JP6942110B2 - 近赤外分光計に基づく食用油の多元混入同定方法 - Google Patents
近赤外分光計に基づく食用油の多元混入同定方法 Download PDFInfo
- Publication number
- JP6942110B2 JP6942110B2 JP2018217926A JP2018217926A JP6942110B2 JP 6942110 B2 JP6942110 B2 JP 6942110B2 JP 2018217926 A JP2018217926 A JP 2018217926A JP 2018217926 A JP2018217926 A JP 2018217926A JP 6942110 B2 JP6942110 B2 JP 6942110B2
- Authority
- JP
- Japan
- Prior art keywords
- infrared
- spectrum
- infrared spectrometer
- sample
- contamination
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 98
- 239000008162 cooking oil Substances 0.000 title claims description 46
- 238000011109 contamination Methods 0.000 title claims description 45
- 239000008157 edible vegetable oil Substances 0.000 claims description 85
- 238000002329 infrared spectrum Methods 0.000 claims description 60
- 238000001228 spectrum Methods 0.000 claims description 32
- 230000003595 spectral effect Effects 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 27
- 238000013145 classification model Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 239000003921 oil Substances 0.000 claims description 12
- 238000010239 partial least squares discriminant analysis Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 230000003287 optical effect Effects 0.000 claims description 5
- 238000002203 pretreatment Methods 0.000 claims description 5
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 238000010187 selection method Methods 0.000 claims description 5
- 238000000691 measurement method Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000002835 absorbance Methods 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims description 2
- 238000010348 incorporation Methods 0.000 claims 1
- 239000000523 sample Substances 0.000 description 54
- 239000000944 linseed oil Substances 0.000 description 22
- 235000021388 linseed oil Nutrition 0.000 description 19
- 235000019198 oils Nutrition 0.000 description 9
- 239000003925 fat Substances 0.000 description 6
- 235000019484 Rapeseed oil Nutrition 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 5
- 235000005687 corn oil Nutrition 0.000 description 5
- 239000002285 corn oil Substances 0.000 description 5
- 239000003549 soybean oil Substances 0.000 description 5
- 235000012424 soybean oil Nutrition 0.000 description 5
- 235000019486 Sunflower oil Nutrition 0.000 description 4
- 235000012343 cottonseed oil Nutrition 0.000 description 4
- 239000002385 cottonseed oil Substances 0.000 description 4
- 239000002600 sunflower oil Substances 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- GVJHHUAWPYXKBD-UHFFFAOYSA-N (±)-α-Tocopherol Chemical compound OC1=C(C)C(C)=C2OC(CCCC(C)CCCC(C)CCCC(C)C)(C)CCC2=C1C GVJHHUAWPYXKBD-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000012569 chemometric method Methods 0.000 description 2
- 235000014113 dietary fatty acids Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 229930195729 fatty acid Natural products 0.000 description 2
- 239000000194 fatty acid Substances 0.000 description 2
- 150000004665 fatty acids Chemical class 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- MJYQFWSXKFLTAY-OVEQLNGDSA-N (2r,3r)-2,3-bis[(4-hydroxy-3-methoxyphenyl)methyl]butane-1,4-diol;(2r,3r,4s,5s,6r)-6-(hydroxymethyl)oxane-2,3,4,5-tetrol Chemical class OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O.C1=C(O)C(OC)=CC(C[C@@H](CO)[C@H](CO)CC=2C=C(OC)C(O)=CC=2)=C1 MJYQFWSXKFLTAY-OVEQLNGDSA-N 0.000 description 1
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 1
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 description 1
- 238000010987 Kennard-Stone algorithm Methods 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 235000019483 Peanut oil Nutrition 0.000 description 1
- 229930182558 Sterol Natural products 0.000 description 1
