CN103398970B - 一种定性和定量分析食用油并进而检测地沟油的方法 - Google Patents
一种定性和定量分析食用油并进而检测地沟油的方法 Download PDFInfo
- Publication number
- CN103398970B CN103398970B CN201310312740.4A CN201310312740A CN103398970B CN 103398970 B CN103398970 B CN 103398970B CN 201310312740 A CN201310312740 A CN 201310312740A CN 103398970 B CN103398970 B CN 103398970B
- Authority
- CN
- China
- Prior art keywords
- oil
- model
- sample
- edible oil
- fatty acid
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 239000008157 edible vegetable oil Substances 0.000 title claims abstract description 119
- 239000003921 oil Substances 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 57
- 239000002699 waste material Substances 0.000 title claims abstract description 41
- 238000004451 qualitative analysis Methods 0.000 title claims abstract description 16
- 238000004445 quantitative analysis Methods 0.000 title claims abstract description 16
- 235000014113 dietary fatty acids Nutrition 0.000 claims abstract description 46
- 229930195729 fatty acid Natural products 0.000 claims abstract description 46
- 239000000194 fatty acid Substances 0.000 claims abstract description 46
- 150000004665 fatty acids Chemical class 0.000 claims abstract description 46
- 238000001237 Raman spectrum Methods 0.000 claims abstract description 27
- 239000000203 mixture Substances 0.000 claims abstract description 26
- 238000001157 Fourier transform infrared spectrum Methods 0.000 claims abstract description 14
- LQJBNNIYVWPHFW-UHFFFAOYSA-N 20:1omega9c fatty acid Natural products CCCCCCCCCCC=CCCCCCCCC(O)=O LQJBNNIYVWPHFW-UHFFFAOYSA-N 0.000 claims description 45
- WRIDQFICGBMAFQ-UHFFFAOYSA-N (E)-8-Octadecenoic acid Natural products CCCCCCCCCC=CCCCCCCC(O)=O WRIDQFICGBMAFQ-UHFFFAOYSA-N 0.000 claims description 43
- QSBYPNXLFMSGKH-UHFFFAOYSA-N 9-Heptadecensaeure Natural products CCCCCCCC=CCCCCCCCC(O)=O QSBYPNXLFMSGKH-UHFFFAOYSA-N 0.000 claims description 43
- ZQPPMHVWECSIRJ-UHFFFAOYSA-N Oleic acid Natural products CCCCCCCCC=CCCCCCCCC(O)=O ZQPPMHVWECSIRJ-UHFFFAOYSA-N 0.000 claims description 43
- 239000005642 Oleic acid Substances 0.000 claims description 43
- QXJSBBXBKPUZAA-UHFFFAOYSA-N isooleic acid Natural products CCCCCCCC=CCCCCCCCCC(O)=O QXJSBBXBKPUZAA-UHFFFAOYSA-N 0.000 claims description 43
- ZQPPMHVWECSIRJ-KTKRTIGZSA-N oleic acid Chemical compound CCCCCCCC\C=C/CCCCCCCC(O)=O ZQPPMHVWECSIRJ-KTKRTIGZSA-N 0.000 claims description 43
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 claims description 40
- 238000012360 testing method Methods 0.000 claims description 27
- 238000001228 spectrum Methods 0.000 claims description 26
- 238000005259 measurement Methods 0.000 claims description 14
- IPCSVZSSVZVIGE-UHFFFAOYSA-N hexadecanoic acid Chemical compound CCCCCCCCCCCCCCCC(O)=O IPCSVZSSVZVIGE-UHFFFAOYSA-N 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 9
- 239000010775 animal oil Substances 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 235000021314 Palmitic acid Nutrition 0.000 claims description 5
- 239000002253 acid Substances 0.000 claims description 5
- 238000005102 attenuated total reflection Methods 0.000 claims description 5
- WQEPLUUGTLDZJY-UHFFFAOYSA-N n-Pentadecanoic acid Natural products CCCCCCCCCCCCCCC(O)=O WQEPLUUGTLDZJY-UHFFFAOYSA-N 0.000 claims description 5
