CN105136735A - 一种用于三元掺伪芝麻油含量的快速、无损分析方法 - Google Patents
一种用于三元掺伪芝麻油含量的快速、无损分析方法 Download PDFInfo
- Publication number
- CN105136735A CN105136735A CN201510569726.1A CN201510569726A CN105136735A CN 105136735 A CN105136735 A CN 105136735A CN 201510569726 A CN201510569726 A CN 201510569726A CN 105136735 A CN105136735 A CN 105136735A
- Authority
- CN
- China
- Prior art keywords
- sample
- oil
- ternary
- sesame oil
- content
- 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.)
- Pending
Links
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
一种用于三元掺伪芝麻油含量的快速、无损分析方法,选用芝麻油与两种低价植物油按一定配比进行三元混掺;将样品置于比色皿中,用近红外分光光度计透射模式扫描样品的近红外光谱;采用KS分组方法将数据划分为训练集和预测集;对每种组分油分别建立偏最小二乘回归模型;将未知样品代入相应模型得到该组分油的含量。本发明的优势是采用近红外光谱技术作分析手段,无需样品预处理,不破坏样品,几秒钟即可完成对一个样品的光谱采集;采用偏最小二乘回归建模,仅需确定一个参数,计算速度快而且预测效果好。本发明适用于三元混掺芝麻油中各组分油含量的定量分析。
Description
技术领域
本发明属于食品分析领域,涉及一种用于三元掺伪芝麻油含量的快速、无损分析方法。
背景技术
芝麻油是通过压榨、压滤和水代等工艺从芝麻中提取出的均匀液体。因其浓郁香味、独特口感及其烹调功用,它作为一种重要必需品一直以来在人们的日常生活中扮演着重要的角色。现代研究表明:芝麻油不仅仅是一种简单的食用植物油,还具有很高的医用价值。芝麻油含有丰富的维生素E、亚麻酸和铁、锌、铜等微量元素,对维持细胞膜的完整性、促进细胞分裂、软化血管和保持血管弹性有一定的积极作用,在一定程度上有着养生的功效。特别是在当今心血管疾病肆虐的社会背景下,芝麻油因其营养价值和养生医效而深受消费者喜爱。但其价格相对昂贵,因而一些不法商家利用向其掺入低廉油品构造掺伪芝麻油来获取暴利,严重侵犯了消费者权益,扰乱了市场秩序。
人们在购买芝麻油时常采用辨色法、嗅闻法和水试法对真假芝麻油进行辨别,但这些方法都依赖于个人的经验,很难保证他们的一致性,而且也没有统一的标准可以遵循。目前常规检测主要是通过理化法、色谱法等方法对芝麻油掺混油品进行分析,但它们都需对样品做预处理,成本较高,不适于大批量样本现场快速检测。因而发明一种高效、快捷、易于操作的研究方法用于来对芝麻油进行质量方面的控制和制定相关的指标对市场进行实时监测和反馈至关重要。
近红外光谱技术作为一种安全、简便的检测手段,能够在较短的时间内完成对大量样品的光谱信息采集,而且不需要预先对样品进行任何处理,不会对样品造成任何污染,可以在实验过程中重复使用样品,较好的降低了实验成本的投入。因此,近红外光谱技术在食品检测和质量控制方面具有较大的优势,应用也比较广泛。但近红外光谱因信号较弱,存在背景、噪音等干扰信息,需要借助化学计量学的多元校正技术才能进行定量分析。
多元校正是在测量光谱与目标值含量之间建立定量模型的技术,主要建模方法有多元线性回归、主成分回归、偏最小二乘回归、支持向量回归以及人工神经网络等。其中,偏最小二乘回归作为一种参数少、计算速度快、预测性能优良的线性建模方法,已广泛应用于各种领域。本发明以近红外光谱作为检测手段,结合多元校正中的偏最小二乘回归方法,实现对三元掺伪芝麻油含量的快速、无损分析。
发明内容
本发明的目的是针对上述存在的问题,提供一种用于三元掺伪芝麻油含量的快速、无损分析方法,对芝麻油质量的改善具有重要意义。
为实现本发明所提供的技术方案包括以下步骤:
1)样本配制:选用几种代表性品牌的芝麻油与另外两种低价植物油按照一定的配比关系进行三元掺混,用电子天平准确称量之后将其放置玻璃瓶中,轻轻振荡待其油品混合均匀后静置一段时间,使样品中的气泡完全消失。
2)光谱扫描:将样品置于2mm比色皿中,用近红外分光光度计在800-2500nm波长区间对样品进行透射光谱扫描,每个样品扫描3次,取平均光谱作为该样品的近红外光谱。
3)数据分组:采用KS分组将数据进行分组,2/3的样品作为训练集,1/3的样品作为预测集。其中训练集样本用来建立模型并优化参数,预测集样本用来检验模型的预测能力。