- 229930003427 Vitamin E Natural products 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000004626 essential fatty acids Nutrition 0.000 description 1
- 239000003205 fragrance Substances 0.000 description 1
- WIGCFUFOHFEKBI-UHFFFAOYSA-N gamma-tocopherol Natural products CC(C)CCCC(C)CCCC(C)CCCC1CCC2C(C)C(O)C(C)C(C)C2O1 WIGCFUFOHFEKBI-UHFFFAOYSA-N 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 229910052740 iodine Inorganic materials 0.000 description 1
- 239000011630 iodine Substances 0.000 description 1
- 229930013686 lignan Natural products 0.000 description 1
- 150000005692 lignans Chemical class 0.000 description 1
- 235000009408 lignans Nutrition 0.000 description 1
- 230000007721 medicinal effect Effects 0.000 description 1
- 235000008390 olive oil Nutrition 0.000 description 1
- 239000004006 olive oil Substances 0.000 description 1
- 239000000312 peanut oil Substances 0.000 description 1
- 150000008442 polyphenolic compounds Chemical class 0.000 description 1
- 235000013824 polyphenols Nutrition 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000007127 saponification reaction Methods 0.000 description 1
- 235000003702 sterols Nutrition 0.000 description 1
- 150000003432 sterols Chemical class 0.000 description 1
- 235000019165 vitamin E Nutrition 0.000 description 1
- 229940046009 vitamin E Drugs 0.000 description 1
- 239000011709 vitamin E Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
- G01N33/03—Edible oils or edible fats
-
- 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
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)
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Description
本発明は、食品の品質および安全の技術分野に関し、特に近赤外分光計に基づく食用油の多元混入同定方法に関する。
食用油は、人間にエネルギー、必須脂肪酸、ステロール、ビタミンＥ、ポリフェノール、リグナンなど豊富な栄養機能成分を提供する重要な食品である。その中で、アマニ油、オリーブ油、ピーナッツ油は、高い栄養価と薬効を有するため、高級な食用植物油として多くの消費者に好まれ、その市場販売価格が普通の食用油より高いことが多い。利益を得るために食用油への混入が普遍的に存在し、食用植物油の真実性問題は、消費者と産業界で注目される困難な問題になっている。したがって、効果的な食用油真実性同定方法を確定することに重要な意義を持つ。
現在の食用植物油に関する国家または業界基準では、食用植物油が満たさなければならない各品質指標が規定され、食用植物油に他の食用油や非食用油の混入、あらゆるエッセンスや香料の添加をしてはならないことが明確に規定され、製品の加工方式および該当品質レベルおよび製品の原料の生産国名を明記するべきと規定されている。例えば屈折率、相対密度、ヨウ素価、けん化価、不けん化物など、基準で規定される特徴的指標は、特徴性が強くなく、品種や加工および貯蔵時間に大きく影響される。脂肪酸組成について、特徴的組成ではなく、各脂肪酸の相対的含有量の範囲しか与えられていないため、食用植物油の真偽を効果的に区別することができない。
同時に、現在中国の食用油加工・販売分散方式での市場状況を満たすために、迅速で簡単かつ損失のない食用植物油真実性同定技術を確立する必要がある。
現在、食用植物油の真実性に対する迅速な同定方法は、フーリエ変換赤外分光法、近赤外分光法、電子鼻、電子舌、核磁気共鳴などが含まれる。上記方法は、迅速で簡単かつ損失がないという特徴を有する。
しかしながら、未知であるサンプルに対する判定を実現するには、上記方法をケモメトリック法と組み合わせて食用油真実性同定モデルを確立する必要がある。従来のケモメトリック法のモデリングにおいて、充分に多い量の食用植物油とそれに対応する安価油脂混入食用植物油のサンプルが必要とされる。安価な油脂の混入種類の増加に伴い、混入種類は、爆発的に増加する。コストと実施可能性を考慮して、従来の方法は、通常、食用植物油に１種または２種の既知の安価な油脂を混入することでしか効果的に同定できない。明らかに、これらの技術は、大きく制約される。不良販売者が同時に２種類以上の安価な油脂を混入したり直接混合油脂（例えば廃棄油脂）を混入したりすれば上記技術を避けることができる。したがって、食用植物油の多元混入同定技術の開発が急務となる。本発明は、単純な線形計画理論に基づいて、混入・被混入食用植物油の純油情報と主成分分析、部分最小二乗判別分析、直交補正の部分最小二乗判別分析など変数選択方法によって、分類に最も寄与する需要変数を選択し、１クラス部分最小二乗法、クラスタ独立ソフトモード法、１クラスサポートベクトルマシンなどのモデリング方法を使用して、高価な食用植物油の１クラス分類モデルを確立し、数種類の潜在的混入食用油による任意割合での多元混入同定を実現し、食用植物油の真実性保障に強力な技術的支援を提供する。
本発明の解決しようとする技術課題は、食用油に偽和物が混入されているか否かを迅速かつ正確に同定することができないという従来技術の不備に対し、近赤外分光計に基づく食用油の多元混入同定方法を提供することである。
本発明は、その技術課題を解決するために採用する技術手段は、以下である。
本発明は、近赤外分光計に基づく食用油の多元混入同定方法を提供する。当該方法において、以下の工程を含む。
モデルの構築
Ｓ１）近赤外スペクトルの信号収集
高価な食用油および潜在的混入食用油をサンプルとして選択し、近赤外分光計によってサンプルの近赤外スペクトルを収集する工程、
Ｓ２）近赤外スペクトルの前処理および食用油の近赤外スペクトルデータベースの確立
収集したサンプルの初期近赤外スペクトルに対し標準正規変換のデータ前処理を行い、初期近赤外スペクトルから当該スペクトル点の吸光度の平均値を差し引いて当該スペクトルデータの標準偏差を除算して、前処理後の近赤外スペクトルを得て標準スペクトルとし、食用油の近赤外スペクトルデータベースを確立する工程、
Ｓ３）食用油の多元混入同定モデルの確立
ある高価な食用油に対し、まずケモメトリックスによって当該高価な食用油と潜在的混入食用油の間の分類モデルを確立し、安価な食用油から高価な食用油を区別する重要変数を確定し、次に、選択した重要変数を利用して当該高価な食用油の１クラス分類モデル、すなわち当該高価な食用油の多元混入同定モデルを確立する工程、
モデルの応用
被検サンプルを取り、被検サンプルの近赤外スペクトルを近赤外分光計によって収集し、工程Ｓ２での前処理方法によって前処理を行って被検サンプルの標準スペクトルデータを得、工程Ｓ３で確立した多元混入同定モデルを用いて被検サンプルの真偽を判定する。
