沉淀后，将上层甲酯溶液倒入进样瓶中 上GC分析，得到各油样脂肪酸组成，再对照《GB 11765-2003油茶籽油》和《GB 1536-2004菜 籽油》特征脂肪酸组成要求，确定出所选的油茶籽油、菜籽油样本的真实性。
[0047] 1.2、调合油样本的模拟调和
[0048] 采用4种品牌的茶籽油分别用菜籽油进行调和，调和比例为0~lOOwt%，纯茶油含 量Owt %~45wt %之间间隔5wt %，56wt %~1 OOwt %间隔2 · 5wt %，4种茶籽油分别用菜籽油 调和，每种茶籽油调和样本32个，共有茶籽调和油样本128个。
[0049] 1.3、样本光谱数据的采集：以美国Thermo公司的Nicolet Antaris Π 傅里叶变换 近红外光谱仪作为采样设备，其配有F0SS公司金反射板的样品杯。在样品杯中倒入3mL的油 样，然后用金反射板小心盖压在样品杯中，以消除气泡对光程的影响;近红外光谱仪采用透 反射检测系统对所述的各个油茶籽油样本进行光谱采集，条件参数为如下:近红外(NIR)光 谱扫描波数lOOOOcnf 1~4000CHT1，扫描次数为32次，分辨率设为8CHT1，以内置背景为参照。 每个油茶籽油样本进行4次平行实验，取其平均光谱作为该样品的标准光谱。将采集到的所 有茶籽调和油样本光谱数据随机分为训练集(训练集样本数96个)和验证集(验证集样本数 32个)两部分。
[0050] 1.4、样本光谱数据的选择：以上述步骤1.3中训练集的光谱数据作为选择来源对 象，选择全光谱数据作为建模用光谱数据。
[0051 ] 1.5、样本光谱数据的处理:运用TQ Analyst v 6.2.1分析软件对上述步骤1.4中 选择的建模用光谱数据进行数据中心化处理。
[0052] 1.6、初步分析模型的确立:根据步骤1.5中经数据中心化处理后的训练集的96个 光谱数据采用偏最小二乘法(PLS)建立全光谱，图1为最终的茶籽调和油中茶油含量的定量 分析模型。
[0053]图1中所示各样本点为各个茶籽调和油中茶油含量的真实值和预测值的相关性， 样本点落在直线上则说明该茶籽调和油中茶油含量真实值和预测值越相近，越远则差异越 大。由图1可以看出，茶籽调和油样本经处理后，真实值和预测值的决定系数R 2达到0.9997。 [0054] 1.7、初步分析模型的验证：以上述步骤1.3中验证集的光谱数据作为选择来源对 象，选择全光谱数据作为验证用光谱数据;对验证集光谱数据进行上述步骤1.5的中心化数 据处理，然后据此测定出验证集中各个茶籽调和油中茶油含量，并结合步骤1.6中建立的初 步定量分析模型进行验证，表1为验证集样本中茶油含量的真实值与预测值的比较结果表。 图2为最终的茶籽调和油中茶油含量的验证集定量分析相关图。图2中所示各样本点为各个 茶籽调和油中茶油含量的真实值和预测值的相关性，样本点落在直线上则说明该茶籽调和 油中茶油含量真实值和预测值越相近，越远则差异越大。
[0055]表1:验证集样本中茶油含量的真实值与预测值的比较结果表
[0056]
[0057]
[0058] 由表1和图2中可以看出，茶籽调和油验证集样本经处理后，真实值和预测值的决 定系数R2达到0.9991。
[0059] 2、采集待测茶籽调和油光谱数据:利用近红外光谱仪对15个待测茶籽调和油样品 的光谱数据进行采集，采集方法与上述步骤1.3相同，以采集到的各样品的平均光谱作为该 样品的标准光谱;采集过程中，所述近红外光谱仪的参数控制如下：
[0060] 近红外光谱扫描波数为10000cm-1~4000cm-1，
[0061 ]近红外光谱扫描次数为32次，
[0062] 分辨率为8cm-1。
[0063] 3、光谱数据的处理:在步骤2采集的15个待测茶籽调和油样品的标准光谱中，选择 全光谱数据作为处理对象，然后将步骤1中已建立好的茶籽调和油定量分析模型方法文件 打开，按照保存路径分别选取前述处理对象，对处理对象中心化处理。
[0064] 4、分析模型的测定:经中心化处理后的光谱数据自动输入到已建立好的茶籽调和 油定量分析模型中，模型自动输出茶油含量。
[0065] 5、将分析模型的预测结果与企业的茶籽调和油的茶油含量进行比较分析，结果列 于表2中。
[0066] 衷2:检验用样本中荼油含量的直实倌与预测倌的比较结果衷
[0067]
[0068]从表2中可知：样本的实际值与预测值的相对误差在±10%范围内。可见，本发明 的检测方法与生产企业实际调和用油用量完全一致，本实施例中15个待测样品的检测精度 达到100% (相对误差在± 10% )。
[0069] 由上述实施例可见，由于缺乏定量分析茶籽调和油中茶油真实含量标准检测方 法，造成市场上的茶籽调和油不能优质优价，阻碍茶籽调和油产业的健康发展，采用本发明 的检测方法不仅操作简单，只需将样品油倒入透反射杯中就可进行光谱采集，而且检测过 程迅速，每个待测样品仅需2min~3min，15个待测样品只需45min就有测定结果。检测过程 对样品没有损坏，在检测过程中不消耗有机试剂，不会损害检测人员健康，不会发生使用化 学试剂而使环境遭受污染的后果，相对误差在±10%范围内，准确率高达100%。