4)模型建立:在训练集的近红外光谱和3种组分之间分别建立偏最小二乘回归模型,首先通过交叉验证均方根(RMSECV)随着因子数(LV)的变化确定每种组分的因子数,再采用最佳因子数对每种组分建立偏最小二乘回归(PLS)模型,得到回归系数。
5)未知样品预测:将预测集光谱乘以模型的回归系数得到未知样品含量。
本发明采用近红外光谱仪作为样品检测手段的优势是无需对植物油样品进行任何预处理,直接倒入比色皿中进行测量,操作非常简单,几秒钟内即可完成光谱的扫描。采用偏最小二乘回归建模的优势是能够在自变量存在严重多重相关性以及样本点个数少于变量个数的条件下进行回归建模,模型仅需有一个因子数参数需要确定,计算速度快而且预测效果好。
附图说明
图1:50个芝麻油与大豆油、稻米油三元掺伪样品的近红外光谱图
图2:三元掺伪芝麻油中大豆油含量测定时的RMSECV随因子数的变化图
图3:三元掺伪芝麻油中稻米油含量测定时的RMSECV随因子数的变化图
图4:三元掺伪芝麻油中芝麻油含量测定时的RMSECV随因子数的变化图
图5:三元掺伪芝麻油中对大豆油含量进行预测的预测值与真实值的关系图
图6:三元掺伪芝麻油中对稻米油含量进行预测的预测值与真实值的关系图
图7:三元掺伪芝麻油中对芝麻油含量进行预测的预测值与真实值的关系图
具体实施方式
为更好理解本发明,下面结合实施例对本发明做进一步地详细说明,但是本发明要求保护的范围并不局限于实施例表示的范围。
实施例:
1)样本配制:选用10个品牌(鲁花,福临门,金龙鱼,太太乐,思盼,朝升,树江,古币,李耳,李锦记)的芝麻油与大豆油和稻米油进行三元混掺,配制50个样品。所配样品中,大豆油理论质量和稻米油理论质量范围0.05-2.50g,间隔0.05g;为了减少数据的线性相关性,将大豆油的质量顺序递增,稻米油的质量用matlab随机打乱,并使其线性相关性最小,最后滴加芝麻油质量累积为总质量为5g。用精度为千分之一的电子天平(FA2004,上海舜宇恒平仪器有限公司)准确称量之后将其放置在事先编好号的10mL玻璃瓶中,轻轻振荡待其油品混合均匀后静置一段时间,使样品中的气泡完全消失。
2)近红外光谱收集:对配制好的样本进行光谱测量。将样品置于2mm比色皿中,用近红外分光光度计(TJ270-60,天津市拓普仪器有限公司)在800-2500nm波长区间对样品进行透射光谱扫描,采样间隔1nm,共计1701个波长点。每个样品扫描三次,取平均光谱作为该样品的近红外光谱。50个样品的近红外光谱如图1所示。
3)数据分组:采用KS分组将50个样品进行分组,33个样品作为训练集,17个样品作为预测集。其中训练集样本用来建立模型并优化参数,预测集样本用来检验模型的预测能力。
4)模型建立:在33个训练集样品的近红外光谱和大豆油、稻米油、芝麻油3种油分之间分别建立偏最小二乘回归模型,通过交叉验证均方根(RMSECV)随着因子数(LV)的变化确定每种组分的因子数,采用最佳因子数对每种组分建立偏最小二乘回归(PLS)模型,得到回归系数。图2、图3和图4是大豆油、稻米油、芝麻油三种组分的RMSECV随着因子数LV的变化图。从图中可以看出RMSECV随着LV的增加先大幅下降,后下降速度趋于平缓,对三种组分的最佳因子数分别为16、11和11。
5)未知样品预测:将预测集光谱乘以每个组分对应模型的回归系数得到未知样品中各个组分油的含量。
图5、图6和图7是偏最小二乘回归法建立的模型对三元掺混体系中大豆油、稻米油和芝麻油的含量进行预测的预测值和真实值之间的线性关系图。从图中可以看出,预测值与真实值之间具有较好的线性关系。各组分预测值和真实值之间的相关系数分别为0.96574、0.96087和0.94225。它们的相关系数R都大于0.9,表明PLS模型可以对三元掺伪芝麻油含量进行准确预测。
Claims (3)
1.一种用于三元掺伪芝麻油含量的快速、无损分析方法,其特征在于:按照一定的配比关系,选用几种代表性品牌的芝麻油与另外两种低价植物油进行三元掺混,用电子天平准确称量之后将其放置玻璃瓶中,轻轻振荡待其油品混合均匀后静置;将样品置于2mm比色皿中,用近红外分光光度计在800-2500nm波长区间对样品进行透射光谱扫描,每个样品扫描3次,取平均光谱作为该样品的近红外光谱;采用KS分组将数据进行分组,2/3的样品作为训练集,1/3的样品作为预测集;在训练集的近红外光谱和3种组成的油分之间分别建立偏最小二乘回归模型,得到回归系数;将预测集光谱乘以模型的回归系数得到未知样品含量。
2.根据权利要求1所述的一种用于三元掺伪芝麻油含量的快速、无损分析方法,其特征在于:对于三元掺伪芝麻油中加入的低价油品种没有限制,稻米油、玉米油、大豆油、菜籽油等的三元掺伪都可以准确定量。
3.根据权利要求1所述的一种用于三元掺伪芝麻油含量的快速、无损分析方法,其特征在于:对于三元掺伪芝麻油中各组分油的配比没有限制,其中任何一种油都可以同时准确检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510569726.1A CN105136735A (zh) | 2015-09-07 | 2015-09-07 | 一种用于三元掺伪芝麻油含量的快速、无损分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510569726.1A CN105136735A (zh) | 2015-09-07 | 2015-09-07 | 一种用于三元掺伪芝麻油含量的快速、无损分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105136735A true CN105136735A (zh) | 2015-12-09 |
Family
ID=54722162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510569726.1A Pending CN105136735A (zh) | 2015-09-07 | 2015-09-07 | 一种用于三元掺伪芝麻油含量的快速、无损分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105136735A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106483095A (zh) * | 2016-10-13 | 2017-03-08 | 天津工业大学 | 一种快速、准确定量四元调和油中各组分油含量的方法 |
CN107894408A (zh) * | 2017-11-24 | 2018-04-10 | 中国农业科学院油料作物研究所 | 一种基于近红外光谱仪的食用油多元掺伪鉴别方法 |
WO2020130947A1 (en) * | 2018-12-21 | 2020-06-25 | Wilmar International Limited | Method and system for predicting quantitative measures of oil adulteration of an edible oil sample |
CN113125353A (zh) * | 2021-04-16 | 2021-07-16 | 自然资源实物地质资料中心 | 检测方解石含量的方法和预设模型的建设方法 |
CN114184725A (zh) * | 2021-11-18 | 2022-03-15 | 上海应用技术大学 | 一种检测生鲜乳中棕榈油含量的方法及装置 |
JP7057026B1 (ja) * | 2021-12-08 | 2022-04-19 | 竹本油脂株式会社 | ゴマリグナンの定量方法 |
-
2015
- 2015-09-07 CN CN201510569726.1A patent/CN105136735A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106483095A (zh) * | 2016-10-13 | 2017-03-08 | 天津工业大学 | 一种快速、准确定量四元调和油中各组分油含量的方法 |
CN107894408A (zh) * | 2017-11-24 | 2018-04-10 | 中国农业科学院油料作物研究所 | 一种基于近红外光谱仪的食用油多元掺伪鉴别方法 |
JP2019095447A (ja) * | 2017-11-24 | 2019-06-20 | 中国農業科学院油料作物研究所 | 近赤外分光計に基づく食用油の多元混入同定方法 |
CN107894408B (zh) * | 2017-11-24 | 2021-04-13 | 中国农业科学院油料作物研究所 | 一种基于近红外光谱仪的食用油多元掺伪鉴别方法 |
WO2020130947A1 (en) * | 2018-12-21 | 2020-06-25 | Wilmar International Limited | Method and system for predicting quantitative measures of oil adulteration of an edible oil sample |
CN111351757A (zh) * | 2018-12-21 | 2020-06-30 | 丰益国际有限公司 | 用于预测食用油样品的油掺杂的定量量度的方法和系统 |
CN111351757B (zh) * | 2018-12-21 | 2023-09-05 | 丰益国际有限公司 | 用于预测食用油样品的油掺杂的定量量度的方法和系统 |
CN113125353A (zh) * | 2021-04-16 | 2021-07-16 | 自然资源实物地质资料中心 | 检测方解石含量的方法和预设模型的建设方法 |
CN114184725A (zh) * | 2021-11-18 | 2022-03-15 | 上海应用技术大学 | 一种检测生鲜乳中棕榈油含量的方法及装置 |
JP7057026B1 (ja) * | 2021-12-08 | 2022-04-19 | 竹本油脂株式会社 | ゴマリグナンの定量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105136735A (zh) | 一种用于三元掺伪芝麻油含量的快速、无损分析方法 | |
CN107894408B (zh) | 一种基于近红外光谱仪的食用油多元掺伪鉴别方法 | |
CN106841083A (zh) | 基于近红外光谱技术的芝麻油品质检测方法 | |
CN104849232B (zh) | 一种快速检测蜂王浆水分和蛋白质含量的方法 | |
CN102435580A (zh) | 近红外牛奶成分快速测量装置与方法 | |
CN102636454A (zh) | 近红外光谱快速测定食用油中低碳数脂肪酸含量的方法 | |
CN101393122A (zh) | 蜂蜜品质快速检测方法 | |
CN104764699B (zh) | 一种测定食用油酸价的方法 | |
CN103792198A (zh) | 牛奶中掺三聚氰胺的中红外-近红外相关谱判别方法 | |
CN102749315A (zh) | 一种利用同步荧光光谱快速检测潲水油的方法 | |
Wang et al. | Variable selection and optimization in rapid detection of soybean straw biomass based on CARS | |
CN105044025A (zh) | 一种近红外快速识别芝麻油及芝麻油中掺杂大豆油的方法 | |
CN105403676A (zh) | 一种食品安全检测系统及方法 | |
Pan et al. | In situ monitoring of total polyphenols content during tea extract oxidation using a portable spectroscopy system with variables selection algorithms | |
CN106596464A (zh) | 一种奶粉中掺三聚氰胺的近红外自相关谱检测方法 | |
CN106950192A (zh) | 一种基于近红外光谱分析技术的植物蛋白饮料中主要成分含量快速检测的方法 | |
CN105548027A (zh) | 基于近红外光谱测定调和油中茶油含量的分析模型及方法 | |
CN102393376A (zh) | 基于支持向量回归的鱼丸多组分含量检测的近红外光谱法 | |
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 | |
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 | |
Wang et al. | Back propagation-artificial neural network model for prediction of the quality of tea shoots through selection of relevant near infrared spectral data via synergy interval partial least squares | |
CN110231302A (zh) | 一种快速测定奇亚籽粗脂肪含量的方法 | |
Liu et al. | Application of stable isotopic and elemental composition combined with random forest algorithm for the botanical classification of Chinese honey | |
Rasmussen et al. | Iodine content in bread and salt in Denmark after iodization and the influence on iodine intake | |
Madhumathi et al. | Soil Nutrient Detection and Recommendation Using IoT and Fuzzy Logic. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20151209 |