CN107121408A - 食用植物油品种的快速无损鉴别方法 - Google Patents
食用植物油品种的快速无损鉴别方法 Download PDFInfo
- Publication number
- CN107121408A CN107121408A CN201710415905.9A CN201710415905A CN107121408A CN 107121408 A CN107121408 A CN 107121408A CN 201710415905 A CN201710415905 A CN 201710415905A CN 107121408 A CN107121408 A CN 107121408A
- Authority
- CN
- China
- Prior art keywords
- oil
- pls
- near infrared
- models
- wave
- 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
- 239000008157 edible vegetable oil Substances 0.000 title claims abstract description 17
- 238000012850 discrimination method Methods 0.000 title abstract description 4
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 14
- 238000001228 spectrum Methods 0.000 claims abstract description 13
- 235000015112 vegetable and seed oil Nutrition 0.000 claims abstract description 13
- 239000008158 vegetable oil Substances 0.000 claims abstract description 13
- 238000002835 absorbance Methods 0.000 claims abstract description 10
- 235000013305 food Nutrition 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 239000010773 plant oil Substances 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 239000010495 camellia oil Substances 0.000 claims description 6
- 235000019484 Rapeseed oil Nutrition 0.000 claims description 5
- 235000005687 corn oil Nutrition 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 239000004006 olive oil Substances 0.000 claims description 5
- 235000008390 olive oil Nutrition 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 239000003549 soybean oil Substances 0.000 claims description 5
- 235000012424 soybean oil Nutrition 0.000 claims description 5
- 235000019483 Peanut oil Nutrition 0.000 claims description 4
- 239000000312 peanut oil Substances 0.000 claims description 4
- 239000010497 wheat germ oil Substances 0.000 claims description 4
- 239000002285 corn oil Substances 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 240000007817 Olea europaea Species 0.000 claims 1
- 239000000039 congener Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 8
- 238000010239 partial least squares discriminant analysis Methods 0.000 abstract description 3
- 238000012937 correction Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000003595 spectral effect Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 239000003921 oil Substances 0.000 description 4
- 235000019198 oils Nutrition 0.000 description 4
- 238000002203 pretreatment Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 244000105624 Arachis hypogaea Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 244000061176 Nicotiana tabacum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 244000098338 Triticum aestivum Species 0.000 description 1
