[發(fā)明專利]一種基于近紅外光譜及化學(xué)計(jì)量學(xué)的五元調(diào)和油定量分析方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201611024473.0
• 申請(qǐng)日: 2016-11-15
• 公開(kāi)（公告）號(hào): CN107036999A
• 公開(kāi)（公告）日: 2017-08-11
• 發(fā)明（設(shè)計(jì)）人: 卞希慧;李倩;第五鵬瑤;殷浩楠;初園園
• 申請(qǐng)（專利權(quán)）人: 天津工業(yè)大學(xué)
• 主分類號(hào): G01N21/359
• 分類號(hào): G01N21/359;G01N1/38
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

技術(shù)領(lǐng)域

本發(fā)明屬于食品分析領(lǐng)域調(diào)和油的定量分析方法研究，涉及一種基于近紅外光譜及化學(xué)計(jì)量學(xué)的五元調(diào)和油定量分析方法。

背景技術(shù)

食用調(diào)和油是由兩種及兩種以上經(jīng)精煉的食用油按比例調(diào)配制成。由于調(diào)和油比單一食用油在營(yíng)養(yǎng)物質(zhì)方面豐富均衡，因而受到廣大消費(fèi)者的青睞。但是由于配制調(diào)和油所用的食用油在價(jià)格上存在較大差異，而調(diào)和油成分的定量分析又缺乏國(guó)家標(biāo)準(zhǔn)，因此許多不法商家為了獲得更大的利益便會(huì)加大低價(jià)食用油的比例來(lái)降低調(diào)和油的成本。市場(chǎng)上大多數(shù)調(diào)和油往往只標(biāo)注了有哪些成分，并沒(méi)有標(biāo)注每種成分所占的比例，或者所標(biāo)注的比例與實(shí)際不符。因此，研究一種針對(duì)多元調(diào)和油準(zhǔn)確定量分析的方法具有重要意義。

目前調(diào)和油的檢測(cè)方法有氣相色譜法、高效液相色譜法、熒光光譜法、紫外分光光度法、紅外光譜法和拉曼光譜法等。盡管這些方法都能得到較好的預(yù)測(cè)效果，但是也存在一些局限，如氣相色譜法和高效液相色譜法操作費(fèi)時(shí)費(fèi)力且樣品預(yù)處理復(fù)雜；紫外光譜區(qū)分度不高等。近紅外光譜技術(shù)由于其快速、無(wú)損、無(wú)需樣品預(yù)處理等優(yōu)點(diǎn)成為農(nóng)產(chǎn)品分析及食品分析的首選方法。但是近紅外光譜信號(hào)較弱，譜峰重疊嚴(yán)重，需要借助化學(xué)計(jì)量學(xué)中的多元校正方法才能進(jìn)行定量分析。多元校正方法主要有主成分回歸法(PCR)、人工神經(jīng)網(wǎng)絡(luò)法(ANN)和偏最小二乘回歸(PLS)等方法，其中PLS因其參數(shù)少、簡(jiǎn)單、快速等優(yōu)點(diǎn)成為應(yīng)用最為廣泛的多元校正方法。目前已有很多研究探討多元校正對(duì)調(diào)和油進(jìn)行定量分析的可行性，然而大多數(shù)研究只是針對(duì)二元和三元調(diào)和油體系，更多元數(shù)的調(diào)和油定量分析研究較少。

食用油等復(fù)雜樣品的近紅外光譜中除了有用信息外，往往包含大量的冗余波長(zhǎng)信息；所采集的光譜信息容易受到測(cè)試條件如溫度、噪聲和雜散光等的影響。這些因素會(huì)導(dǎo)致多元校正方法的預(yù)測(cè)準(zhǔn)確度降低。因此，需要采用合適的預(yù)處理以及波長(zhǎng)選擇方法對(duì)光譜進(jìn)行處理，以消除上述因素的影響。前者有平滑、標(biāo)準(zhǔn)正態(tài)變量(SNV)、多元散射校正(MSC)、求導(dǎo)和連續(xù)小波變換(CWT)等。后者有遺傳算法(GA)、無(wú)信息變量消除(UVE)、蒙特卡羅-無(wú)信息變量消除(MC-UVE)和隨機(jī)檢驗(yàn)(RT)等。理論上講，平滑主要消除噪聲信息，SNV、MSC是背景校正技術(shù)，主要消除雜散光信息，求導(dǎo)和CWT是背景扣除技術(shù)，主要消除背景信息，波長(zhǎng)選擇方法主要選擇與預(yù)測(cè)目標(biāo)組分相關(guān)的波長(zhǎng)點(diǎn)。然而，對(duì)于具體體系，哪種方法處理方法效果最好，需要結(jié)合處理效果選取。

發(fā)明內(nèi)容

本發(fā)明的目的是針對(duì)上述存在的問(wèn)題，以近紅外光譜作為測(cè)試手段，優(yōu)化光譜數(shù)據(jù)處理方法，再建立多元校正模型，提供一種五元調(diào)和油定量分析方法。

為實(shí)現(xiàn)本發(fā)明所提供的技術(shù)方案包括以下步驟：

1)配制實(shí)驗(yàn)樣品并采集樣品的近紅外光譜

分別從天津大型超市購(gòu)買(mǎi)五種單一的食用油樣品若干并由這五種單一的食用油配制調(diào)和油樣品。其中每種油的質(zhì)量百分?jǐn)?shù)為0～40％，間隔為0.8％，共設(shè)計(jì)51個(gè)濃度。將五種油的51個(gè)濃度分別隨機(jī)打亂并保證1個(gè)樣品中五種油的質(zhì)量百分?jǐn)?shù)總和為100％。按照設(shè)計(jì)好的每個(gè)調(diào)和油樣品中五種油的濃度逐一配制調(diào)和油樣品。設(shè)置近紅外儀器的參數(shù)，掃描所有樣品的近紅外光譜。

2)確定偏最小二乘方法的因子數(shù)

根據(jù)蒙特卡羅交叉驗(yàn)證的交叉驗(yàn)證均方根誤差(RMSECV)隨因子數(shù)(LV)的變化確定偏最小二乘模型的因子數(shù)，RMSECV最小值對(duì)應(yīng)的因子數(shù)為最佳因子數(shù)。

3)使用不同數(shù)據(jù)處理方法及其組合對(duì)光譜信號(hào)進(jìn)行處理

根據(jù)預(yù)測(cè)均方根誤差(RMSEP)隨著窗口的變化確定SG平滑及求導(dǎo)的窗口大小；根據(jù)RMSEP隨著小波函數(shù)及分解尺度的變化確定CWT的小波函數(shù)及分解尺度。在最佳參數(shù)下，考察SG平滑法、SNV、MSC、一階導(dǎo)數(shù)(1^st Der)、二階導(dǎo)數(shù)(2^nd Der)、CWT等預(yù)處理方法及其組合SNV+1^st Der、MSC+1^st Der、SNV+2^nd Der、MSC+2^nd Der、SNV+CWT、MSC+CWT對(duì)光譜進(jìn)行預(yù)處理的效果。得到最佳預(yù)處理方法后，再考察UVE、MCUVE、RT的波長(zhǎng)選擇效果，確定最佳預(yù)處理-波長(zhǎng)選擇方法。

4)利用偏最小二乘方法對(duì)處理后的數(shù)據(jù)建模

采用最佳預(yù)處理-波長(zhǎng)選擇方法處理光譜數(shù)據(jù)后，再建立偏最小二乘回歸模型。將未知樣品的光譜代入到模型中，預(yù)測(cè)五元調(diào)和油中各種油份比例。