[0070] 以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制。虽 然本发明已以较佳实施例揭示如上，然而并非用以限定本发明。任何熟悉本领域的技术人 员，在不脱离本发明的精神实质和技术方案的情况下，都可利用上述揭示的方法和技术内 容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此， 凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单 修改、等同替换、等效变化及修饰，均仍属于本发明技术方案保护的范围内。
【主权项】
1. 一种基于近红外光谱测定调和油中茶油含量的分析模型，其特征在于，所述分析模 型采用以下方法建立： (a) 调和油样本配制:将油茶籽油用菜籽油进行梯度浓度调节，得到多个调和油样本； (b) 样本光谱数据的采集:采用近红外光谱仪对所述每个调和油样本进行近红外光谱 采集，并将采集到的所有调和油样本光谱数据分为训练集和预测集两部分； (c) 样本光谱数据的选择：以所述步骤(b)中训练集的光谱数据作为选择来源对象，选 择全光谱数据作为建模用光谱数据； (d) 样本光谱数据的处理:对步骤(c)中选择的建模用光谱数据进行中心化处理； (e) 初步分析模型的确立:根据步骤(d)中经中心化处理后的光谱数据确定所述训练集 中各个调和油样本的真实值与预测值的相关性，建立调和油中茶油真实含量定量的初步分 析模型； (f) 初步分析模型的验证：以上述步骤(b)中预测集的光谱数据作为选择来源对象，选 择全光谱数据作为验证用光谱数据;对该验证用光谱数据进行上述步骤(d)的数据处理，然 后据此测定出所述预测集中各个调和油中的茶油真实含量，并结合所配制的调和用茶油真 实含量进行验证，确定最终的调和油中纯茶油的定量分析模型。2. 根据权利要求1所述的分析模型，其特征在于，所述步骤(a)具体为:采用4种品牌的 油茶籽油分别用菜籽油进行调和得到调和油样本，调和比例为〇wt%~lOOwt%。3. 根据权利要求2所述的分析模型，其特征在于，所述调和过程中，纯茶油含量Owt %~ 44wt%范围内，每间隔5wt%设置一个调和油样本;纯茶油含量45wt%~lOOwt%范围内，每 间隔2.5wt%设置一个调和油样本。4. 根据权利要求1所述的分析模型，其特征在于，所述步骤(b)中所述近红外光谱采集 的参数为： 近红外光谱扫描波数为lOOOOcnf1~40000^1， 近红外光谱扫描次数为16次~64次， 分辨率为4cm-1~16cm-1。5. 根据权利要求1所述的分析模型，其特征在于，所述步骤(b)中采用KS法将采集到的 所有调和油样本光谱数据分为训练集和预测集两部分。6. 根据权利要求1所述的分析模型，其特征在于，所述步骤(e)具体为:根据步骤(d)中 经数据中心化处理后的光谱数据采用偏最小二乘法建立初步分析模型。7. -种基于近红外光谱测定调和油中茶油含量的方法，其特征在于，包括以下步骤： (1) 采用近红外光谱法检测待测样品的光谱数据； (2) 以步骤(1)中采集的光谱数据的平均光谱作为标准光谱； (3) 在所述步骤(2)的标准光谱中选择全光谱数据作为处理对象，采用权利要求1至6中 任一项所述分析模型对所述处理对象进行中心化处理； (4) 将经过中心化处理的光谱数据输入到步骤(3)所述分析模型中检测茶油含量。8. 根据权利要求7所述的方法，其特征在于，所述步骤（1)中所述近红外光谱采集的参 数为： 近红外光谱扫描波数为lOOOOcnf1~40000^1， 近红外光谱扫描次数为16次~64次，
【专利摘要】本发明公开了一种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，分析模型采用以下方法建立：调和油样本配制、样本光谱数据的采集、样本光谱数据的选择、样本光谱数据的处理、初步分析模型的确立、初步分析模型的验证。其检测方法包括以下步骤：采用近红外光谱法检测待测样品的光谱数据；以采集的光谱数据的平均光谱作为标准光谱；在标准光谱中选择全光谱数据作为处理对象，采用分析模型对所述处理对象进行中心化处理；将经过中心化处理的光谱数据输入到分析模型中检测茶油含量。本发明的基于近红外光谱测定调和油中茶油含量的分析模型，操作简单、检测迅速、安全环保、检测精度高。
【IPC分类】G01N21/25
【公开号】CN105548027
【申请号】CN201510909256
【发明人】张菊华, 李高阳, 朱向荣, 尚雪波, 杨慧, 刘伟
【申请人】湖南省农产品加工研究所
【公开日】2016年5月4日
【申请日】2015年12月9日