- -1 agricultural Substances 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000013142 basic testing Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000001161 mammalian embryo Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 235000020232 peanut Nutrition 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000009941 weaving Methods 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
- G01N21/359—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
- G01N21/17—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
Abstract
本发明公开了食用植物油品种的快速无损鉴别方法，属于食品科学与技术领域。本发明方法是先利用近红外光谱仪不同种类的多个食用植物油的近红外光谱，对光谱进行预处理后，测量其在波长范围1000‑2500nm下的吸光度，然后采用簇类独立软模式识别法建立SIMCA分类识别模型或者采用偏最小二乘判别分析方法建立PLS‑DA模型；当检测未知食用植物油样品时，先得到待测样品的近红外光谱，再将其在波长范围1000‑2500nm下的吸光度代入到建立的SIMCA分类识别模型或者PLS‑DA模型中，即能得到待测样品的种类信息。本发明建立的PLS‑DA模型对七种植物油的预测正确率均为100％。模型效果良好，能用于多种食用植物油的品种鉴别分析。
Description
技术领域
本发明涉及食用植物油品种的快速无损鉴别方法，属于食品科学与技术领域。
背景技术
食用植物油与人们生活密切相关，既是人体的重要能源和营养源，也是食品生产加工中重要的原料。随着人们健康生活意识的增强，食用植物油已经取代动物性油脂成为人们日常生活中最重要的食用油。不同种类的植物油营养价值不同，售价差异悬殊，导致出现以假乱真、以次充好等现象，使得植物油产品质量与食用安全情况堪忧。目前，色谱或色谱质谱联用法是植物油品质检测的主要方法，虽然鉴别准确度高，但是它需要样品前处理和大量的化学试剂，而且无法做到快速测试和在线分析。因此，对不同种类的食用植物油进行快速无损的品种鉴别显得尤为重要。
近红外光谱分析技术是结合了光谱测量技术、基础测试技术、化学计量学方法与计算机技术的一种间接分析技术，由于具备无需样品预处理、非破坏性检测、绿色环保、简单快速、可以实现多组分指标的同时检测及远程在线分析等优势，近年来越来越广泛地应用于石油、农业、医药、食品、烟草、纺织等行业。
也有报道利用近红外技术对植物油进行定性定量分析，但是目前报道的方法一般检测的食用植物油种类只有3-4种，而且针对不同的分析对象，建立的模型效果差别也比较大。
目前，尚没有能够实现菜籽油、茶籽油、大豆油、橄榄油、花生油、小麦胚芽油、玉米油这七种食用植物油的快速无损检测方法。
发明内容
为了解决上述问题，本发明提供了一种快速、无损的食用植物油的品种鉴别方法。
本发明的食用植物油品种鉴别方法，是先利用近红外光谱仪不同种类的多个食用植物油的近红外光谱，对光谱进行预处理后，测量其在波长范围1000-2500nm下的吸光度，然后采用簇类独立软模式识别法建立SIMCA分类识别模型或者采用偏最小二乘判别分析方法建立PLS-DA模型；当检测未知食用植物油样品时，先得到待测样品的近红外光谱，再将其在波长范围1000-2500nm下的吸光度代入到建立的SIMCA分类识别模型或者PLS-DA模型中，即能得到待测样品的种类信息。
在一种实施方式中，所述植物油为菜籽油、茶籽油、大豆油、橄榄油、花生油、小麦胚芽油、玉米油。
在一种实施方式中，所述方法是选择波段为1130-2200nm下的吸光度建立SIMCA分类识别模型。
在一种实施方式中，所述近红外光谱仪先预热30min，再开始采集光谱。
在一种实施方式中，所述对光谱进行预处理的方式为：基线校正和Savitzky-Goaly多项式9点平滑处理。
在一种实施方式中，所述方法包括以下步骤：
1)收集七种不同种类的纯食用植物油样品，采用傅里叶变换近红外光谱仪采样平台采集样品的近红外光谱，测量模式为吸光度，波长范围1000-2500nm；
2)运用the unscrambler X10.3软件，对样品光谱分别进行PCA主成分分析和优选PLS-DA因子数；
3)在最佳PCA结果下建立SIMCA分类识别模型或者在最佳因子数下建立PLS-DA模型；
4)利用SIMCA模型或者PLS-DA模型预测未知样品的类别。
在一种实施方式中，所述最佳因子数为12。
在一种实施方式中，所述的偏最小二乘判别分析方法中因子数的确定方法为不同因子数下可释方差的变化，当可释方差达到一个最大值时对应的因子数为最佳因子数。
本发明的优点和效果：
按照本发明的技术方案，该方法建立的SIMCA分类识别模型对七种植物油的识别率均能达到100％，拒绝率除茶籽油为83.3％外，其余六种植物油拒绝率均为100％。PLS-DA模型对七种植物油的预测正确率均为100％。模型效果良好，能用于多种食用植物油的品种鉴别分析。
附图说明
图1为七种食用植物油的近红外光谱图；
图2为校正集样品PCA主成分得分图；
图3为PLS-DA模型中虚拟变量的可释方差随因子数变化图。
具体实施方案
下面是对本发明进行具体描述。
实施例1
1)收集七种纯植物油(菜籽油、茶籽油、大豆油、橄榄油、花生油、小麦胚芽油、玉米油)样品共70个，用便携式近红外光谱采样平台对70个样品进行近红外光谱采集，测量模式为吸光度，波长范围1000-2500nm。得到的近红外光谱图如图1所示。将采集的样品谱图随机分为49个校正集，21个验证集。
2)基于PCA的SIMCA模型建立
优选光谱区域(1130-2200nm)经过(基线校正+Savitzky-Goaly多项式9点平滑，先将原光谱进行基线校正，之后继续进行Savitzky-Goaly多项式9点平滑，即基线校正和Savitzky-Goaly多项式9点平滑同时使用)处理后，进行PCA主成分分析，得到主成分三维得分图如图2所示，可以看到七类油样各自聚堆，相互区分，说明通过光谱处理对模型的识别效果起到优化作用。
3)SIMCA模型对验证集样品的预测