- 238000002360 preparation method Methods 0.000 claims description 5
- 238000001069 Raman spectroscopy Methods 0.000 claims description 4
- OYHQOLUKZRVURQ-NTGFUMLPSA-N (9Z,12Z)-9,10,12,13-tetratritiooctadeca-9,12-dienoic acid Chemical compound C(CCCCCCC\C(=C(/C\C(=C(/CCCCC)\[3H])\[3H])\[3H])\[3H])(=O)O OYHQOLUKZRVURQ-NTGFUMLPSA-N 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 150000002617 leukotrienes Chemical class 0.000 claims description 3
- 201000004569 Blindness Diseases 0.000 claims 1
- 239000000654 additive Substances 0.000 claims 1
- 230000000996 additive effect Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 5
- 235000019198 oils Nutrition 0.000 description 75
- 235000021313 oleic acid Nutrition 0.000 description 42
- 239000003549 soybean oil Substances 0.000 description 20
- 235000012424 soybean oil Nutrition 0.000 description 20
- 239000004006 olive oil Substances 0.000 description 13
- 235000008390 olive oil Nutrition 0.000 description 13
- 238000000513 principal component analysis Methods 0.000 description 13
- 239000011159 matrix material Substances 0.000 description 9
- 230000008901 benefit Effects 0.000 description 8
- 235000005687 corn oil Nutrition 0.000 description 8
- 239000002285 corn oil Substances 0.000 description 8
- 230000003595 spectral effect Effects 0.000 description 8
- 235000019485 Safflower oil Nutrition 0.000 description 7
- 239000003813 safflower oil Substances 0.000 description 7
- 235000005713 safflower oil Nutrition 0.000 description 7
- 241000196324 Embryophyta Species 0.000 description 6
- 235000019486 Sunflower oil Nutrition 0.000 description 6
- 239000000828 canola oil Substances 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 235000019197 fats Nutrition 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004611 spectroscopical analysis Methods 0.000 description 6
- 239000002600 sunflower oil Substances 0.000 description 6
- 235000019519 canola oil Nutrition 0.000 description 5
- 238000004817 gas chromatography Methods 0.000 description 5
- 238000002329 infrared spectrum Methods 0.000 description 5
- 241001465754 Metazoa Species 0.000 description 4
- 239000013078 crystal Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 235000013305 food Nutrition 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012797 qualification Methods 0.000 description 4
- 238000012113 quantitative test Methods 0.000 description 4
- 239000008159 sesame oil Substances 0.000 description 4
- 235000011803 sesame oil Nutrition 0.000 description 4
- 235000015112 vegetable and seed oil Nutrition 0.000 description 4
- 239000008158 vegetable oil Substances 0.000 description 4
- 238000000491 multivariate analysis Methods 0.000 description 3
- 229920006395 saturated elastomer Polymers 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 239000003760 tallow Substances 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- BITHHVVYSMSWAG-KTKRTIGZSA-N (11Z)-icos-11-enoic acid Chemical compound CCCCCCCC\C=C/CCCCCCCCCC(O)=O BITHHVVYSMSWAG-KTKRTIGZSA-N 0.000 description 2
- 244000068988 Glycine max Species 0.000 description 2
- 235000010469 Glycine max Nutrition 0.000 description 2
- 235000021355 Stearic acid Nutrition 0.000 description 2
- 240000008042 Zea mays Species 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 2