モデルの構築
Ｓ１）近赤外スペクトルの信号収集
高価な食用油および潜在的混入食用油をサンプルとして選択し、近赤外分光計によってサンプルの近赤外スペクトルを収集する工程、
Ｓ２）近赤外スペクトルの前処理および食用油の近赤外スペクトルデータベースの確立
収集したサンプルの初期近赤外スペクトルに対し標準正規変換のデータ前処理を行い、初期近赤外スペクトルから当該スペクトル点の吸光度の平均値を差し引いて当該スペクトルデータの標準偏差を除算して、前処理後の近赤外スペクトルを得て標準スペクトルとし、食用油の近赤外スペクトルデータベースを確立する工程、
Ｓ３）食用油の多元混入同定モデルの確立
ある高価な食用油に対し、まずケモメトリックスによって当該高価な食用油と潜在的混入食用油の間の分類モデルを確立し、安価な食用油から高価な食用油を区別する重要変数を確定し、次に、選択した重要変数を利用して当該高価な食用油の１クラス分類モデル、すなわち当該高価な食用油の多元混入同定モデルを確立する工程、
モデルの応用
被検サンプルを取り、被検サンプルの近赤外スペクトルを近赤外分光計によって収集し、工程Ｓ２での前処理方法によって前処理を行って被検サンプルの標準スペクトルデータを得、工程Ｓ３で確立した多元混入同定モデルを用いて被検サンプルの真偽を判定する。
さらに、本発明の工程Ｓ２で下記式によって近赤外スペクトルの前処理を行う。
式中、
Ｚｉｊ：各サンプルの前処理後のスペクトル点、
Ｘｉｊ：各サンプルの初期スペクトル点、
：各サンプルスペクトルの全スペクトル点の平均値、
Ｓｉ：当該サンプルのスペクトルデータの標準偏差、
ｉ＝１，２，．．．，ｎ、
ｊ＝１，２，．．．，ｐ、
ｎ：サンプル数、
ｐ：スペクトル点の数。
Ｚｉｊ：各サンプルの前処理後のスペクトル点、
Ｘｉｊ：各サンプルの初期スペクトル点、
Ｓｉ：当該サンプルのスペクトルデータの標準偏差、
ｉ＝１，２，．．．，ｎ、
ｊ＝１，２，．．．，ｐ、
ｎ：サンプル数、
ｐ：スペクトル点の数。
さらに、本発明の工程Ｓ３で選択する重要変数は、固有波長である。
さらに、本発明における潜在的混入食用油は、価格が当該高価な食用油よりも安い安価な食用油である。
さらに、本発明の工程Ｓ１で各サンプルの近赤外スペクトルに対する測定は、２〜９回繰り返される。
さらに、本発明の工程Ｓ１でのスペクトル収集条件として、
採集温度：２０±５℃、
近赤外スペクトルの測定範囲：４０００〜１００００ｃｍ−１、
走査回数：３２回、
解析度：３．８５７ｃｍ−１、
サンプルセルの光路：２〜１０ｍｍ、
測定方式：透過。
採集温度：２０±５℃、
近赤外スペクトルの測定範囲：４０００〜１００００ｃｍ−１、
走査回数：３２回、
解析度：３．８５７ｃｍ−１、
サンプルセルの光路：２〜１０ｍｍ、
測定方式：透過。
さらに、本発明の工程Ｓ３で用いられるケモメトリックス法は、主成分分析、部分最小二乗判別分析、直交補正の部分最小二乗判別分析の変数選択法、および１クラス部分最小二乗法、クラスタ独立ソフトモード法、１クラスサポートベクトルマシンのモデリング法を含む。
さらに、本発明の工程Ｓ３での１クラス分類モデルの確立方法として、
真の対象食用油サンプルを一定の割合で無作為に訓練セットと検証セットとの２つのデータセットに分け、訓練セットのうち真の対象食用油の近赤外スペクトル情報を１クラス分類モデルの確立に用いると同時に、真の食用油を検証セットとし、混入食用油の近赤外スペクトル情報とともにモデルの検証を行う。
真の対象食用油サンプルを一定の割合で無作為に訓練セットと検証セットとの２つのデータセットに分け、訓練セットのうち真の対象食用油の近赤外スペクトル情報を１クラス分類モデルの確立に用いると同時に、真の食用油を検証セットとし、混入食用油の近赤外スペクトル情報とともにモデルの検証を行う。
さらに、本発明の当該方法で多元混入同定モデルを利用して被検サンプルの真偽を判定する方法として、
訓練セットのうち真のサンプルのスペクトルデータの、モデル中の絶対中心偏差の分布から判定閾値を特定し、被検サンプルの固有近赤外スペクトル情報をモデルに導入し、モデルで絶対中心偏差値を計算し、それから閾値と比較して被検サンプルの真偽を同定する。
訓練セットのうち真のサンプルのスペクトルデータの、モデル中の絶対中心偏差の分布から判定閾値を特定し、被検サンプルの固有近赤外スペクトル情報をモデルに導入し、モデルで絶対中心偏差値を計算し、それから閾値と比較して被検サンプルの真偽を同定する。
本発明の近赤外分光計に基づく食用油の多元混入同定方法は、作業者に特別な要求がなく簡単に実行できる。また、サンプルの検出時間が短く快速に実施でき、損失がない。化学試薬をいっさい使用せず、環境にやさしく、検出コストが低い。食用油市場の現地監督と検出に効果的に応用することができ、広く使用される見通しである。
以下、図面および実施例を参照して本発明をさらに説明する。
本発明の目的、技術手段および利点をより明確にするために、以下、図面および実施例を参照して本発明をさらに詳細に説明する。なお、ここに記載される具体的な実施例は、本発明を解釈することのみに用いられるものであり、本発明を限定するためのものではない。
図１に示すように、近赤外分光計に基づく食用油の多元混入同定方法において、以下の工程を含む。
モデルの構築
Ｓ１）近赤外スペクトルの信号収集
複数種の高価な食用油および潜在的混入食用油をサンプルとして選択し、近赤外分光計によってサンプルの近赤外スペクトルを収集する工程、
Ｓ２）近赤外スペクトルの前処理および食用油の近赤外スペクトルデータベースの確立
収集したサンプルの初期近赤外スペクトルに対し標準正規変換のデータ前処理を行い、初期近赤外スペクトルから当該スペクトル点の吸光度の平均値を差し引いて当該スペクトルデータの標準偏差を除算して、前処理後の近赤外スペクトルを得て標準スペクトルとし、食用油の近赤外スペクトルデータベースを確立する工程、
Ｓ３）食用油の多元混入同定モデルの確立
ある高価な食用油に対し、まずケモメトリックス法によって当該高価な食用油と安価な食用油の間の分類モデルを確立し、分類に最も寄与する重要変数（安価な食用油から高価な食用油を区別する重要変数）を選択して当該高価な食用油の１クラス分類モデル、すなわち当該高価な食用油の多元混入同定モデルを確立する工程、
モデルの応用
被検サンプルを取り、被検サンプルの近赤外スペクトルを近赤外分光計によって収集し、工程Ｓ２での前処理方法によって前処理を行って被検サンプルの標準スペクトルデータを得、工程Ｓ３で確立した多元混入同定モデルを用いて被検サンプルの真偽を判定する。
モデルの構築
Ｓ１）近赤外スペクトルの信号収集
複数種の高価な食用油および潜在的混入食用油をサンプルとして選択し、近赤外分光計によってサンプルの近赤外スペクトルを収集する工程、
Ｓ２）近赤外スペクトルの前処理および食用油の近赤外スペクトルデータベースの確立
収集したサンプルの初期近赤外スペクトルに対し標準正規変換のデータ前処理を行い、初期近赤外スペクトルから当該スペクトル点の吸光度の平均値を差し引いて当該スペクトルデータの標準偏差を除算して、前処理後の近赤外スペクトルを得て標準スペクトルとし、食用油の近赤外スペクトルデータベースを確立する工程、
Ｓ３）食用油の多元混入同定モデルの確立
ある高価な食用油に対し、まずケモメトリックス法によって当該高価な食用油と安価な食用油の間の分類モデルを確立し、分類に最も寄与する重要変数（安価な食用油から高価な食用油を区別する重要変数）を選択して当該高価な食用油の１クラス分類モデル、すなわち当該高価な食用油の多元混入同定モデルを確立する工程、
モデルの応用
被検サンプルを取り、被検サンプルの近赤外スペクトルを近赤外分光計によって収集し、工程Ｓ２での前処理方法によって前処理を行って被検サンプルの標準スペクトルデータを得、工程Ｓ３で確立した多元混入同定モデルを用いて被検サンプルの真偽を判定する。
工程Ｓ２で下記式によって近赤外スペクトルの前処理を行う。
式中、
Ｚｉｊ：各サンプルの前処理後のスペクトル点、
Ｘｉｊ：各サンプルの初期スペクトル点、
：各サンプルスペクトルの全スペクトル点の平均値、
Ｓｉ：当該サンプルのスペクトルデータの標準偏差、
ｉ＝１，２，．．．，ｎ、
ｊ＝１，２，．．．，ｐ、
ｎ：サンプル数、
ｐ：スペクトル点の数。
Ｚｉｊ：各サンプルの前処理後のスペクトル点、
Ｘｉｊ：各サンプルの初期スペクトル点、
Ｓｉ：当該サンプルのスペクトルデータの標準偏差、
ｉ＝１，２，．．．，ｎ、
ｊ＝１，２，．．．，ｐ、
ｎ：サンプル数、
ｐ：スペクトル点の数。