运用所建立的SIMCA模型对验证集样品进行预测，同时检验该模型的分类识别效果。通过计算得到模型对验证集样品的识别效果列于表1。表1数据显示，在5％显著性水平下，模型对七种纯植物油识别效果良好。对于其中六种纯油(菜籽油、大豆油、橄榄油、花生油、小麦胚芽油、玉米油)的识别率和拒绝率均为100％，对于茶籽油的识别率为100％，拒绝率为83.3％，均在80％以上，说明建立的SIMCA模型对于七种纯食用植物油具有良好的品种鉴别效果。
表1验证集样品的识别率和拒绝率
4)PLS-DA模型的建立
首先将49个校正集样品原始光谱进行PLS-DA法建模，最佳因子数为12，建立PLS-DA模型。虚拟变量的可释方差随因子数变化图见图3。在最佳因子数12下建立PLS-DA模型。
5)PLS-DA模型对验证集样品的预测
利用建立的PLS-DA模型对21个验证集样品进行品种预测，该模型对七种纯植物油的预测正确率均为100％。
对照例1：不同近红外光谱预处理对模型有效性的影响
在1000-2500nm全光谱范围内，采用不同预处理方法进行光谱预处理后建立SIMCA模型分析。其他方法或者步骤与实施例1一致。结果如表2所示。
表2不同近红外光谱预处理对SIMCA模型有效性的影响
对照例2：选择不同波段数据对模型有效性的影响
发现全光谱范围内不同预处理方法下，各模型效果都一般，达不到应用要求。发明人分析了不同波段范围内进行基线校正+S-G 9点平滑。对模型的影响。表3了列出各光谱范围的基线校正+S-G 9点平滑处理后SIMCA模型的识别率和拒绝率。
表3不同光谱范围下SIMCA模型的识别率和拒绝率
虽然本发明已以较佳实施例公开如上，但其并非用以限定本发明，任何熟悉此技术的人，在不脱离本发明的精神和范围内，都可做各种的改动与修饰，因此本发明的保护范围应该以权利要求书所界定的为准。
Claims (5)
1.一种鉴别食用植物油品种的方法，其特征在于，所述方法是先利用近红外光谱仪不同种类的多个食用植物油的近红外光谱，对光谱进行预处理后，测量其在波长范围1000-2500nm下的吸光度，然后采用簇类独立软模式识别法建立SIMCA分类识别模型或者采用偏最小二乘判别分析方法建立PLS-DA模型；当检测未知食用植物油样品时，先得到待测样品的近红外光谱，再将其在波长范围1000-2500nm下的吸光度代入到建立的SIMCA分类识别模型或者PLS-DA模型中，即能得到待测样品的品种信息。
2.根据权利要求1所述的方法，其特征在于，所述植物油为菜籽油、茶籽油、大豆油、橄榄油、花生油、小麦胚芽油、玉米油。
3.根据权利要求1所述的方法，其特征在于，所述测量的波长范围为1000-2500nm。
4.根据权利要求1所述的方法，其特征在于，所述对光谱进行预处理的方式为：基线校正+Savitzky-Goaly多项式9点平滑处理。
5.根据权利要求1所述的方法，其特征在于，所述方法包括以下步骤：
1)收集七种不同品种的纯食用植物油样品，采用傅里叶变换近红外光谱采样平台采集样品的近红外光谱，测量模式为吸光度，波长范围1000-2500nm；
2)运用the unscrambler软件，对样品光谱分别进行PCA主成分分析和优选PLS-DA因子数；
3)在最佳PCA结果下建立SIMCA分类识别模型或者在最佳因子数下建立PLS-DA模型；
4)利用SIMCA模型或者PLS-DA模型预测未知样品的类别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710415905.9A CN107121408A (zh) | 2017-06-06 | 2017-06-06 | 食用植物油品种的快速无损鉴别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710415905.9A CN107121408A (zh) | 2017-06-06 | 2017-06-06 | 食用植物油品种的快速无损鉴别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107121408A true CN107121408A (zh) | 2017-09-01 |
Family
ID=59729007
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710415905.9A Pending CN107121408A (zh) | 2017-06-06 | 2017-06-06 | 食用植物油品种的快速无损鉴别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107121408A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105181634A (zh) * | 2015-08-25 | 2015-12-23 | 江南大学 | 一种基于近红外技术石油分馏塔产品分析方法 |
| CN108169169A (zh) * | 2018-02-12 | 2018-06-15 | 北京理工大学珠海学院 | 一种基于近红外光谱技术的山茶油掺伪的快速检测方法 |
| CN109142265A (zh) * | 2018-08-24 | 2019-01-04 | 武汉轻工大学 | 一种近红外光谱小波融合的食用油种类快速鉴别方法 |
| CN113866119A (zh) * | 2021-10-21 | 2021-12-31 | 江苏省家禽科学研究所 | 一种注水鸡快速鉴别方法及应用 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104297205A (zh) * | 2014-11-04 | 2015-01-21 | 天津工业大学 | 一种快速、无损的食用油鉴别方法 |
| CN105136739A (zh) * | 2015-09-30 | 2015-12-09 | 天津工业大学 | 六种食用植物油快速无损鉴别方法 |
-
2017
- 2017-06-06 CN CN201710415905.9A patent/CN107121408A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104297205A (zh) * | 2014-11-04 | 2015-01-21 | 天津工业大学 | 一种快速、无损的食用油鉴别方法 |
