一种基于近红外光谱及化学计量学的五元调和油定量分析方法与流程

本发明属于食品分析领域调和油的定量分析方法研究，涉及一种基于近红外光谱及化学计量学的五元调和油定量分析方法。

背景技术：

食用调和油是由两种及两种以上经精炼的食用油按比例调配制成。由于调和油比单一食用油在营养物质方面丰富均衡，因而受到广大消费者的青睐。但是由于配制调和油所用的食用油在价格上存在较大差异，而调和油成分的定量分析又缺乏国家标准，因此许多不法商家为了获得更大的利益便会加大低价食用油的比例来降低调和油的成本。市场上大多数调和油往往只标注了有哪些成分，并没有标注每种成分所占的比例，或者所标注的比例与实际不符。因此，研究一种针对多元调和油准确定量分析的方法具有重要意义。

目前调和油的检测方法有气相色谱法、高效液相色谱法、荧光光谱法、紫外分光光度法、红外光谱法和拉曼光谱法等。尽管这些方法都能得到较好的预测效果，但是也存在一些局限，如气相色谱法和高效液相色谱法操作费时费力且样品预处理复杂；紫外光谱区分度不高等。近红外光谱技术由于其快速、无损、无需样品预处理等优点成为农产品分析及食品分析的首选方法。但是近红外光谱信号较弱，谱峰重叠严重，需要借助化学计量学中的多元校正方法才能进行定量分析。多元校正方法主要有主成分回归法(pcr)、人工神经网络法(ann)和偏最小二乘回归(pls)等方法，其中pls因其参数少、简单、快速等优点成为应用最为广泛的多元校正方法。目前已有很多研究探讨多元校正对调和油进行定量分析的可行性，然而大多数研究只是针对二元和三元调和油体系，更多元数的调和油定量分析研究较少。

食用油等复杂样品的近红外光谱中除了有用信息外，往往包含大量的冗余波长信息；所采集的光谱信息容易受到测试条件如温度、噪声和杂散光等的影响。这些因素会导致多元校正方法的预测准确度降低。因此，需要采用合适的预处理以及波长选择方法对光谱进行处理，以消除上述因素的影响。前者有平滑、标准正态变量(snv)、多元散射校正(msc)、求导和连续小波变换(cwt)等。后者有遗传算法(ga)、无信息变量消除(uve)、蒙特卡罗-无信息变量消除(mc-uve)和随机检验(rt)等。理论上讲，平滑主要消除噪声信息，snv、msc是背景校正技术，主要消除杂散光信息，求导和cwt是背景扣除技术，主要消除背景信息，波长选择方法主要选择与预测目标组分相关的波长点。然而，对于具体体系，哪种方法处理方法效果最好，需要结合处理效果选取。

技术实现要素：

本发明的目的是针对上述存在的问题，以近红外光谱作为测试手段，优化光谱数据处理方法，再建立多元校正模型，提供一种五元调和油定量分析方法。

为实现本发明所提供的技术方案包括以下步骤：

1)配制实验样品并采集样品的近红外光谱

分别从天津大型超市购买五种单一的食用油样品若干并由这五种单一的食用油配制调和油样品。其中每种油的质量百分数为0～40％，间隔为0.8％，共设计51个浓度。将五种油的51个浓度分别随机打乱并保证1个样品中五种油的质量百分数总和为100％。按照设计好的每个调和油样品中五种油的浓度逐一配制调和油样品。设置近红外仪器的参数，扫描所有样品的近红外光谱。

2)确定偏最小二乘方法的因子数

根据蒙特卡罗交叉验证的交叉验证均方根误差(rmsecv)随因子数(lv)的变化确定偏最小二乘模型的因子数，rmsecv最小值对应的因子数为最佳因子数。

3)使用不同数据处理方法及其组合对光谱信号进行处理

根据预测均方根误差(rmsep)随着窗口的变化确定sg平滑及求导的窗口大小；根据rmsep随着小波函数及分解尺度的变化确定cwt的小波函数及分解尺度。在最佳参数下，考察sg平滑法、snv、msc、一阶导数(1^stder)、二阶导数(2^ndder)、cwt等预处理方法及其组合snv+1^stder、msc+1^stder、snv+2^ndder、msc+2^ndder、snv+cwt、msc+cwt对光谱进行预处理的效果。得到最佳预处理方法后，再考察uve、mcuve、rt的波长选择效果，确定最佳预处理-波长选择方法。