工程Ｓ３で選択する分類に最も寄与する重要変数は、固有波長である。
工程Ｓ１で各サンプルの近赤外スペクトルに対する測定は、２〜９回繰り返される。
工程Ｓ１でのスペクトル収集条件は、以下である。
採集温度：２０±５℃、
近赤外スペクトルの測定範囲：４０００〜１００００ｃｍ−１、
走査回数：３２回、
解析度：３．８５７ｃｍ−１、
サンプルセルの光路：２〜１０ｍｍ、
測定方式：透過。
採集温度：２０±５℃、
近赤外スペクトルの測定範囲：４０００〜１００００ｃｍ−１、
走査回数：３２回、
解析度：３．８５７ｃｍ−１、
サンプルセルの光路：２〜１０ｍｍ、
測定方式：透過。
工程Ｓ３で用いられるケモメトリックス法は、主成分分析、部分最小二乗判別分析、直交補正の部分最小二乗判別分析の変数選択法、および１クラス部分最小二乗法、クラスタ独立ソフトモード法、１クラスサポートベクトルマシンのモデリング法を含む。
真の対象食用油サンプルを一定の割合（例えば８：２または６：４）で無作為に訓練セットと検証セットとの２つのデータセットに分ける。訓練セットのうち真の対象食用油の近赤外スペクトル情報を１クラス分類モデルの確立に用いると同時に、真の食用油（検証セット）と混入食用油の近赤外スペクトル情報を利用してモデルの検証を行う。
訓練セットのうち真のサンプルのスペクトルデータの、モデル中の絶対中心偏差の分布から判定閾値を特定し、被検サンプルの固有近赤外スペクトル情報をモデルに導入し、モデルで絶対中心偏差値を計算し、それから閾値と比較して被検サンプルの真偽を同定する。
本発明の別の具体的な実施例において、以下の工程を含む（ここで、％は、質量％である。）。
Ａ）サンプルの近赤外スペクトルの信号収集
純アマニ油のサンプルは、３３個である（Ｋ−Ｓアルゴリズムで６：４の割合で訓練セットサンプル２０個と検証セットサンプル１３個に分ける）。綿実油、大豆油、菜種油、コーン油およびヒマワリ油サンプルは、各６個であり、別途３個を取って混入油サンプルの調製に用いる。綿実油、大豆油、菜種油、コーン油およびヒマワリ油からそれぞれ３個を取って５％の割合でアマニ油に加え、計１５個のサンプルになる。また、大豆油、菜種油、コーン油を１：１：０、１：０：１、０：１：１、１：１：１の４種類の異なる割合で、混入率が５％となるようにアマニ油に混入し、計３６個のサンプルになる。上述した１１４個のサンプルの近赤外スペクトログラムを収集する。スペクトル収集条件として、採集温度：１６±２℃、近赤外スペクトルの測定範囲：４０００〜１００００ｃｍ−１、走査回数：３２回、解析度：３．８５７ｃｍ−１、サンプルセルの光路：２ｍｍ、測定方式：透過である。
純アマニ油のサンプルは、３３個である（Ｋ−Ｓアルゴリズムで６：４の割合で訓練セットサンプル２０個と検証セットサンプル１３個に分ける）。綿実油、大豆油、菜種油、コーン油およびヒマワリ油サンプルは、各６個であり、別途３個を取って混入油サンプルの調製に用いる。綿実油、大豆油、菜種油、コーン油およびヒマワリ油からそれぞれ３個を取って５％の割合でアマニ油に加え、計１５個のサンプルになる。また、大豆油、菜種油、コーン油を１：１：０、１：０：１、０：１：１、１：１：１の４種類の異なる割合で、混入率が５％となるようにアマニ油に混入し、計３６個のサンプルになる。上述した１１４個のサンプルの近赤外スペクトログラムを収集する。スペクトル収集条件として、採集温度：１６±２℃、近赤外スペクトルの測定範囲：４０００〜１００００ｃｍ−１、走査回数：３２回、解析度：３．８５７ｃｍ−１、サンプルセルの光路：２ｍｍ、測定方式：透過である。
Ｂ）サンプルの近赤外スペクトログラムの前処理
実験による研究および文献の報道から、モデリング前にスペクトルに対し異なる前処理を行うことで、モデリングへの影響も大きく異なることが分かる。本方法は、標準正規変換のデータ前処理によって、アマニ油、混入アマニ油サンプルおよび混入用の他の食用植物油のサンプルの前処理スペクトルを得る。上記純アマニ油サンプル３３個、綿実油、大豆油、菜種油、コーン油およびヒマワリ油サンプルそれぞれ６個の近赤外スペクトルデータベースを確立する。
実験による研究および文献の報道から、モデリング前にスペクトルに対し異なる前処理を行うことで、モデリングへの影響も大きく異なることが分かる。本方法は、標準正規変換のデータ前処理によって、アマニ油、混入アマニ油サンプルおよび混入用の他の食用植物油のサンプルの前処理スペクトルを得る。上記純アマニ油サンプル３３個、綿実油、大豆油、菜種油、コーン油およびヒマワリ油サンプルそれぞれ６個の近赤外スペクトルデータベースを確立する。
Ｃ）アマニ油の真実性同定モデルの確立および検証
１１４個のサンプルの情報をＭａｔｌａｂ Ｒ２０１４ａで標準正規変換のデータ前処理を行う。訓練セットのうち２０個のアマニ油サンプル、綿実油、大豆油、菜種油、コーン油およびヒマワリ油の３０個のサンプルの前処理スペクトルは、再びＭｅｔａｂｏＡｎａｌｙｓｔ２．０データ処理プラットフォームを利用してＰａｒｅｔｏ尺度化前処理を行って、図１に示すように、直交の部分最小二乗判別分析によってスペクトル情報に対し変数選択を行う。図では、Ｘ軸は、適合共分散ベクトルＣｏｖ（ｔ、Ｘ）を表し、Ｙ軸は、相関係数ベクトルＣｏｒｒ（ｔ、Ｘ）を表す。両者の計算式は、以下である。
Ｃｏｖ（ｔ，Ｘｉ）＝ｔＴ Ｘｉ／（Ｎ−１）
Ｃｏｒｒ（ｔ，Ｘｉ）＝Ｃｏｖ（ｔ，Ｘｉ）／ｓｔｓｘｉ
式中、ｉ＝１，２，．．．，ｎ、
ｎ：変数の数、
Ｎ：サンプルの数、
ｔ：直交の部分最小二乗判別分析の予測成分でのスコアベクトル、
ｓｔ：モデルで予測するスコアベクトルの標準偏差、
ｓｘ：各変数の推定標準偏差ベクトル。
１１４個のサンプルの情報をＭａｔｌａｂ Ｒ２０１４ａで標準正規変換のデータ前処理を行う。訓練セットのうち２０個のアマニ油サンプル、綿実油、大豆油、菜種油、コーン油およびヒマワリ油の３０個のサンプルの前処理スペクトルは、再びＭｅｔａｂｏＡｎａｌｙｓｔ２．０データ処理プラットフォームを利用してＰａｒｅｔｏ尺度化前処理を行って、図１に示すように、直交の部分最小二乗判別分析によってスペクトル情報に対し変数選択を行う。図では、Ｘ軸は、適合共分散ベクトルＣｏｖ（ｔ、Ｘ）を表し、Ｙ軸は、相関係数ベクトルＣｏｒｒ（ｔ、Ｘ）を表す。両者の計算式は、以下である。
Ｃｏｖ（ｔ，Ｘｉ）＝ｔＴ Ｘｉ／（Ｎ−１）
Ｃｏｒｒ（ｔ，Ｘｉ）＝Ｃｏｖ（ｔ，Ｘｉ）／ｓｔｓｘｉ
式中、ｉ＝１，２，．．．，ｎ、
ｎ：変数の数、
Ｎ：サンプルの数、
ｔ：直交の部分最小二乗判別分析の予測成分でのスコアベクトル、
ｓｔ：モデルで予測するスコアベクトルの標準偏差、
ｓｘ：各変数の推定標準偏差ベクトル。
表１に示すように、図１の右上と左下に位置する１８４個の重要変数（すなわち固有波長）を選択する。（図２に示すように、近赤外スペクトルのフルスペクトルで確立したモデルの誤り判定率が非常に高く、全ての混入アマニ油を真のアマニ油と識別する。図５は、変数選択後の混入アマニ油に対する同定を示す。４つの象限の中で、下部の２つの象限は、アマニ油と判定され、上部の２つの象限は、混入アマニ油と判定される。）変数選択後の２０個の訓練セットのうちのアマニ油、１３個の検証セットのうちのアマニ油および５１個の混入アマニ油に対し、１クラス部分最小二乗判別分析によってアマニ油の真実性同定モデルを確立して検証する。図３に示すように、主成分数が６である場合、モデルのインタラクティブチェックによって、標準化残差が最も小さいと予測し、モデルの予測効果が最適である。図４に示すように、純アマニ油の判定正確率は、１００％である。図５に示すように、混入アマニ油の判定正確率は、９２．１６％である（４７／５１）。
表１：固有波長表
なお、当業者にとって、上記説明に基づいて改良や変形を加えることができる。これらの改良や変形も、いずれも本発明に添付する請求項の保護範囲に含まれるべきである。
（付記）
（付記１）
近赤外分光計に基づく食用油の多元混入同定方法であって、モデルの構築工程とモデルの応用工程とを含み、
前記モデルの構築工程は、
Ｓ１）近赤外スペクトルの信号収集工程であって、
高価な食用油および潜在的混入食用油をサンプルとして選択し、近赤外分光計によってサンプルの近赤外スペクトルを収集する工程と、
Ｓ２）近赤外スペクトルの前処理および食用油の近赤外スペクトルデータベースの確立工程であって、
収集したサンプルの初期近赤外スペクトルに対し標準正規変換のデータ前処理を行い、初期近赤外スペクトルから当該スペクトル点の吸光度の平均値を差し引いて当該スペクトルデータの標準偏差を除算して、前処理後の近赤外スペクトルを得て標準スペクトルとし、食用油の近赤外スペクトルデータベースを確立する工程と、