- 235000014121 butter Nutrition 0.000 description 2
- 238000004587 chromatography analysis Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 229940108623 eicosenoic acid Drugs 0.000 description 2
- BITHHVVYSMSWAG-UHFFFAOYSA-N eicosenoic acid Natural products CCCCCCCCC=CCCCCCCCCCC(O)=O BITHHVVYSMSWAG-UHFFFAOYSA-N 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 235000021281 monounsaturated fatty acids Nutrition 0.000 description 2
- QIQXTHQIDYTFRH-UHFFFAOYSA-N octadecanoic acid Chemical compound CCCCCCCCCCCCCCCCCC(O)=O QIQXTHQIDYTFRH-UHFFFAOYSA-N 0.000 description 2
- OQCDKBAXFALNLD-UHFFFAOYSA-N octadecanoic acid Natural products CCCCCCCC(C)CCCCCCCCC(O)=O OQCDKBAXFALNLD-UHFFFAOYSA-N 0.000 description 2
- 239000008171 pumpkin seed oil Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 150000004671 saturated fatty acids Chemical class 0.000 description 2
- 239000008117 stearic acid Substances 0.000 description 2
- 235000020238 sunflower seed Nutrition 0.000 description 2
- 238000004483 ATR-FTIR spectroscopy Methods 0.000 description 1
- 235000017060 Arachis glabrata Nutrition 0.000 description 1
- 244000105624 Arachis hypogaea Species 0.000 description 1
- 235000010777 Arachis hypogaea Nutrition 0.000 description 1
- 235000018262 Arachis monticola Nutrition 0.000 description 1
- 235000000832 Ayote Nutrition 0.000 description 1
- 240000002791 Brassica napus Species 0.000 description 1
- 235000004977 Brassica sinapistrum Nutrition 0.000 description 1
- 240000004244 Cucurbita moschata Species 0.000 description 1
- 235000009854 Cucurbita moschata Nutrition 0.000 description 1
- 235000009804 Cucurbita pepo subsp pepo Nutrition 0.000 description 1
- 241000662429 Fenerbahce Species 0.000 description 1
- 241000287828 Gallus gallus Species 0.000 description 1
- 240000007817 Olea europaea Species 0.000 description 1
- 235000019483 Peanut oil Nutrition 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- 235000003434 Sesamum indicum Nutrition 0.000 description 1
- 244000000231 Sesamum indicum Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000009120 camo Nutrition 0.000 description 1
- 239000011203 carbon fibre reinforced carbon Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 235000019387 fatty acid methyl ester Nutrition 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- VKOBVWXKNCXXDE-UHFFFAOYSA-N icosanoic acid Chemical compound CCCCCCCCCCCCCCCCCCCC(O)=O VKOBVWXKNCXXDE-UHFFFAOYSA-N 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- -1 linoleic acid, leukotrienes Chemical class 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 235000020232 peanut Nutrition 0.000 description 1
- 239000000312 peanut oil Substances 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 235000020777 polyunsaturated fatty acids Nutrition 0.000 description 1
- 235000015136 pumpkin Nutrition 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 235000003441 saturated fatty acids Nutrition 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- UFTFJSFQGQCHQW-UHFFFAOYSA-N triformin Chemical compound O=COCC(OC=O)COC=O UFTFJSFQGQCHQW-UHFFFAOYSA-N 0.000 description 1
- 235000021122 unsaturated fatty acids Nutrition 0.000 description 1
