[发明专利]一种基于近红外光谱及化学计量学的五元调和油定量分析方法

说明书

技术领域

本发明属于食品分析领域调和油的定量分析方法研究，涉及一种基于近红外光谱及化学计量学的五元调和油定量分析方法。

背景技术

食用调和油是由两种及两种以上经精炼的食用油按比例调配制成。由于调和油比单一食用油在营养物质方面丰富均衡，因而受到广大消费者的青睐。但是由于配制调和油所用的食用油在价格上存在较大差异，而调和油成分的定量分析又缺乏国家标准，因此许多不法商家为了获得更大的利益便会加大低价食用油的比例来降低调和油的成本。市场上大多数调和油往往只标注了有哪些成分，并没有标注每种成分所占的比例，或者所标注的比例与实际不符。因此，研究一种针对多元调和油准确定量分析的方法具有重要意义。

目前调和油的检测方法有气相色谱法、高效液相色谱法、荧光光谱法、紫外分光光度法、红外光谱法和拉曼光谱法等。尽管这些方法都能得到较好的预测效果，但是也存在一些局限，如气相色谱法和高效液相色谱法操作费时费力且样品预处理复杂；紫外光谱区分度不高等。近红外光谱技术由于其快速、无损、无需样品预处理等优点成为农产品分析及食品分析的首选方法。但是近红外光谱信号较弱，谱峰重叠严重，需要借助化学计量学中的多元校正方法才能进行定量分析。多元校正方法主要有主成分回归法(PCR)、人工神经网络法(ANN)和偏最小二乘回归(PLS)等方法，其中PLS因其参数少、简单、快速等优点成为应用最为广泛的多元校正方法。目前已有很多研究探讨多元校正对调和油进行定量分析的可行性，然而大多数研究只是针对二元和三元调和油体系，更多元数的调和油定量分析研究较少。

食用油等复杂样品的近红外光谱中除了有用信息外，往往包含大量的冗余波长信息；所采集的光谱信息容易受到测试条件如温度、噪声和杂散光等的影响。这些因素会导致多元校正方法的预测准确度降低。因此，需要采用合适的预处理以及波长选择方法对光谱进行处理，以消除上述因素的影响。前者有平滑、标准正态变量(SNV)、多元散射校正(MSC)、求导和连续小波变换(CWT)等。后者有遗传算法(GA)、无信息变量消除(UVE)、蒙特卡罗-无信息变量消除(MC-UVE)和随机检验(RT)等。理论上讲，平滑主要消除噪声信息，SNV、MSC是背景校正技术，主要消除杂散光信息，求导和CWT是背景扣除技术，主要消除背景信息，波长选择方法主要选择与预测目标组分相关的波长点。然而，对于具体体系，哪种方法处理方法效果最好，需要结合处理效果选取。

发明内容

本发明的目的是针对上述存在的问题，以近红外光谱作为测试手段，优化光谱数据处理方法，再建立多元校正模型，提供一种五元调和油定量分析方法。

为实现本发明所提供的技术方案包括以下步骤：

1)配制实验样品并采集样品的近红外光谱

分别从天津大型超市购买五种单一的食用油样品若干并由这五种单一的食用油配制调和油样品。其中每种油的质量百分数为0～40％，间隔为0.8％，共设计51个浓度。将五种油的51个浓度分别随机打乱并保证1个样品中五种油的质量百分数总和为100％。按照设计好的每个调和油样品中五种油的浓度逐一配制调和油样品。设置近红外仪器的参数，扫描所有样品的近红外光谱。

2)确定偏最小二乘方法的因子数

根据蒙特卡罗交叉验证的交叉验证均方根误差(RMSECV)随因子数(LV)的变化确定偏最小二乘模型的因子数，RMSECV最小值对应的因子数为最佳因子数。

3)使用不同数据处理方法及其组合对光谱信号进行处理

根据预测均方根误差(RMSEP)随着窗口的变化确定SG平滑及求导的窗口大小；根据RMSEP随着小波函数及分解尺度的变化确定CWT的小波函数及分解尺度。在最佳参数下，考察SG平滑法、SNV、MSC、一阶导数(1^st Der)、二阶导数(2^nd Der)、CWT等预处理方法及其组合SNV+1^st Der、MSC+1^st Der、SNV+2^nd Der、MSC+2^nd Der、SNV+CWT、MSC+CWT对光谱进行预处理的效果。得到最佳预处理方法后，再考察UVE、MCUVE、RT的波长选择效果，确定最佳预处理-波长选择方法。

4)利用偏最小二乘方法对处理后的数据建模

采用最佳预处理-波长选择方法处理光谱数据后，再建立偏最小二乘回归模型。将未知样品的光谱代入到模型中，预测五元调和油中各种油份比例。