Ｓ３）食用油の多元混入同定モデルの確立工程であって、
ある高価な食用油に対し、まずケモメトリックスによって当該高価な食用油と潜在的混入食用油の間の分類モデルを確立し、安価な食用油から高価な食用油を区別する重要変数を確定し、次に、選択した重要変数を利用して当該高価な食用油の１クラス分類モデル、すなわち当該高価な食用油の多元混入同定モデルを確立する工程と、を含み、
前記モデルの応用工程は、
被検サンプルを取り、被検サンプルの近赤外スペクトルを近赤外分光計によって収集し、工程Ｓ２での前処理方法によって前処理を行って被検サンプルの標準スペクトルデータを得、工程Ｓ３で確立した多元混入同定モデルを用いて被検サンプルの真偽を判定する工程を含む、
ことを特徴とする近赤外分光計に基づく食用油の多元混入同定方法。
（付記１）
近赤外分光計に基づく食用油の多元混入同定方法であって、モデルの構築工程とモデルの応用工程とを含み、
前記モデルの構築工程は、
Ｓ１）近赤外スペクトルの信号収集工程であって、
高価な食用油および潜在的混入食用油をサンプルとして選択し、近赤外分光計によってサンプルの近赤外スペクトルを収集する工程と、
Ｓ２）近赤外スペクトルの前処理および食用油の近赤外スペクトルデータベースの確立工程であって、
収集したサンプルの初期近赤外スペクトルに対し標準正規変換のデータ前処理を行い、初期近赤外スペクトルから当該スペクトル点の吸光度の平均値を差し引いて当該スペクトルデータの標準偏差を除算して、前処理後の近赤外スペクトルを得て標準スペクトルとし、食用油の近赤外スペクトルデータベースを確立する工程と、
Ｓ３）食用油の多元混入同定モデルの確立工程であって、
ある高価な食用油に対し、まずケモメトリックスによって当該高価な食用油と潜在的混入食用油の間の分類モデルを確立し、安価な食用油から高価な食用油を区別する重要変数を確定し、次に、選択した重要変数を利用して当該高価な食用油の１クラス分類モデル、すなわち当該高価な食用油の多元混入同定モデルを確立する工程と、を含み、
前記モデルの応用工程は、
被検サンプルを取り、被検サンプルの近赤外スペクトルを近赤外分光計によって収集し、工程Ｓ２での前処理方法によって前処理を行って被検サンプルの標準スペクトルデータを得、工程Ｓ３で確立した多元混入同定モデルを用いて被検サンプルの真偽を判定する工程を含む、
ことを特徴とする近赤外分光計に基づく食用油の多元混入同定方法。
（付記２）
付記１に記載の近赤外分光計に基づく食用油の多元混入同定方法において、
工程Ｓ２で下記式によって近赤外スペクトルの前処理を行うことを特徴とする近赤外分光計に基づく食用油の多元混入同定方法。
式中、
Ｚｉｊ：各サンプルの前処理後のスペクトル点、
Ｘｉｊ：各サンプルの初期スペクトル点、
：各サンプルスペクトルの全スペクトル点の平均値、
Ｓｉ：当該サンプルのスペクトルデータの標準偏差、
ｉ＝１，２，．．．，ｎ、
ｊ＝１，２，．．．，ｐ、
ｎ：サンプル数、
ｐ：スペクトル点の数。
付記１に記載の近赤外分光計に基づく食用油の多元混入同定方法において、
工程Ｓ２で下記式によって近赤外スペクトルの前処理を行うことを特徴とする近赤外分光計に基づく食用油の多元混入同定方法。
Ｚｉｊ：各サンプルの前処理後のスペクトル点、
Ｘｉｊ：各サンプルの初期スペクトル点、
Ｓｉ：当該サンプルのスペクトルデータの標準偏差、
ｉ＝１，２，．．．，ｎ、
ｊ＝１，２，．．．，ｐ、
ｎ：サンプル数、
ｐ：スペクトル点の数。
（付記３）
付記１に記載の近赤外分光計に基づく食用油の多元混入同定方法において、
工程Ｓ３での重要変数は、固有波長であることを特徴とする近赤外分光計に基づく食用油の多元混入同定方法。
付記１に記載の近赤外分光計に基づく食用油の多元混入同定方法において、
工程Ｓ３での重要変数は、固有波長であることを特徴とする近赤外分光計に基づく食用油の多元混入同定方法。
（付記４）
付記１に記載の近赤外分光計に基づく食用油の多元混入同定方法において、
潜在的混入食用油は、価格が当該高価な食用油よりも安い安価な食用油であることを特徴とする近赤外分光計に基づく食用油の多元混入同定方法。
付記１に記載の近赤外分光計に基づく食用油の多元混入同定方法において、
潜在的混入食用油は、価格が当該高価な食用油よりも安い安価な食用油であることを特徴とする近赤外分光計に基づく食用油の多元混入同定方法。
（付記５）
付記１に記載の近赤外分光計に基づく食用油の多元混入同定方法において、
工程Ｓ１で各サンプルの近赤外スペクトルに対する測定が２〜９回繰り返されることを特徴とする近赤外分光計に基づく食用油の多元混入同定方法。
付記１に記載の近赤外分光計に基づく食用油の多元混入同定方法において、
工程Ｓ１で各サンプルの近赤外スペクトルに対する測定が２〜９回繰り返されることを特徴とする近赤外分光計に基づく食用油の多元混入同定方法。
（付記６）
付記１に記載の近赤外分光計に基づく食用油の多元混入同定方法において、
工程Ｓ１でのスペクトル収集条件は、以下であることを特徴とする近赤外分光計に基づく食用油の多元混入同定方法。
採集温度：２０±５℃、
近赤外スペクトルの測定範囲：４０００〜１００００ｃｍ−１、
走査回数：３２回、
解析度：３．８５７ｃｍ−１、
サンプルセルの光路：２〜１０ｍｍ、
測定方式：透過。
付記１に記載の近赤外分光計に基づく食用油の多元混入同定方法において、
工程Ｓ１でのスペクトル収集条件は、以下であることを特徴とする近赤外分光計に基づく食用油の多元混入同定方法。
採集温度：２０±５℃、
近赤外スペクトルの測定範囲：４０００〜１００００ｃｍ−１、
走査回数：３２回、
解析度：３．８５７ｃｍ−１、
サンプルセルの光路：２〜１０ｍｍ、
測定方式：透過。
（付記７）
付記１に記載の近赤外分光計に基づく食用油の多元混入同定方法において、
工程Ｓ３で用いられるケモメトリックス法は、主成分分析、部分最小二乗判別分析、直交補正の部分最小二乗判別分析の変数選択法、および１クラス部分最小二乗法、クラスタ独立ソフトモード法、１クラスサポートベクトルマシンのモデリング法を含むことを特徴とする近赤外分光計に基づく食用油の多元混入同定方法。
付記１に記載の近赤外分光計に基づく食用油の多元混入同定方法において、
工程Ｓ３で用いられるケモメトリックス法は、主成分分析、部分最小二乗判別分析、直交補正の部分最小二乗判別分析の変数選択法、および１クラス部分最小二乗法、クラスタ独立ソフトモード法、１クラスサポートベクトルマシンのモデリング法を含むことを特徴とする近赤外分光計に基づく食用油の多元混入同定方法。
（付記８）
付記１に記載の近赤外分光計に基づく食用油の多元混入同定方法において、
工程Ｓ３での１クラス分類モデルの確立方法として、
真の対象食用油サンプルを一定の割合で無作為に訓練セットと検証セットとの２つのデータセットに分け、訓練セットのうち真の対象食用油の近赤外スペクトル情報を１クラス分類モデルの確立に用いると同時に、真の食用油を検証セットとし、混入食用油の近赤外スペクトル情報とともにモデルの検証を行うことを特徴とする近赤外分光計に基づく食用油の多元混入同定方法。
付記１に記載の近赤外分光計に基づく食用油の多元混入同定方法において、
工程Ｓ３での１クラス分類モデルの確立方法として、
真の対象食用油サンプルを一定の割合で無作為に訓練セットと検証セットとの２つのデータセットに分け、訓練セットのうち真の対象食用油の近赤外スペクトル情報を１クラス分類モデルの確立に用いると同時に、真の食用油を検証セットとし、混入食用油の近赤外スペクトル情報とともにモデルの検証を行うことを特徴とする近赤外分光計に基づく食用油の多元混入同定方法。
（付記９）
付記８に記載の近赤外分光計に基づく食用油の多元混入同定方法において、
当該方法で多元混入同定モデルを利用して被検サンプルの真偽を判定する方法として、
訓練セットのうち真のサンプルのスペクトルデータの、モデル中の絶対中心偏差の分布から判定閾値を特定し、被検サンプルの固有近赤外スペクトル情報をモデルに導入し、モデルで絶対中心偏差値を計算し、それから閾値と比較して被検サンプルの真偽を同定することを特徴とする近赤外分光計に基づく食用油の多元混入同定方法。
付記８に記載の近赤外分光計に基づく食用油の多元混入同定方法において、
当該方法で多元混入同定モデルを利用して被検サンプルの真偽を判定する方法として、
訓練セットのうち真のサンプルのスペクトルデータの、モデル中の絶対中心偏差の分布から判定閾値を特定し、被検サンプルの固有近赤外スペクトル情報をモデルに導入し、モデルで絶対中心偏差値を計算し、それから閾値と比較して被検サンプルの真偽を同定することを特徴とする近赤外分光計に基づく食用油の多元混入同定方法。