- 150000004670 unsaturated fatty acids Chemical class 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1293—Using chemometrical methods resolving multicomponent spectra
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种定性和定量分析食用油并进而检测地沟油的方法。该方法利用FT-NIR、FT-IR或拉曼光谱数据来建立油样的脂肪酸多变量模型,通过多变量模型产生定量和定性标记参数，这些表记参数组成一个模块化的数据库,最终通过综合分析数据库中单个或多个定量和定性标记参数来定性和定量分析食用油并进而检测地沟油。本发明首创的“混合食用油得分图”法可大致快速判断混合食用油或疑似地沟油的成分。
Description
技术领域
本发明属于食品检测领域，涉及一种定性和定量分析食用油并进而检测地沟油的方法。
背景技术
食用油（包括植物油和动物油）是人类生存所必需的营养物质，其生产，流通和消费，甚至废油的回收，对人类福祉都有巨大影响。有报道称，从餐馆垃圾等渠道回收的地沟油已经进入了中国食用油供应链（其数量可能高达年消费总量的10%），这已引起政府监管部门和普通消费者的普遍关注。
从食用油中鉴定和区分地沟油在科学界被证明是一个极具挑战性的工作。有几个因素造成这个现象。首先，地沟油来源非常多样化。第二，地沟油的化学成分与新鲜食用油很类似。第三，在许多情况下，可疑的食用油样品往往是回收的地沟油和纯正食用油的混合物。地沟油检测难度大还与食用油化学成分有关：它们或多或少都由相同的物质组成，即饱和与不饱和脂肪酸。另外即便是同一种食用油，其脂肪酸组成也会随着气候条件，植物品种，生产地点和制造工艺等不同而略有不同。
中国常用的食用油，例如大豆油，花生油，玉米油，葵花籽油，芝麻油等,都含多种脂肪酸,包括饱和脂肪酸（棕榈酸，16：0;硬脂酸，18:0），单不饱和脂肪酸（油酸，18:1;二十碳烯酸，20:1），和多不饱和脂肪酸（亚油酸，18:2;亚麻酸，18：3）。但每种食用油所含脂肪酸的相对量是不同的。
高品质的动物油（动物脂肪）含较多的饱和与单不饱和脂肪酸，在常温下呈固体状态。从餐馆回收的地沟油则可能含有多种植物油和动物油。例如猪油，牛油，羊油，鸡油等。
目前，气相色谱（GC）是检测食用油样品中的脂肪酸含量的常用方法，（例如ISO5508/9）。GC分析前，样品中的甘油三酯需要先被转化为脂肪酸甲基酯，然后经色谱柱分离后检测。然而，单从气相色谱分析的结果通常不足以识别和鉴定食用油。此外，当对大量样本进行分析时，此法因为时间和成本原因并不实用。
采用光谱对食用油样品进行快速和非破坏性测定,并结合多变量模型进行定性和定量分析正变得越来越流行。文献中报道的光谱技术包括紫外(UV-Vis)，FT-NIR（傅里叶变换近红外），FT-IR（傅里叶变换红外）和拉曼。通常定性和定量模型是建立在PCA（主成分分析法），PLS（偏最小二乘回归法）等化学计量学方法的基础上。
Lankmayr等人发表过“通过紫外，红外和近红外光谱对南瓜子油进行化学计量学检定”的方法。Lankmayr等人通过此法可以鉴定南瓜子油的质量。（文献：J.Biochem.Biophys.Methods,61(2004)95-106）。
Yang等人发表过“通过红外，近红外和拉曼光谱进行食用油和脂肪的鉴定分析”。他们使用这三种光谱技术，通过线性判别分析法（LDA）和Canonical变量分析法（CVA），成功区分了十种不同的食用油和油脂。FT-IR光谱结合Canonical变量分析法CVA达到了98％的鉴别准确率（文献：食品化学，93（2005）25-32）。
Sherazi等人发表过“利用SB-ATR-FTIR对植物油中主要脂肪酸进行分类"的结果。他们能够对饱和，反式，单-多不饱和脂肪酸进行定量分析，使用ATR-FT-IR光谱并结合通过GC得到的参照值，获得了极为精确的脂肪酸校正参数（文献：Talanta.80（2009年）600-606）。Luna等人发表过“使用中红外光谱和化学计量学方法建立物理化学模型来区分食用油”的成果。他们使用FT-IR，PLS-DA以及支持向量机的判别分析（SVM-DA）分类鉴别出一组四个食用油（菜籽，葵花籽，玉米和大豆油）的类型，且误差为零。（文献：Spectrochimica Acta.PartA.100（2013）109-114）。
关于通过脂肪酸含量和多变量数据分析来进行食用油分类也有过报道。BrodnjakVoncina等人发表过“通过脂肪酸定量来区分植物油的多变量数据分析”一文。他们能够区分一组由南瓜，葵花籽，花生，橄榄，大豆，油菜籽和玉米油等七种油组成的混合样品。其区分原理是基于对通过气象色谱方法得到的七个脂肪酸（棕榈酸，硬脂酸，油酸，亚油酸，亚麻酸，二十烷酸，二十碳烯酸）的基准值，而不是采用任何光谱数据（文献：Chemometics和智能实验室系统。75（2005）31-43）。
简要地总结一下：之前的一些研究已经证明近红外，红外和拉曼光谱，结合多变量数据分析，在食用油的分类和量化上是非常有用的。但（这些方法）有必要改进，使其不仅能够适用于更广泛的食用油类型，更具体的是能够判别好油和不好的油，并在成本和时间（时效）上具有可操作性。所有这些都是本发明的目的.
发明内容
本发明的目的是针对现有技术的上述缺陷，依据FT-NIR，FT-IR和拉曼光谱，提供一种定性和定量分析食用油并进而检测地沟油的方法。
本发明通过如下技术方案实现：
一种定性和定量分析食用油并进而检测地沟油的方法，包含以下步骤：
(1)定性鉴别纯正食用油步骤：选取市售纯正食用油样品作为校正集（含多种油样，且每种油样又有多款)），收集校正集的FT-IR，FT-NIR或拉曼光谱数据，用化学计量学方法建立多种脂肪酸的校正模型；选取与校正集相同种类和数量的纯正食用油作为验证集，收集验证集的FT-IR，FT-NIR或拉曼光谱数据，将验证集的FT-IR，FT-NIR或拉曼光谱数据用上述校正模型计算得到验证集样品的脂肪酸含量和相应的PLS因子得分，脂肪酸含量作为一类定性鉴别参数，定义为脂肪酸含量标记参数，相应的PLS因子得分作为另一类定性鉴别参数，定义为PLS因子得分标记参数，此二类定性鉴别参数被储存于一个数据库，在对一个未知样进行分析时得到的脂肪酸含量值和PLS因子得分，与数据库内验证集的标准值比较，不符者被定为混合油或地沟油疑似样品；
（2）定性鉴别混合油步骤：选取有代表性的混合油样品作为混合油校正集，采集混合油校正集的FT-IR，FT-NIR或拉曼光谱数据并建立PCA模型，并用PCA模型获得校正集的PCA因子得分以建立多个二维或三维“混合食用油得分图”,此类参数被用来定性鉴别含有多达四种成分的未知油样属于混合油或疑似地沟油；
（3）定量测定混合油或疑似地沟油中特征成分含量的步骤：选取定量配制的混合油样品作为校正集，收集校正集的FT-IR，FT-NIR或拉曼光谱数据建立PLS校正模型，并用模型测定未知游样中特征成分含量，以确定未知样是否为地沟油或含有地沟油成分的食用油。
发明详述
所述的FT-NIR光谱覆盖14000-4000cm-1或0.7-2.5μm的波长范围内。一种通常的方法是将样品油置于一个小玻璃试管中，试管则被置于近红外仪的光路中，在透射模式照射下获取样品光谱。脂肪酸分子对近红外吸收较弱，因此扫描样品无需被稀释或加工。食用油的近红外吸收峰很宽并缺少特征性，因此对其定性和定量分析是通过建立化学计量学模型来进行的。