4)利用偏最小二乘方法对处理后的数据建模

采用最佳预处理-波长选择方法处理光谱数据后，再建立偏最小二乘回归模型。将未知样品的光谱代入到模型中，预测五元调和油中各种油份比例。

本发明优势在于使用不同预处理方法及其组合方法对数据进行预处理及波长选择，然后再建立偏最小二乘回归模型，从而提高了对五元调和油中各种油份比例检测的准确度。

附图说明

图1是51个五元调和油样品的近红外光谱图

图2是五元调和油样品训练集的rmsecv随着因子数的变化图

图3是五元调和油样品平滑预处理的rmsep随着窗口的变化图

图4是五元调和油样品一阶导数预处理的rmsep随着窗口的变化图

图5是五元调和油样品二阶导数预处理的rmsep随着窗口的变化图

图6是五元调和油样品中稻米油组分连续小波变化预处理的rmsep随着小波函数以及分解尺度的变化图

图7是五元调和油样品平均光谱和最佳预处理方法结合三种波长选择方法对稻米油组分保留波长的分布图

图8是五元调和油样品中稻米油组分最佳预处理方法结合三种波长选择方法的rmsep随着保留波长数的变化图

(a)sg平滑-uve(b)sg平滑-mcuve(c)sg平滑-rt

图9是五元调和油样品预测集的预测值与真实值的关系图

(a)稻米油(b)大豆油(c)玉米油(d)葵花油(e)香油

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所表示的范围。

实施例：

1)配制实验样品并采集样品的近红外光谱

分别从天津大型超市购买稻米油、大豆油、玉米油、葵花油、香油样品若干来配制调和油样品。其中每种油的质量百分数为0～40％，间隔为0.8％，共设计51个浓度。将五种油的51个浓度分别随机打乱并保证1个样品中五种油的质量百分数总和为100％。按照设计好的每个调和油样品中五种油的浓度逐一配制调和油样品。实验前，将vertex70多波段红外/近红外光谱仪打开，设置测试参数，采样波数范围为12000-4000cm^-1，分辨率为8cm^-1，背景及样品扫描次数均为32次，将仪器预热1个小时。选取2mm的比色皿，放入多波段红外/近红外光谱仪中，进行基线扫描三次，取平均值作为背景。用塑料滴管吸入待测样品滴加至2mm比色皿中约2/3的位置，将比色皿外面用擦镜纸擦干净放入仪器中扫描，每个样品扫描三次，取平均值作为该样品的最终光谱。

图1是51个五元调和油样品的近红外光谱图，从图中可以看出，51个调和油样品的光谱几乎完全重叠在一起，无法直接根据谱峰高度获取含量信息，因此需要借助化学计量学方法进行定量分析。

2)确定偏最小二乘方法的因子数

运用ks法划分数据，样品总数的2/3作为训练集，1/3作为预测集。将因子数从1到25进行改变，得到rmsecv最小值时所对应的因子数即为最佳因子数。图2显示了五元调和油样品rmsecv随着因子数的变化，从图中可以看出，稻米油、大豆油、玉米油、葵花油和香油组分的最佳因子数分别为16、21、16、20、16。

3)使用不同数据处理方法及其组合对光谱信号进行处理

根据预测均方根误差(rmsep)随着窗口的变化确定sg平滑及求导的窗口大小。图3显示了平滑预处理下rmsep随着窗口的变化。从图中可以看出，随着窗口的变大，rmsep值先变小后趋于平稳。稻米油、大豆油、玉米油、葵花油和香油组分rmsep最小值对应的窗口分别为35、41、51、41和9，为上述5个组分平滑预处理的最佳窗口。图4和图5分别显示了一阶导数及二阶导数预处理下的rmsep随着窗口的变化。从两图中可以看出，光谱数据分别在一阶导数，二阶导数的预处理下，稻米油、大豆油、玉米油、葵花油和香油的最佳窗口分别为43、37、49、15、59和57、53、59、59、53。