Claims (8)
- 近赤外分光計に基づく食用油の多元混入同定方法であって、モデルの構築工程とモデルの応用工程とを含み、
前記モデルの構築工程は、
Ｓ１）近赤外スペクトルの信号収集工程であって、
偽和物が混入していない真の対象食用油および偽和物である１つ以上の食用油をサンプルとして選択し、近赤外分光計によってサンプルの近赤外スペクトルを収集する工程と、
Ｓ２）近赤外スペクトルの前処理および食用油の近赤外スペクトルデータベースの確立工程であって、
収集したサンプルの初期近赤外スペクトルに対し、初期近赤外スペクトルから当該スペクトル点の吸光度の平均値を差し引いて当該スペクトルデータの標準偏差を除算して、前処理後の近赤外スペクトルを得て標準スペクトルとし、食用油の近赤外スペクトルデータベースを確立する工程と、
Ｓ３）食用油の多元混入同定モデルの確立工程であって、
前記真の対象食用油に前記偽和物である１つ以上の食用油を混入した混入油から前記真の対象食用油を区別する重要変数を確定し、次に、選択した重要変数を利用して当該真の対象食用油の１クラス分類モデル、すなわち当該真の対象食用油の多元混入同定モデルを確立する工程と、を含み、
前記モデルの応用工程は、
被検サンプルを取り、被検サンプルの近赤外スペクトルを近赤外分光計によって収集し、工程Ｓ２での前処理方法によって前処理を行って被検サンプルの標準スペクトルデータを得、工程Ｓ３で確立した多元混入同定モデルを用いて被検サンプルの真偽を判定する工程を含む、
ことを特徴とする近赤外分光計に基づく食用油の多元混入同定方法。 - 請求項１に記載の近赤外分光計に基づく食用油の多元混入同定方法において、
工程Ｓ２で下記式によって近赤外スペクトルの前処理を行うことを特徴とする近赤外分光計に基づく食用油の多元混入同定方法。
Ｚｉｊ：各サンプルの前処理後のスペクトル点、
Ｘｉｊ：各サンプルの初期スペクトル点、
Ｓｉ：当該サンプルのスペクトルデータの標準偏差、
ｉ＝１，２，．．．，ｎ、
ｊ＝１，２，．．．，ｐ、
ｎ：サンプル数、
ｐ：スペクトル点の数。 - 請求項１に記載の近赤外分光計に基づく食用油の多元混入同定方法において、
工程Ｓ３での重要変数は、固有波長であることを特徴とする近赤外分光計に基づく食用油の多元混入同定方法。 - 請求項１に記載の近赤外分光計に基づく食用油の多元混入同定方法において、
工程Ｓ１で各サンプルの近赤外スペクトルに対する測定が２〜９回繰り返されることを特徴とする近赤外分光計に基づく食用油の多元混入同定方法。 - 請求項１に記載の近赤外分光計に基づく食用油の多元混入同定方法において、
工程Ｓ１でのスペクトル収集条件は、以下であることを特徴とする近赤外分光計に基づく食用油の多元混入同定方法。
採集温度：２０±５℃、
近赤外スペクトルの測定範囲：４０００〜１００００ｃｍ−１、
走査回数：３２回、
解析度：３．８５７ｃｍ−１、
サンプルセルの光路：２〜１０ｍｍ、
測定方式：透過。 - 請求項１に記載の近赤外分光計に基づく食用油の多元混入同定方法において、
工程Ｓ３で前記重要変数を確定し、前記多元混入同定モデルを確立するために用いられるケモメトリックス法は、主成分分析、部分最小二乗判別分析、直交補正の部分最小二乗判別分析の何れかの変数選択法、および１クラス部分最小二乗法、クラスタ独立ソフトモード法、１クラスサポートベクトルマシンの何れかのモデリング法を含むことを特徴とする近赤外分光計に基づく食用油の多元混入同定方法。 - 請求項１に記載の近赤外分光計に基づく食用油の多元混入同定方法において、
近赤外分光計によって前記混入油の近赤外スペクトルを収集し、
工程Ｓ３での１クラス分類モデルの確立方法として、
真の対象食用油サンプルを一定の割合で無作為に訓練セットと検証セットとの２つに分け、訓練セットの近赤外スペクトル情報を１クラス分類モデルの確立に用いると同時に、検証セットと前記混入油の近赤外スペクトル情報とをともに用いてモデルの検証を行うことを特徴とする近赤外分光計に基づく食用油の多元混入同定方法。 - 請求項７に記載の近赤外分光計に基づく食用油の多元混入同定方法において、
当該方法で多元混入同定モデルを利用して被検サンプルの真偽を判定する方法として、
訓練セットのうち真のサンプルのスペクトルデータの、モデル中の絶対中心偏差の分布から判定閾値を特定し、被検サンプルの固有近赤外スペクトル情報をモデルに導入し、モデルで絶対中心偏差値を計算し、それから閾値と比較して被検サンプルの真偽を同定することを特徴とする近赤外分光計に基づく食用油の多元混入同定方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711194143.0 | 2017-11-24 | ||
| CN201711194143.0A CN107894408B (zh) | 2017-11-24 | 2017-11-24 | 一种基于近红外光谱仪的食用油多元掺伪鉴别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2019095447A JP2019095447A (ja) | 2019-06-20 |
| JP6942110B2 true JP6942110B2 (ja) | 2021-09-29 |
Family
ID=61804644
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2018217926A Active JP6942110B2 (ja) | 2017-11-24 | 2018-11-21 | 近赤外分光計に基づく食用油の多元混入同定方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US10948407B2 (ja) |
| JP (1) | JP6942110B2 (ja) |
| CN (1) | CN107894408B (ja) |
Families Citing this family (37)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109142265B (zh) * | 2018-08-24 | 2021-02-19 | 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 |
| CN110646375A (zh) * | 2019-09-06 | 2020-01-03 | 赣南医学院 | 一种山茶油掺假鉴别方法 |
| CN110672570A (zh) * | 2019-10-12 | 2020-01-10 | 闽江学院 | 一种基于植物油三维荧光光谱的茶油鉴定方法 |
| CN110954666B (zh) * | 2019-11-14 | 2022-01-11 | 温州大学 | 一种基于偏最小二乘判别分析模型的茶叶等级判别方法 |
| CN110907388A (zh) * | 2019-11-22 | 2020-03-24 | 光钙(上海)高科技有限公司 | 一种基于红外光谱分析的溢油种类鉴别的方法 |
| CN110954494A (zh) * | 2019-11-29 | 2020-04-03 | 中国农业科学院北京畜牧兽医研究所 | 一种基于近红外的牛肉品质分级方法 |
| CN110865048A (zh) * | 2019-12-09 | 2020-03-06 | 西华大学 | 一种监测配料混合均匀度的无损检测方法 |
| CN111060476A (zh) * | 2019-12-19 | 2020-04-24 | 中山大学附属第一医院 | 一种用于检测创面或lb培养液细菌感染的近红外光谱系统及其检测方法 |
| CN111912815B (zh) * | 2019-12-20 | 2023-03-14 | 南开大学 | 一种评估油料作物品质的近红外光谱分析方法 |
| CN111103259B (zh) * | 2020-02-13 | 2023-04-07 | 北京工商大学 | 基于光谱技术的煎炸油品质快速检测方法 |
| CN111272696A (zh) * | 2020-03-24 | 2020-06-12 | 山东大学 | 一种快速检测普洱茶中掺杂香精的方法 |
| CN111693486B (zh) * | 2020-04-21 | 2022-01-14 | 天津农学院 | 一种减小品牌对掺杂尿素牛奶判别模型影响的同步近红外相关切谱检测方法 |
| CN111323384B (zh) * | 2020-04-21 | 2022-01-14 | 天津农学院 | 一种基于二维近红外相关切谱判别牛奶中掺杂尿素的方法 |