| CN105136739A (zh) * | 2015-09-30 | 2015-12-09 | 天津工业大学 | 六种食用植物油快速无损鉴别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李娟 等: "近红外光谱法SIMCA分析七种植物油脂", 《"科技创新与食品产业可持续发展"学术研讨会暨2008年广东省食品学会年会论文集》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105181634A (zh) * | 2015-08-25 | 2015-12-23 | 江南大学 | 一种基于近红外技术石油分馏塔产品分析方法 |
| CN108169169A (zh) * | 2018-02-12 | 2018-06-15 | 北京理工大学珠海学院 | 一种基于近红外光谱技术的山茶油掺伪的快速检测方法 |
| CN109142265A (zh) * | 2018-08-24 | 2019-01-04 | 武汉轻工大学 | 一种近红外光谱小波融合的食用油种类快速鉴别方法 |
| CN113866119A (zh) * | 2021-10-21 | 2021-12-31 | 江苏省家禽科学研究所 | 一种注水鸡快速鉴别方法及应用 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Review of NIR spectroscopy methods for nondestructive quality analysis of oilseeds and edible oils | |
| US10458908B2 (en) | System and method for qualifying plant material | |
| Zhu et al. | Determination of soybean routine quality parameters using near‐infrared spectroscopy | |
| Biancolillo et al. | Authentication of an Italian PDO hazelnut (“Nocciola Romana”) by NIR spectroscopy | |
| Parrini et al. | Near Infrared Spectroscopy technology for prediction of chemical composition of natural fresh pastures | |
| CN107121408A (zh) | 食用植物油品种的快速无损鉴别方法 | |
| CN106841083A (zh) | 基于近红外光谱技术的芝麻油品质检测方法 | |
| CN102590129B (zh) | 近红外检测花生中氨基酸含量的方法 | |
| CN102735642B (zh) | 一种快速无损鉴别初榨橄榄油和油橄榄果渣油的方法 | |
| CN102179375A (zh) | 一种基于近红外作物单籽粒成分无损检测筛选方法 | |
| CN105181642A (zh) | 一种花生品质的近红外检测方法及应用 | |
| CN102830087A (zh) | 基于近红外光谱技术快速鉴别餐饮废弃油脂的方法 | |
| CN102788794A (zh) | 基于多传感信息融合的叶菜类蔬菜叶片农药残留检测装置及方法 | |
| CN104062262A (zh) | 一种基于近红外光谱的作物种子品种真实性鉴别方法 | |
| Chen et al. | Fast detection of cumin and fennel using NIR spectroscopy combined with deep learning algorithms | |
| Dong et al. | Identification of the proximate geographical origin of wolfberries by two-dimensional correlation spectroscopy combined with deep learning | |
| CN107917897A (zh) | 近红外光谱测定特医食品多组分含量的方法 | |
| Xu et al. | Recent trends of multi-source and non-destructive information for quality authentication of herbs and spices | |
| CN108169169A (zh) | 一种基于近红外光谱技术的山茶油掺伪的快速检测方法 | |
| Yin et al. | Non-destructive detection of foreign contaminants in toast bread with near infrared spectroscopy and computer vision techniques | |
| Jiang et al. | Comparison of wavelength selected methods for improving of prediction performance of PLS model to determine aflatoxin B1 (AFB1) in wheat samples during storage | |
| CN103411895A (zh) | 珍珠粉掺伪的近红外光谱鉴别方法 | |
| CN110398472A (zh) | 一种基于二维相关光谱量化的植物油鉴别分类方法 | |
| CN110210005A (zh) | 一种无参考值的光谱波数选择方法 | |
| Ning et al. | Study on apple damage detecting method based on relaxation single-wavelength laser and convolutional neural network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170901 |
|
| RJ01 | Rejection of invention patent application after publication |