根据rmsep随着小波函数及分解尺度的变化确定cwt的小波函数及分解尺度。图6是五元调和油样品中稻米油组分经过cwt预处理的rmsep随着小波函数以及分解尺度的变化图。分解尺度从1变化到40，小波函数1-32分别代表haar，db2-db20，coif1-coif5，sym2-sym8等32个小波函数。从图中可以看出，稻米油的rmsep随着分解尺度的增大先迅速减小后缓慢下降最后趋于平稳，而随着小波函数的改变变化不大。rmsep最小值对应的小波函数和分解尺度分别为db16和38。通过类似的方法可以得出大豆油、玉米油、葵花油和香油的最佳小波函数和分解尺度分别为sym7、haar、haar、db10和27、39、36、37。

在最佳参数下，考察sg平滑、snv、msc、1^stder、2^stder、cwt等预处理方法及其组合，包括snv-1^stder、msc-1^stder、snv-2^ndder、msc-2^ndder、snv-cwt、msc-cwt等方法，对信号进行预处理的效果。

表1显示了不同预处理方法对五元调和油中稻米油组分的预测结果。从表中可看出，与未经过预处理的pls方法相比，除了snv、msc外，其它预处理方法对预测准确度都有不同程度的提高，其中sg平滑的rmsep为1.8331，为所有预处理方法的最小值，预测集相关系数r为0.9812，是所有预处理方法的较大值，从而可以得出sg平滑预处理效果最好，是定量分析稻米油组分的最佳预处理方法。同理可以得出大豆油、玉米油、葵花油和香油最佳预处理方法分别为msc-cwt、sg平滑、2^stder和cwt-msc。

表1不同预处理方法对五元调和油中稻米油组分预测结果的比较

在最佳预处理基础上，采用uve、mcuve、rt等波长选择方法进行实验，从中选择出最佳的预处理-波长选择方法，作为最终建模结果。

图7是51个五元调和油样品平均光谱和最佳预处理方法结合三种波长选择方法对稻米油组分保留波长的分布图。从图中可以看出，不同波长选择方法对稻米油组分保留的波长类似，说明了波长选择的合理性。图8是五元调和油样品预测集中稻米油组分最佳预处理方法结合三种波长选择方法的rmsep随着保留波长数的变化图，可以看出，sg平滑-mc-uve的rmsep最小，因此选择sg平滑-mc-uve作为稻米油最佳的预处理-波长选择方法。通过类似的方法，可以得到大豆油、玉米油、葵花油和香油的最佳数据处理方法分别为：msc-cwt-mcuve、sg-uve、2^ndder-cwt-mcuve、cwt-msc-uve。

4)利用偏最小二乘方法对处理后的数据建模

对于稻米油、大豆油、玉米油、葵花油和香油组分，分别采用sg平滑-mc-uve、msc-cwt-mcuve、sg-uve、2^ndder-cwt-mcuve和cwt-msc-uve作为最佳预处理-波长选择方法，建立偏最小二乘回归模型。将未知样品的光谱代入到模型中，预测五元调和油中各种油份比例。

图9显示了经过最佳预处理-波长选择后建立pls模型，五元调和油样品中每种油的预测值与真实值的关系，从图中可以看出，稻米油、大豆油、玉米油、葵花油、香油的预测值与真实值都具有较好的线性关系，相关系数r分别为0.9980、0.9995、0.9699、0.9936、0.9845。而没有经过预处理前，对每种油建立pls模型，上述五种油的相关系数r分别为0.9356、0.6674、0.8932、0.8494、0.9273。结果表明经过最佳预处理-波长选择方法处理光谱后，所建偏最小二乘模型的预测能力有较大提高。因此，近红外光谱技术结合合适的化学计量学方法可以很好地实现五元调和油中各组分油的准确定量。