| CN111351767B (zh) * | 2020-04-21 | 2022-01-14 | 天津农学院 | 一种基于二维近红外相关谱应用特征切谱判别牛奶中掺杂尿素的判别方法 |
| CN111650152B (zh) * | 2020-04-21 | 2022-01-14 | 天津农学院 | 一种减小品牌对掺杂尿素牛奶判别模型影响的异步近红外相关切谱检测方法 |
| CN111398208B (zh) * | 2020-04-22 | 2023-10-31 | 谭贵平 | 一种利用近红外技术对传统工艺翡翠进行快速鉴定的方法 |
| CN111398238A (zh) * | 2020-05-13 | 2020-07-10 | 安徽理工大学 | 一种食用油掺杂蓖麻油的激光诱导荧光光谱识别方法 |
| CN111832481B (zh) * | 2020-07-13 | 2023-10-10 | 武汉轻工大学 | 食用植物油加工质量检测方法、设备、存储介质及装置 |
| CN111896495A (zh) * | 2020-08-05 | 2020-11-06 | 安徽大学 | 基于深度学习与近红外光谱太平猴魁产地甄别方法及系统 |
| CN114112981A (zh) * | 2020-08-27 | 2022-03-01 | 广东省林业科学研究院 | 一种阴香叶片精油含量快速检测方法及系统 |
| CN114384039B (zh) * | 2020-10-20 | 2024-03-01 | 贵州中烟工业有限责任公司 | 一种基于光谱投影残差的卷烟加料均匀性检测方法 |
| CN112730571B (zh) * | 2020-12-25 | 2022-04-12 | 广东互信生物科技有限公司 | 一种蜂毒真伪快速鉴别及其掺伪量测定的方法 |
| CN112881323B (zh) * | 2021-01-14 | 2022-03-08 | 云南中烟工业有限责任公司 | 卷烟主流烟气的品质评价方法 |
| CN112697744A (zh) * | 2021-01-14 | 2021-04-23 | 中国林业科学研究院木材工业研究所 | 一种基于红外光谱的东非黑黄檀工艺品的鉴别方法 |
| CN113092405B (zh) * | 2021-04-08 | 2023-06-16 | 晨光生物科技集团股份有限公司 | 一种快速预判植物油常温条件下诱导期的方法 |
| CN113418889B (zh) * | 2021-05-17 | 2023-05-26 | 中国海洋大学 | 一种基于深度学习的干菜水分含量和菌落总数的实时检测方法 |
| CN113313157A (zh) * | 2021-05-22 | 2021-08-27 | 福州大学 | 一种基于机器学习的藕粉产地判别方法 |
| CN113536927A (zh) * | 2021-06-15 | 2021-10-22 | 南昌海关技术中心 | 一种赣南脐橙鉴别方法、系统及存储介质 |
| CN113552089A (zh) * | 2021-07-06 | 2021-10-26 | 中国农业科学院茶叶研究所 | 一种红茶萎凋程度数字化的无损检测方法 |
| CN113672662A (zh) * | 2021-08-04 | 2021-11-19 | 华中农业大学 | 一种食品多源信息融合方法、装置及存储介质 |
| 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 |
| CN114112989B (zh) * | 2021-12-03 | 2023-07-11 | 四川启睿克科技有限公司 | 基于复合视觉的近红外检测方法及系统 |
| CN114279962B (zh) * | 2021-12-21 | 2023-07-25 | 四川启睿克科技有限公司 | 一种基于便携式近红外光谱仪的光照自适应方法 |
| CN115326319B (zh) * | 2022-08-08 | 2023-11-24 | 无锡迅杰光远科技有限公司 | 液体包装检测方法、装置和存储介质 |
| CN117171566B (zh) * | 2022-08-17 | 2024-05-10 | 无锡迅杰光远科技有限公司 | 样品含量识别方法、装置和存储介质 |
| CN115060687B (zh) * | 2022-08-18 | 2022-11-08 | 南京富岛信息工程有限公司 | 一种成品油生产企业税收监管方法 |
| CN116777920B (zh) * | 2023-08-25 | 2023-11-10 | 钛玛科（北京）工业科技有限公司 | 一种不干胶涂胶量检测方法 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101692052B (zh) * | 2009-08-31 | 2012-05-23 | 江苏大学 | 基于超光谱图像技术的名优茶真伪鉴别方法及装置 |
| US8699019B2 (en) * | 2011-07-13 | 2014-04-15 | OptoTrace (SuZhou) Technologies, Inc. | Assuring food safety using nano-structure based spectral sensing |
| CN102735642B (zh) * | 2012-07-12 | 2014-07-02 | 河北大学 | 一种快速无损鉴别初榨橄榄油和油橄榄果渣油的方法 |
| CN103543123A (zh) * | 2013-10-08 | 2014-01-29 | 江南大学 | 一种掺假牛奶的红外光谱识别方法 |
| KR20150069135A (ko) * | 2013-12-13 | 2015-06-23 | 한국건설기술연구원 | 난연재의 난연성능 판별 방법 |
| US20180052144A1 (en) * | 2015-03-11 | 2018-02-22 | Hormoz Azizian | Method And Technique For Verification Of Olive Oil Composition |
| CN105115938B (zh) * | 2015-07-29 | 2018-01-05 | 北京航空航天大学 | 一种饲料原料中三聚氰胺掺假定量检测方法 |
| CN105136735A (zh) * | 2015-09-07 | 2015-12-09 | 天津工业大学 | 一种用于三元掺伪芝麻油含量的快速、无损分析方法 |
| CN105241838B (zh) * | 2015-09-29 | 2017-11-21 | 西北农林科技大学 | 一种沙棘籽油掺伪的检测方法 |
| US10119905B2 (en) * | 2016-04-18 | 2018-11-06 | Nir Technologies Inc. | Verification of olive oil composition |
| US10791933B2 (en) * | 2016-07-27 | 2020-10-06 | Verifood, Ltd. | Spectrometry systems, methods, and applications |
| US10467586B2 (en) * | 2017-03-23 | 2019-11-05 | International Business Machines Corporation | Blockchain ledgers of material spectral signatures for supply chain integrity management |
| US10859552B2 (en) * | 2017-06-20 | 2020-12-08 | The Hong Kong Polytechnic University | Edible oil analysis system and method |
-
2017
- 2017-11-24 CN CN201711194143.0A patent/CN107894408B/zh active Active
-
2018
- 2018-11-21 US US16/197,689 patent/US10948407B2/en active Active
- 2018-11-21 JP JP2018217926A patent/JP6942110B2/ja active Active
Also Published As
