接近于 0，所以得到的擬合效果更好．從圖 6可以看出，預處理后比預處理前的預測值與真實值的線性相關性有了很大的提高．玉米油、大豆油、稻米油和芝麻油的相關系數 R 分別從預處理前的 0.884,4、0.964,0、0.956,6、0.977,0提高到預處理后的 0.980,0、0.988,7、0.984,7、0.988,9，4種組分的相關系數都提高到0.98以上．表明經過最佳預處理后所建 PLS模型的預測能力有較大提高，能夠獲得更準確的預測結果．因此，近紅外光譜技術結合適當的化學計量學方法可以很好地實現四元調和油中各組分的準確、快速定量．

采用最佳預處理方法對近紅外光譜數據進行預處理，能夠更好地濾除非相關因素的干擾，提高模型信噪比．結果表明，經過最佳預處理后PLS法建立的模型為四元食用調和油含量定量分析的最佳模型．幫助．

3 結 語

本研究應用近紅外光譜技術對四元食用調和油各組分進行了準確定量檢測．運用各組分最佳預處理方法對近紅外光譜數據進行預處理，結合 PLS建立了調和油組分含量的定量分析模型．對于未知樣品，該模型的預測結果準確度較未經處理過的提高了1%～10%,，相關系數達到 0.98以上．本研究驗證了近紅外光譜技術結合化學計量學方法對四元調和油進行分析的可行性，有望用于實際調和油中組分的定量分析．實際調和油中油脂種類多達十幾種，本研究仍需要進一步研究五元、六元及更高元數的模擬調和油．

［1］ 劉燕德，靳曇曇，王海陽. 基于拉曼光譜的三組分食用調和油快速定量檢測[J]. 光學精密工程，2015，23(9)：2490-2496.

［2］ Xu J，Liu X F，Wang Y T. A detection method of vegetable oils in edible blended oil based on three-dimensional fluorescence spectroscopy technique[J]. Food Chemistry，2016，212：72-77.

［3］ 徐婧，侯培國，王玉田，等. 基于特征峰值積分法的調和油組分含量的測量[J]. 光譜學與光譜分析，2016，36(1)：298-302.

［4］ 梁丹. 應用近紅外光譜聚類分析法快速鑒別植物油品種的研究[J]. 科學與財富，2015(33)：245-246.

［5］ 閔征橋，劉金勇，高盼，等. 用氣相色譜法測定食用植物調和油配方的研究[J]. 糧食與食品工業，2013，20(3)：11-14.

［6］ Maíra F，Annibal D P N. Optimization and application of methods of triacylglycerol evaluation for characterization of olive oil adulteration by soybean oil with HPLCAPCI-MS-MS[J]. Talanta，2010，81(3)：1116-1125.

［7］ Xu J，Wang Y T，Liu X F. A novel quantitative analysis method of three-dimensional fluorescence spectra for vegetable oils contents in edible blend oil[J]. Optics and Spectroscopy，2015，118(4)：663-667.

［8］ 吳希軍，田瑞玲，孫夢菲，等. 基于熒光光譜及矩陣分析的植物油鑒別技術[J]. 光譜學與光譜分析，2016，36(7)：2155-2161.

［9］ 張霖霖，周勇強，謝浩東，等. 紫外分光光度法直接測定廢水中微量油的研究[J]. 光譜學與光譜分析，2001，21(5)：716-718.

［10］ 李娟，范璐，畢艷蘭，等. 紅外、近紅外光譜-簇類的獨立軟模式方法識別植物調和油脂[J]. 分析化學，2010，38(4)：475-482.

［11］ Bin J，Ai F F，Fan W，et al. Rapid determination of unsaturated fatty acids in vegetable oil by Raman spectroscopy and chemometrics[J]. Analytical Letters，2016，49(6)：831-842.

［12］ Muresan V，Danthine S，Muresan A E，et al. In situ analysis of lipid oxidation in oil seed-based food products using near-infrared spectroscopy and chemometrics：The sunflower kernel paste(tahini)example[J]. Talanta，2016，155：336-346.

［13］ Li S F，Zhang X，Shan Y，et al. Qualitative and quantitative detection of honey adulterated with high-fructose corn syrup and maltose syrup by using near-infrared spectroscopy[J]. Food Chemistry，2017，218：231-236.

［14］ Alves J C L，Poppi R J. Quantification of conventional and advanced biofuels contents in diesel fuel blends using near-infrared spectroscopy and multivariate calibration[J]. Fuel，2016，165：379-388.

［15］ Kang Q，Ru Q G，Liu Y，et al. On-line monitoring the extract process of Fu-fang Shuanghua oral solution using near infrared spectroscopy and different PLS algorithms[J]. Spectrochimica Acta Part A：Molecular and Biomolecular Spectroscopy，2016，152：431-437.

［16］ 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)：2595-2605.

［17］ Bian X H，Chen D，Cai W S，et al. Rapid determination of metabolites in bio-fluid samples by Raman spectroscopy and optimum combinations of chemometric methods[J]. Chinese Journal of Chemistry，2011，29(11)：2525-2532.

［18］ Wold S，Ruhe A，Wold H，et al. The collinearity problem in linear regression. The partial least squares (PLS) approach to generalized inverses[J]. SIAM Journal on Scientific and Statistical Computing，1984，5(3)：735-743.

［19］ Mao Z Y，Shan R F，Wang J J，et al. Optimizing the models for rapid determination of chlorogenic acid，scopoletin and rutin in plant samples by near-infrared diffuse reflectance spectroscopy[J]. Spectrochimica Acta Part A：Molecular and Biomolecular Spectroscopy，2014，128：711-715.

［20］ 張嚴，謝巖黎，孫淑敏. 近紅外光譜結合化學計量學方法在油脂檢測中的應用[J]. 糧食與油脂，2015，28(1)：66-68.

［21］ 劉福莉，陳華才. 近紅外透射光譜法檢測三組分食用調和油含量的研究[J]. 光譜學與光譜分析，2009，29(8)：2099-2102.

［22］ Jovic O，Smolic T，Primozic I，et al. Spectroscopic and chemometric analysis of binary and ternary edible oil mixtures：Qualitative and quantitative study[J]. Analytical Chemistry，2016，88(8)：4516-4524.

［23］ 謝巖黎，何保山，任丹丹. 新型食用調和油的配方設計及分析[J]. 河南工業大學學報：自然科學版，2009，30(4)：29-31.

［24］ Bian X H，Li S J，Shao X G，et al. Variable space boosting partial least squares for multivariate calibration of near-infrared spectroscopy[J]. Chemometrics and Intelligent Laboratory Systems，2016，158：174-179.

［25］ 褚小立，袁洪福，陸婉珍. 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.

［26］ Engel J，Gerretzen J，Szymańska E，et al. Breaking with trends in pre-processing?[J]. Trends in Analytical Chemistry，2013，50：96-106.

［27］ Xu Q S，Liang Y Z. Monte Carlo cross validation[J].Chemometrics and Intelligent Laboratory Systems，2001，56(1)：1-11.