所述的FT-IR光谱覆盖4000-400cm-1或2.5-25μm的波长范围内。食用油的FT-IR光谱，是通过一种称为衰减全反射（ATR）的特殊技术测量得到的。ATR光谱，也被称为内部反射光谱，是一种多用途的，在某些情况下非破坏性的技术，可用于获取包括液体，半固体，薄膜，和固体等各种样品的FT-IR光谱。测试时，样品被放置并接触到一个IR通透晶体表面（一个2×2毫米的小金刚石）,红外光从晶体的内表面上被部分反射，但一部分光源穿透晶体表面到达样品，被样品部分吸收。该方法无需对样品进行任何准备和处理，唯一的要求是样品必须与晶体表面紧密接触。ATR-FT-IR检测的快速，低成本特点，使其成为检测食用油的理想工具。
拉曼光谱记录化合物在振动过程中的碳碳双键极化情况（如C=C伸缩振动），而FT-IR红外光谱记录的是物质偶极矩的变化（如C=O，OH的伸缩）。因此拉曼光谱和红外光谱在食用油分析中可以起到互补的作用。所述的拉曼光谱覆盖3500-95cm-1或2.9-105μm的波长范围内。
所述FT-NIR，FT-IR，拉曼光谱可以通过反射，透射，衰减全反射，或透反射模式获取。
众所周知，熟练的光谱技术人员对于本发明中所涉及的光谱测试技术（硬件和操作）是很清楚的。因此本专利将不进行任何光谱操作的细节描述。本领域的熟练技术人员将很容易地使用这些技术，并得到必要的光谱数据用来进行下述的多变量模型建模和食用油研究。
所述技术方案的第一步为定性鉴别纯正食用油。选择有代表性的纯正食用油样品作为校正样品即校正集（含多种每种多款油样)，并获得其FT-NIR,FT-IR或拉曼光谱。以光谱数据为矩阵X，脂肪酸浓度为矩阵Y，经化学计量学回归运算可得到脂肪酸的校正模型。基于食用油含有多种脂肪酸，从同一校正集可得到多个脂肪酸的校正模型。另选纯正食用油样品（含多种每种多款油样）作为独立的测试样品即验证集，并获得其FT-NIR，FT-IR或拉曼光谱。从验证集的光谱用上述校正模型可计算得到验证集样品的脂肪酸含量（浓度）作为一类定性鉴别参数，定义为脂肪酸含量标记参数。同时从校正模型还可得到相应验证集样品的PLS因子得分作为另一类定性鉴别参数，定义为PLS因子得分标记参数。所述的二类定性鉴别参数被储存于一个数据库，该数据库的各种标记参数还包含与原料产地，加工方法，生产厂家等有关的信息。
在对一个未知样进行分析时得到的脂肪酸含量值和PLS因子得分可与数据库内验证集样品的标准值比较，不符者被定为混合油或地沟油疑似样品。
其中，所述的校正模型包括测试型模型（也称为T模型）或改进型模型（也称为P模型）。
所述的T模型是用校正集样品的FT-NIR，FT-IR或者拉曼光谱（X矩阵），结合在文献中发表的纯正食用油脂肪酸含量参考值（Y矩阵），用化学计量学方法建立的。所述的化学计量学方法为PLS。
鉴于文献中发表的脂肪酸含量数值为近似值，有些情况下T模型存在较大的误差。此时可用以下步骤处理：（1）以FT-IR的T模型为例，从相应的验证集样品获取一组FT-NIR光谱数据;（2）以文献数据建立FT-NIR的T模型;（3）以FT-NIR的T模型计算测定原FT-IR T模型校正集样品的脂肪酸含量数值;（4）以新测得的脂肪酸含量数值代替文献数值建立FT-IR的Ｐ模型。
上述的步骤以FT-NIR的T模型来获得FT-IR的Ｐ模型.同理，FT-IR的T模型也可用来产生FT-NIR（或者拉曼）的Ｐ模型。
所述的T模型或P模型被用来测定一组独立验证集样品中的脂肪酸含量，脂肪酸包括但不限于，棕榈酸，亚麻酸，亚油酸，油酸，由T或P模型测定的独立验证集样品中脂肪酸含量被定义为肪酸含量标记参数并储入数据库。
所述的T模型或P模型被用来获得相应验证集食用油样品的PLS因子得分，由T或P模型测定的食用油样品的PLS因子得分被定义为PLS因子得分标记参数并储入数据库。
验证集样品的PLS因子得分是通过把相应样品逐个加入到相关校正集（即加一法）,然后进行PLS回归运算而获得。根据验证集样品的数量这个运算过程需重复多次,但可由计算机编程自动进行。
由T或P模型测定的待检食用油样品<肪酸含量标记参数>和<PLS因子得分标记参数>可用于确定该样品是否为纯正食用油。
所述技术方案的第二步为定性鉴定混合油或上述（非纯正）地沟油疑似样品中多种植物油和动物油成分。首先选择有代表性的食用油样品作为校正集样品(含多种食用油),从校正集样品中取两种油（其中一种可为动物油），按不同比例混合，收集混合样的FT-NIR，FT-IR，拉曼光谱数据。重复上述步骤以获取各种不同油类组合的光谱数据组成光谱矩阵X.用化学计量学方法可对矩阵X进行分解分析。所述的化学计量学方法为PCA，矩阵X中与脂肪酸含量有关的信息由多个PC（主成分）在主成分空间被表达成为PCA因子得分,它们被定义为<PCA因子得分标记参数>并储入数据库。PCA因子得分标记参数可被用来建立“混合食用油得分图”。
一个未知样在“混合食用油得分图”中的位置与它的成分有关,以此大致可判断未知样由哪些主要（例如大豆油）和次要（例如猪油和牛油）食用油成分混合而成。为进一步定量测定提供依据。
由三种食用油组成的“混合食用油得分图”被称为<混合食用油三角>,可用于大致鉴别多达三种成分的混合油（在实施例3中说明）。同理由四种食用油组成的“混合食用油得分图”被称为<混合食用油立方体>，可用于大致鉴别多达四种成分的混合油。
本发明可对已被定性的混合油或地沟油疑似样品作进一步定量分析。
所述技术方案的第三步为定量测定混合油或地沟油疑似样品中动物油(或植物油)成分。首先选择有代表性的食用油样品来配制校正集样品.取两种(或多种)食用油,并按不同比例混合成校正集样品，收集其FT-NIR，FT-IR，或拉曼光谱数据组成光谱矩阵X。配制校正集样品时记录的油样浓度组成浓度矩阵Y。经化学计量学回归运算可得到定量校正模型（Q模型）。重复上述步骤可获取各种不同油类组合的Q模型。所述的化学计量学方法为PLS。由此建立的Q模型可测定一种食用油（例如大豆油）中其它油（例如猪油）的含量。
所述两种食用油的混合，其中一种为主要成分，另一种为次要成分。按重量计算次要成分的含量需大于或等于0.5%。所述两种以上食用油的混合，其中一种为主要成分，另外多种为次要成分。
本发明中所述数据库包括（但不限于）以下数据：（1）定性鉴别纯正食用油的各种脂肪酸的T或P模型；（2）各种食用油独立验证集样品的<肪酸含量标记参数>和<PLS因子得分标记参数>；（3）定性鉴定混合食用油的PCA模型(“混合食用油得分图”)；（4）各种混合食用油的<PCA因子得分标记参数>；（5）定量测定混合食用油的ＰＬＳ模型。
本发明可根据所述光谱数据对待检食用油样品做出以下判断：（1）是否为纯正食用油；（2）如为混合食用油，它的主要和次要成分；（3）混合食用油中特征次要成分的含量（例如，植物类食用油中少量动物脂肪的含量）。一个待检植物类食用油中如含有少量（＞0．5％）一种或多种动物脂肪，则可被判定为地沟油或含有地沟油成分。
本发明判断未知油样是否属于地沟油的依据是考虑是否其中各种油的比例与纯正油混合物不同，是否存在动物油成分。
有益效果：
本发明的主要优点是提供了一种快速的方法用于从食用油中鉴定和区分出地沟油。本方法通过使用三个光谱技术（FT-NIR，FT-IR和Raman）的各种组合，以生成多重“标记参数”来达到鉴别和区分的目的。（第一个优点：多重“标记参数”）。
本发明的另一个优点是，所述的多变量模型的构建无需对样品进行GC分析（第二个优点，建模（及测试）简单化）。
本发明的又一个优点是，利用多变量模型同时作定性和定量标分析（第三个优点，“定性和定量分析”）。更进一步，由于数据库的建立，不同类型的标记参数的数量是可以根据实际应用的复杂程度而增加或减少的。
本发明首创的“混合食用油得分图”法可大致快速判断混合食用油或疑似地沟油的成分。
鉴别地沟油的总体方案是建立在运用多层次的定性/定量分析的基础上（第四个优点，多级多层次的身份认证）。
附图说明
图1–用于测定食用油样品中的油酸含量的FT-NIR T模型
图2–由FT-NIR油酸T模型测定的7种食用油样品中的油酸含量分布图
图3–FT-NIR油酸T模型PLS因子1和2得分的分布图
图4–FT-NIR油酸T模型PLS因子1和3得分的分布图
图5–用于测定食用油样品中的油酸含量的FT-IR T模型
图6–经改进后用于测定食用油样品中的油酸含量的FT-IR P模型
图7–由FT-IR油酸P模型测定的6种食用油样品中的油酸含量分布图
图8–FT-IR油酸P模型PLS因子1和2得分的分布图
图9–FT-IR油酸P模型PLS因子1和3得分的分布图
图10–大豆油,橄榄油和红花油的混合食用油三角
图11–用于测定植物食用油样品（豆油）中动物脂肪（猪油）含量的FT-IR Q模型
具体实施方式
以下结合附图举例对本发明的技术方案做进一步说明。
实施例1
图1所示为油酸（Oleic acid,18:1）的FT-NIR模型（T-模型）。该模型的校正集样品采用了在美国和中国购买的7种类型的64个独立食用油油样（芥花籽油：10种玉米油：14种;葡萄籽油：9种;橄榄油：10种;芝麻油：5种;大豆油：14种；向日葵油：2种）。光谱采集使用了德国布鲁克FT-NIR光谱仪(型号MPA),在样品腔内透过玻璃小试管获得.每个样品进行了三次光谱测量，光谱总数是192。建模所用软件为UNSRAMBLER-X（挪威CAMO软件公司）。建模前,油样光谱经过两步全波段预处理,即S.Golay平滑处理（平滑点数31）和S.Golay二阶导数处理（平滑点数21）。建模所选用的波长范围为9766-7992cm-1,所采用的油酸参考值取自文献发表的数值（芥花籽油：62%;玉米油：28%;葡萄籽油：15.8%;橄榄油：70%;芝麻油：42.5%;大豆油：24%；向日葵油：45.3%）.该模型需用三个PLS因子（主成分维数）来描述100％的图谱方差(Variance）,其内部验证均方根误差（RMSECV）为1.99,校正集确定系(R2)数为0.99。
另有一组与校正集相同样品种类和数量的独立食用油油样被用作验证集。图2演示由上述T模型测定的验证集中每个样品的油酸含量。
除了验证集中每个样品的油酸含量,还可通过收集和分析更多的食用油样品，以确定各种食用油中油酸的含量范围，并用作识别地沟油的标志物之一（<肪酸含量标记参数>)。（注:本发明权利书仅使用这一个标记参数来说明发明的原理）
以油酸含量作为标记参数时，上述验证集的7类食用油被分成如下三组：（1）玉米油，大豆油，葡萄籽油（油酸含量范围13-31％）；（2）芝麻油（油酸39-43％）；（3）芥花籽油，葵花籽油，橄榄油（油酸56-74％）。可以看出在第1组和第3组内的几个油样，油酸含量有重叠，分离不足。换句话说，单独用油酸标记参数不足以区分玉米油（油酸28-31％），大豆油（油酸21-25％范围内），和葡萄籽油（油酸13-21％）。同样，对于芥花籽油（油酸59-62％），葵花籽油（油酸56-59％）和橄榄油（油酸65-74.0%）单独使用油酸标记参数也不好区分（见图2)。目前图2的油酸的含量范围是从64个验证集样品的数据得出的，其数据可以根据未来更多样品的加入而会有改变。
为进一步说明本发明多重“标记参数”的优势，上述验证集食用油可以进一步通过FT-NIR油酸T模型的三个不同PLS因子得分来区分。所述验证集样品的PLS因子得分是通过把相应样品逐个加入到所述校正集,然后进行PLS回归运算而获得。例如，采用PLS因子1和2可以区分芥花籽油，葵花子油和橄榄油（图3）。而采用PLS因子1和3可以区分玉米油，大豆油，葡萄籽油（图4）。
如果需要，也可以通过同一校正集为其他的脂肪酸（如棕榈酸）来建立模型，进而产生更多的标记参数来区分更多的食用油或增加方法的可靠性。
上述实例被用来说明本发明定性鉴别纯正食用油的原理，在具体实施中可通过计算机程序自动进行。
实施例2
图5所示为油酸的FT-IR的T模型。该模型的校正集样品采用了在美国和中国购买的6种类型的61个独立食用油油样（芥花籽油：10种;玉米油：14种;葡萄籽油：9种;橄榄油：10种;芝麻油：5种;大豆油：13种）。光谱采集使用了德国布鲁克FT-IR光谱仪(型号ALPHA).每个食用油样品进行了一次光谱测量，光谱总数是61。建模所用软件为UNSRAMBLER-X。建模前,油样光谱经过一步全波段预处理，即S.Golay平滑处理(平滑点数31)。建模所采用的波长范围为全波段，所采用的油酸参考值取自文献发表的数值。该模型需用5个PLS因子（主成分维数）来描述100％的图谱方差（Variance），其内部验证均方根误差（RMSECV）为5.9,校正集确定系数（R2）为0.89。
为改善上述FT-IR的T模型，先采集了该校正集样品的FT-NIR光谱，再用实施例1中FT-NIR T模型测得其油酸的含量,以新的油酸含量代入FT-IR T模型重新进行回归运算,便可得到图6所示FT-IR的油酸P模型。它采用3个PLS因子，其RMSEC值降至1.6。校正集确定系数（R2）增至0.99。
另有一组与校正集相同样品种类和数量的独立食用油油样被用作验证集.图7演示由上述P模型测定的验证集中每个样品的油酸含量。其结果同使用FT-NIR T模型得到的结果非常相似。用实施例1中的方法可得到FT-IR油酸P模型的三个不同PLS因子得分。将定性和定量的标记系结合使用，就可以区分6种类型的食用油（图8和图9）。
上述实例被用来进一步说明本发明定性鉴别纯正食用油的原理。
实施例3
图10所示为大豆油，橄榄油和红花油的“混合食用油三角”,该三角由一个相应的PCA模型所获得的<PCA因子得分标记参数>构成。该PCA模型采用了在美国购买的大豆油，橄榄油和红花油油样。校正集样品是由在大豆油中混入橄榄油或红花油，橄榄油中混入红花油或大豆油，及红花油中混入橄榄油或大豆油配制而成。在这六种排列组合中，次要成分的含量约为百分之20,30,和40。光谱采集使用了德国布鲁克FT-IR光谱仪（型号ALPHA）。每个食用油样品进行了一次光谱测量，光谱总数是108。建模所用软件为UNSRAMBLER-X。建模前，油样光谱经过一步全波段预处理，即S.Golay平滑处理（平滑点数31）。建模所采用的波长范围为全波段。
经过PCA运算,所获得的校正集样品的PCA因子得分在第一和第二主成分空间形成一个三角型。三角形的三个顶端为纯正的大豆油，橄榄油和红花油的得分。三角形的三条边为三种油的任两种油的混合油的得分.三角形内部为所述三种混合油的得分（需结合其他“混合食用油三角”作最后判定），三角形外部为其它混合油的得分。（注:本发明权利书仅利用这一个“混合食用油三角”来说明发明的原理）
本发明说明书仅对四种成分混合食用油的鉴定作简要理论说明。该类混合食用油校正集样品由四种纯正食用油样品中任两种配制而成,油样配制有12种不同的排列组合。经PCA模型所得到的PCA因子得分可组成<混合食用油立方体>,它是一个在三维主成分空间中不规则四面体,借助足够多个<混合食用油立方体>可鉴定多达四个成分混合油的成分。
实施例4
图11所示为测定大豆油中少量猪油的FT-IR的定量模型（Q-模型）。该模型采用了在美国购买的大豆油和猪油（Lard）油样。校正集样品由在大豆油中加入少量猪油配制而成（猪油含量为0.00,0.49,0.83,0.84,1.23,1.51,1.65,2.46,2.94%）。光谱采集使用了德国布鲁克FT-IR光谱仪（型号ALPHA）。每个食用油样品进行了二次光谱测量，光谱总数是18。建模所用软件为UNSRAMBLER-X。建模前，油样光谱经过一步全波段预处理,即S.Golay平滑处理（平滑点数31）。建模所采用的波长范围为全波段。该模型需用5个PLS因子（主成分维数）来描述100％的图谱方差（Variance），其内部验证均方根误差（RMSECV）为0.21,校正集确定系（R2）数为0.96。