| Publication number | Publication date |
|---|---|
| US20190162658A1 (en) | 2019-05-30 |
| JP2019095447A (ja) | 2019-06-20 |
| CN107894408B (zh) | 2021-04-13 |
| US10948407B2 (en) | 2021-03-16 |
| CN107894408A (zh) | 2018-04-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6942110B2 (ja) | 近赤外分光計に基づく食用油の多元混入同定方法 | |
| Šmejkalová et al. | High-power gradient diffusion NMR spectroscopy for the rapid assessment of extra-virgin olive oil adulteration | |
| Longobardi et al. | Classification of olive oils according to geographical origin by using 1H NMR fingerprinting combined with multivariate analysis | |
| Riedl et al. | Review of validation and reporting of non-targeted fingerprinting approaches for food authentication | |
| Vitale et al. | A rapid and non-invasive method for authenticating the origin of pistachio samples by NIR spectroscopy and chemometrics | |
| Casale et al. | Near infrared spectroscopy for analysing olive oils | |
| Mogol et al. | Computer vision‐based analysis of foods: A non‐destructive colour measurement tool to monitor quality and safety | |
| US20180052144A1 (en) | Method And Technique For Verification Of Olive Oil Composition | |
| 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 | |
| Sun et al. | Detection of internal qualities of hami melons using hyperspectral imaging technology based on variable selection algorithms | |
| Xu et al. | Multivariate quality control solved by one‐class partial least squares regression: identification of adulterated peanut oils by mid‐infrared spectroscopy | |
| KR101432543B1 (ko) | 핵자기 공명 분광 기술을 이용한 참기름의 감식 방법 | |
| CN104237370B (zh) | 一种添加芝麻油香精的假冒芝麻油快速鉴别方法 | |
| Abdallah et al. | Cultivar discrimination and prediction of mixtures of Tunisian extra virgin olive oils by FTIR | |
| Godoy et al. | Analysis of vegetable oil from different suppliers by chemometric techniques to ensure correct classification of oil sources to deal with counterfeiting | |
| Bao et al. | A comparative evaluation of low-field and high-field NMR untargeted analysis: Authentication of virgin coconut oil adulterated with refined coconut oil as a case study | |
| da Silva Medeiros et al. | Portable near-infrared (NIR) spectrometer and chemometrics for rapid identification of butter cheese adulteration | |
| CN113310929A (zh) | 高温灭菌奶中掺加豆粉及其掺加比例的光谱鉴定方法 | |
| Zhang et al. | Recent advances in analytical detection of olive oil adulteration | |
| CN112485216A (zh) | 一种多源信息融合的泰国茉莉香米掺伪鉴别方法 | |
| Rashvand et al. | The feasibility of using image processing and artificial neural network for detecting the adulteration of sesame oil | |
| Irfan et al. | Feasibility study of detecting palm oil adulteration with recycled cooking oil using a handheld NIR spectroscopy | |
| CN102901744A (zh) | 一种花生油真伪的检测方法 | |
| Pereira et al. | Seed oil detection in extra virgin olive oil by differential scanning calorimetry | |
| Wu et al. | A rapid and low-cost method for detection of nine kinds of vegetable oil adulteration based on 3-D fluorescence spectroscopy |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20181121 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20191030 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20191203 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20200302 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200507 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20201110 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20210210 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210412 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210831 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210907 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6942110 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |