本发明属于食品检测技术领域，主要涉及一种基于红外光谱技术快速检测甜味剂的方法。
背景技术：
现代食品工业发展速度很快，食品添加剂作为食品加工过程中的重要原料，已经达到不可或缺的程度。近几年，不按规定使用食品添加剂导致食品安全事件频繁发生，人们对食品添加剂的安全问题越来越重视。甜味剂作为食品添加剂中一类重要的添加剂，其安全问题逐渐显露出来。食品添加剂国家标准规定，食品中可添加三氯蔗糖、糖精钠、纽甜等甜味剂。人工合成甜味剂作为一种重要的食品添加剂，在甜味剂市场上地位显著，与人们的生活息息相关，人工合成甜味剂的质量安全关系着消费者的身体健康问题。
甜味剂的使用量首先应该满足安全需求，对甜味剂的含量进行快速准确的检测是实现这个目标的基本保障。目前关于甜味剂的检测技术主要基于化学分析或者仪器分析，检测过程需要复杂的取样化验，需要昂贵的分析仪器，检测时间长、成本高且破坏样品，导致检测效率偏低。因此，研究出一种方便快速、高效、成本低、绿色无污染的检测方法显得尤为必要。与传统分析技术相比，红外光谱检测具有高效、快速、成本低和绿色环保等优势。本申请采用红外光谱技术与化学计量学方法相结合，检测甜味剂含量，旨在为甜味剂的快速、无损检测提供新方法。
技术实现要素：
本发明的目的是，采用红外光谱技术与化学计量学方法相结合，开发一种快速检测甜味剂的方法。
本发明的方法如下：
一种基于红外光谱技术快速检测甜味剂的方法，其特征在于，该方法包括以下步骤：(1)检测的五种甜味剂包括：甜蜜素、三氯蔗糖、糖精钠、安赛蜜、阿斯巴甜，配制成不同浓度的甜味剂样本，对样本进行红外光谱分析，得到红外光谱数据；(2)采用主成分分析和偏最小二乘法结合建立甜味剂红外定量预测模型，用主成分分析筛选包含甜味剂特征信息的吸收峰对应的波数范围，然后通过偏最小二乘模型分析原始光谱数据，根据得到结果相关系数r2值进一步选择最适的波数范围；(3)利用预处理方法优化模型得到最优偏最小二乘定量分析模型。
所述的包含甜味剂特征信息的吸收峰对应的波数范围为：甜蜜素1022-1065cm-1，1119-1258cm-1；三氯蔗糖1146-1196cm-1，1277-1412cm-1；糖精钠1142-1157cm-1，1204-1211cm-1，1246-1269cm-1，1308-1327cm-1，1358-1497cm-1；安赛蜜1065-1069cm-1，1142-1200cm-1，1269-1428cm-1；阿斯巴甜1208-1497cm-1。
所述的对光谱数据优先采用一阶导的预处理方法。
附图说明
图1是本发明的技术流程图；
图2是不同浓度甜蜜素样品原始红外光谱图；
图3是甜蜜素样品的主成分分析载荷图。
具体实施方式
下面结合附图来对具体实施例来进一步描述。
一种基于红外光谱技术快速检测甜味剂的方法，其特征在于，该方法包括以下步骤：(1)检测的五种甜味剂包括：甜蜜素、三氯蔗糖、糖精钠、安赛蜜、阿斯巴甜，配制成不同浓度的甜味剂样本，对样本进行红外光谱分析，得到红外光谱数据；(2)采用主成分分析和偏最小二乘法结合建立甜味剂红外定量预测模型，用主成分分析筛选包含甜味剂特征信息的吸收峰对应的波数范围，然后通过偏最小二乘模型分析原始光谱数据，根据得到结果相关系数r2值进一步选择最适的波数范围；(3)利用预处理方法优化模型得到最优偏最小二乘定量分析模型。
所述的包含甜味剂特征信息的吸收峰对应的波数范围为：甜蜜素1022-1065cm-1，1119-1258cm-1；三氯蔗糖1146-1196cm-1，1277-1412cm-1；糖精钠1142-1157cm-1，1204-1211cm-1，1246-1269cm-1，1308-1327cm-1，1358-1497cm-1；安赛蜜1065-1069cm-1，1142-1200cm-1，1269-1428cm-1；阿斯巴甜1208-1497cm-1。
所述的对光谱数据优先采用一阶导的预处理方法。
实施例1
(1)检测的五种甜味剂包括：甜蜜素、三氯蔗糖、糖精钠、安赛蜜、阿斯巴甜，配制成不同浓度的甜味剂样本，对样本进行红外光谱分析，得到红外光谱数据。
(2)采用主成分分析和偏最小二乘法结合建立甜味剂红外定量预测模型，用主成分分析筛选包含甜味剂特征信息的吸收峰对应的波数范围，然后通过偏最小二乘模型分析原始光谱数据，根据得到结果相关系数r2值进一步选择最适的波数范围。
(3)利用预处理方法优化模型得到最优偏最小二乘定量分析模型，对光谱数据优先采用一阶导的预处理方法。
实施例2
(1)检测的五种甜味剂包括：甜蜜素、三氯蔗糖、糖精钠、安赛蜜、阿斯巴甜，配制成不同浓度的甜味剂样本，对样本进行红外光谱分析，得到红外光谱数据。
(2)采用主成分分析方法建立甜味剂红外定量预测模型，用主成分分析筛选包含甜味剂特征信息的吸收峰对应的波数范围，根据得到结果相关系数r2值进一步选择最适的波数范围。
(3)利用预处理方法优化模型得到最优偏最小二乘定量分析模型，对光谱数据优先采用一阶导的预处理方法。
实施例3
(1)检测的五种甜味剂包括：甜蜜素、三氯蔗糖、糖精钠、安赛蜜、阿斯巴甜，配制成不同浓度的甜味剂样本，对样本进行红外光谱分析，得到红外光谱数据。
(2)采用主成分分析和偏最小二乘法结合建立甜味剂红外定量预测模型，用主成分分析筛选包含甜味剂特征信息的吸收峰对应的波数范围，然后通过偏最小二乘模型分析原始光谱数据，根据得到结果相关系数r2值进一步选择最适的波数范围。
(3)利用预处理方法优化模型得到最优偏最小二乘定量分析模型，对光谱数据优先采用平滑处理的预处理方法。
实施例4
(1)检测的五种甜味剂包括：甜蜜素、三氯蔗糖、糖精钠、安赛蜜、阿斯巴甜，配制成不同浓度的甜味剂样本，对样本进行红外光谱分析，得到红外光谱数据。
(2)采用主成分分析方法建立甜味剂红外定量预测模型，用主成分分析筛选包含甜味剂特征信息的吸收峰对应的波数范围，根据得到结果相关系数r2值进一步选择最适的波数范围。
(3)利用预处理方法优化模型得到最优偏最小二乘定量分析模型，对光谱数据优先采用平滑处理的预处理方法。
实施例5
(1)检测的五种甜味剂包括：甜蜜素、三氯蔗糖、糖精钠、安赛蜜、阿斯巴甜，配制成不同浓度的甜味剂样本，对样本进行红外光谱分析，得到红外光谱数据。
(2)采用偏最小二乘法建立甜味剂红外定量预测模型，根据原始谱图信息获得包含甜味剂特征信息的吸收峰对应的波数范围，然后通过偏最小二乘模型分析原始光谱数据，根据得到结果相关系数r2值进一步选择最适的波数范围。
(3)利用预处理方法优化模型得到最优偏最小二乘定量分析模型，对光谱数据优先采用一阶导的预处理方法。
实施例6
(1)检测的五种甜味剂包括：甜蜜素、三氯蔗糖、糖精钠、安赛蜜、阿斯巴甜，配制成不同浓度的甜味剂样本，对样本进行红外光谱分析，得到红外光谱数据。
(2)采用偏最小二乘法建立甜味剂红外定量预测模型，根据原始谱图信息获得包含甜味剂特征信息的吸收峰对应的波数范围，然后通过偏最小二乘模型分析原始光谱数据，根据得到结果相关系数r2值进一步选择最适的波数范围。
(3)利用预处理方法优化模型得到最优偏最小二乘定量分析模型，对光谱数据优先采用平滑处理的预处理方法。