上述实例被用来说明本发明定量分析食用油的原理。根据不同的校正集样品，可按油类和浓度范围构建不同的Q-模型。根据本发明中所述定性鉴定混合食用油的结果，可选用合适的Q模型进行定量分析，从而检测未知油样中是否含有猪油，含有多少猪油；如含有猪油，则说明该油样为地沟油。
Claims (14)
1.一种定性和定量分析食用油并进而检测地沟油的方法，其特征在于包含以下步骤：
(1) 定性鉴别纯正食用油步骤：选取市售纯正食用油样品作为校正集，收集校正集的FT-IR，FT-NIR或拉曼光谱数据，用化学计量学方法建立多种脂肪酸的校正模型；选取与校正集相同种类和数量的纯正食用油作为验证集，收集验证集的FT-IR，FT-NIR或拉曼光谱数据，将验证集的FT-IR，FT-NIR或拉曼光谱数据用上述校正模型计算得到验证集样品的脂肪酸含量和相应的PLS因子得分，脂肪酸含量作为一类定性鉴别参数，定义为脂肪酸含量标记参数，相应的PLS因子得分作为另一类定性鉴别参数，定义为PLS因子得分标记参数，此二类定性鉴别参数被储存于一个数据库，在对一个未知样进行分析时得到的脂肪酸含量值和PLS因子得分，与数据库内验证集的标准值比较，不符者被定为混合油或地沟油疑似样品；
（2）定性鉴别混合油步骤：选取有代表性的食用油配制成混合油样品作为混合油校正集，采集混合油校正集的FT-IR，FT-NIR或拉曼光谱数据并建立PCA模型，并用PCA模型获得校正集的PCA因子得分以建立多个二维或三维混合食用油得分图,此类参数被用来定性鉴别含有多达四种成分的未知油样属于混合油或疑似地沟油；
（3）定量测定混合油或疑似地沟油中特征成分含量的步骤：选取定量配制的混合油样品作为校正集，收集校正集的FT-IR，FT-NIR或拉曼光谱数据建立PLS校正模型，并用模型测定未知游样中特征成分含量，以确定未知样是否为地沟油或含有地沟油成分的食用油。
2.根据权利要求1所述的方法，其特征在于步骤（1）中所述的化学计量学方法包括PLS法或其他方法，所述的校正模型为FT-IR，FT-NIR或拉曼光谱的T模型或P模型。
3.根据权利要求2所述的方法，其特征在于所述的T模型是由校正集光谱和文献报道的脂肪酸含量经PLS建模计算建成。
4.根据权利要求2所述的方法，其特征在于FT-NIR的T模型被用来获得比文献报道更为准确的P模型校正集样品的脂肪酸含量，并用以建立FT-IR或者拉曼光谱的P模型；同理，FT-IR 的T模型反过来也用来获得比文献报道更为准确的相应P模型校正集样品的脂肪酸含量以建立FT-NIR或者拉曼的P模型。
5.根据权利要求2所述的方法，其特征在于所述的T模型或P模型被用来测定验证集中的脂肪酸类型及含量，脂肪酸包括但不限于，棕榈酸，亚麻酸，亚油酸，油酸，由T模型或P模型测定的验证集脂肪酸含量被定义为脂肪酸含量标记参数，由所述的T模型或P模型获得相应油样的PLS因子得分被定义为PLS因子得分标记参数。
6.根据权利要求1所述的方法，其特征在于步骤（2）所述的二维或三维混合食用油得分图分别称为混合食用油三角和混合食用油立方体，分别用于定性鉴别3种或4种成分的未知油样属于混合油或疑似地沟油。
7.根据权利要求1所述的方法，其特征在于步骤(3)所述的特征成分为动物油。
8.根据权利要求1所述的方法，其特征在于步骤(3)所述的PLS校正模型的选择是根据未知油样在步骤(2)的结果而不是盲目选用。
9.根据权利要求1所述的方法，其特征在于所述的FT-NIR光谱覆盖14000-4000 cm-1或0.7-2.5μm的波长范围内。
10.根据权利要求1所述的方法，其特征在于所述的FT-IR光谱覆盖4000-400 cm-1或2.5-25μm的波长范围内。
11.根据权利要求1所述的方法，其特征在于所述的拉曼光谱覆盖3500-95 cm-1或2.9-105μm的波长范围内。
12.根据权利要求1所述的方法，其特征在于所述的FT-NIR，FT-IR，拉曼光谱通过反射，透射，衰减全反射，或透反射模式获取。
13.根据权利要求1所述的方法，其特征在于涉及的所有数据，包括各种光谱，化学计量学校正模型和标记参数，被储存于一个数据库，并用于定性和定量分析食用油并进而检定地沟油。
14.根据权利要求13所述的方法，其特征在于所述的数据库还包含传统化学分析结果，所述的传统化学分析结果包括但不限于酸值和水分含量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310312740.4A CN103398970B (zh) | 2013-07-24 | 2013-07-24 | 一种定性和定量分析食用油并进而检测地沟油的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310312740.4A CN103398970B (zh) | 2013-07-24 | 2013-07-24 | 一种定性和定量分析食用油并进而检测地沟油的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103398970A CN103398970A (zh) | 2013-11-20 |
| CN103398970B true CN103398970B (zh) | 2015-09-16 |
Family
ID=49562636
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310312740.4A Expired - Fee Related CN103398970B (zh) | 2013-07-24 | 2013-07-24 | 一种定性和定量分析食用油并进而检测地沟油的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103398970B (zh) |
Families Citing this family (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103616449B (zh) * | 2013-11-29 | 2014-10-29 | 广东省食品工业研究所 | 一种鉴别餐厨废油脂的方法 |
| CN104132905A (zh) * | 2014-05-05 | 2014-11-05 | 河南科技大学 | 一种掺伪芝麻油的检测方法 |
| CN104655607B (zh) * | 2015-01-29 | 2017-08-04 | 中南大学 | 一种浮选泡沫层硫化锑矿物品位检测方法 |
| CN104730058B (zh) * | 2015-03-09 | 2017-08-25 | 深圳市疾病预防控制中心 | 一种基于拉曼光谱鉴别地沟油的判别分析方法 |
| CN104807803B (zh) * | 2015-04-20 | 2017-09-29 | 武汉轻工大学 | 基于多源光谱数据融合的花生油掺伪定量检测方法 |
| CN104931482A (zh) * | 2015-06-26 | 2015-09-23 | 浙江工业大学 | 基于拉曼光谱的灵芝孢子油氧化酸败的检测方法 |
| CN105606777A (zh) * | 2015-12-30 | 2016-05-25 | 李容若 | 一种基于植物油中营养成分的营养品质检测方法及系统 |
| CN105806824B (zh) * | 2016-03-22 | 2019-03-19 | 武汉轻工大学 | 基于多源光谱特征融合的食用油种类快速鉴别方法 |
| CN105823752B (zh) * | 2016-03-22 | 2018-10-12 | 武汉轻工大学 | 近红外光谱法快速鉴别食用油种类的方法 |
| CN105954258A (zh) * | 2016-05-26 | 2016-09-21 | 伯格森(北京)科技有限公司 | 食用油掺劣质油检测仪及检测方法 |
| US11237100B2 (en) * | 2016-06-09 | 2022-02-01 | Corteva Agriscience Llc | Methods using FTIR for plant trait detection and trait introgression |
| CN107144558B (zh) * | 2017-05-12 | 2022-01-18 | 吉林大学 | 一种利用拉曼光谱技术鉴定地沟油的方法 |
| CN109387545A (zh) * | 2017-08-14 | 2019-02-26 | 上海鑫璞传感科技有限公司 | 一种地沟油识别方法和相应识别装置 |
| CN109724939B (zh) * | 2017-10-30 | 2021-06-11 | 中国石油化工股份有限公司 | 由近红外光谱预测加氢尾油性质的方法 |
| CN109724937B (zh) * | 2017-10-30 | 2021-05-14 | 中国石油化工股份有限公司 | 由近红外光谱预测减压馏分油性质的方法 |
| CN109724938B (zh) * | 2017-10-30 | 2021-06-11 | 中国石油化工股份有限公司 | 由近红外光谱预测润滑油基础油性质的方法 |
| WO2019127352A1 (zh) * | 2017-12-29 | 2019-07-04 | 深圳达闼科技控股有限公司 | 基于拉曼光谱的物质识别方法及云端系统 |
| CN108362659B (zh) * | 2018-02-07 | 2021-03-30 | 武汉轻工大学 | 基于多源光谱并联融合的食用油种类快速鉴别方法 |
| CN108845045A (zh) * | 2018-05-03 | 2018-11-20 | 北京工商大学 | 一种气相指纹图谱结合主成分分析方法判别炸油质量的方法 |
| CN111220563B (zh) * | 2018-11-26 | 2023-02-10 | 吉林农业大学 | 一种采用红外光谱检测回收油的方法 |
| SG10201811511RA (en) * | 2018-12-21 | 2020-07-29 | Wilmar International Ltd | Method and system for predicting oil adulteration of an edible oil sample |
| CN110715985B (zh) * | 2019-08-29 | 2022-11-15 | 北京工商大学 | 气相指纹图谱结合偏最小二乘方法判别煎炸油质量的方法 |
| CN110909470B (zh) * | 2019-11-25 | 2023-08-11 | 光钙(上海)高科技有限公司 | 一种红外光谱化学计量学分析系统及方法 |
| CN112051224B (zh) * | 2020-08-12 | 2021-08-06 | 昆明理工大学 | 一种基于紫外可见分光光度法检测生物柴油调和燃料调和比的方法 |
-
2013
- 2013-07-24 CN CN201310312740.4A patent/CN103398970B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN103398970A (zh) | 2013-11-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103398970B (zh) | 一种定性和定量分析食用油并进而检测地沟油的方法 | |
| US10976247B2 (en) | NIR spectroscopy method for fatty acid content of oilseeds | |
| CN103674838B (zh) | 一种基于高光谱成像技术的鱼脂肪含量分布检测方法 | |
| CN103630499B (zh) | 一种基于高光谱成像技术的鱼蛋白质含量分布检测方法 | |
| CN105806825B (zh) | 一种天然气组分在线气体拉曼分析方法 | |
| CN107144535A (zh) | 一种基于高光谱技术的碱化土壤空间酸碱度监测方法 | |
| CN102590129B (zh) | 近红外检测花生中氨基酸含量的方法 | |
| CN102221533B (zh) | 一种基于紫外光谱花生油掺伪定量检测的方法 | |
| CN105486655B (zh) | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 | |
| Mogollon et al. | Quantitative analysis of biodiesel in blends of biodiesel and conventional diesel by comprehensive two-dimensional gas chromatography and multivariate curve resolution | |
| CN101504363A (zh) | 一种基于近红外光谱分析的食用油脂酸价检测方法 | |
| CN107817223A (zh) | 快速无损实时预测原油性质模型的构建方法及其应用 | |
| CN103487397B (zh) | 一种雷竹笋硬度快速检测方法及装置 | |
| CN103674864A (zh) | 一种基于高光谱成像技术的鱼水分含量分布检测方法 | |
| CN104764699B (zh) | 一种测定食用油酸价的方法 | |
| CN107703097A (zh) | 利用衰减全反射探头与近红外光谱仪构建快速预测原油性质的模型的方法及其应用 | |
| CN103940854A (zh) | 一种可同时检测果蔬中农药和重金属残留的快速检测仪 | |
| CN103175805A (zh) | 一种近红外光谱测定污水中cod和bod5指标的方法 | |
| CN104807777A (zh) | 一种基于近红外光谱分析技术的槟榔水分含量快速检测方法 | |
| CN109932319A (zh) | 一种果园土壤速效钾含量获取方法、系统及装置 | |
| CN104297201A (zh) | 一种快速、准确定量调和油中各种油份比例的检测方法 | |
| CN102306236B (zh) | 基于角度度量的多变量分析方法 | |
| CN103440425B (zh) | 一种辛烷值回归模型的建立方法 | |
| CN103487398A (zh) | 一种赖氨酸发酵液的分析方法 | |
| CA2635930C (en) | Fourier transform infrared (ftir) chemometric method to determine cetane number of diesel fuels containing fatty acid alkyl ester additives |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150916 Termination date: 20190724 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |