一种基于微区光谱特征的豆粕保真鉴别方法
【技术领域】
[0001] 本发明属于食品分析领域，涉及一种基于微区光谱特征的豆柏保真鉴别方法。
【背景技术】
[0002] 豆柏是世界上最重要的蛋白饲料原料之一，其蛋白含量大于36%，碳水化合物的 含量大于30%，此外还含有丰富的膳食纤维、维生素和矿物质等。全球大约有90%的豆柏被 用于动物饲料，但是随着豆柏价格的上升，为了获得高额利益，豆柏掺假现象严重。比如不 法分子通常会将一些非蛋白氮成分:如三聚氰胺等加入豆柏中，通过增加 N含量来提高蛋白 含量。然而这些非蛋白氮是凯氏定氮法无法识别的，为了防止这种现象的发生，多种手段已 被用于这种掺假检测，比如：酶联免疫、气-质联用、高效液相色谱、近红外光谱以及近红外 高光谱图像等。
[0003] 上述提到的检测方法都是针对已知风险物的检测，其技术路线为一种"辨伪"筛查 模式。该模式对判断某(几)类已知掺假物的存在具有快速、针对性强等特点，但其局限性亦 显而易见，即无法对未知掺假物进行排查性筛查。
【发明内容】
[0004] 本发明的目的是提供一种基于微区光谱特征的豆柏保真鉴别方法。
[0005] 本发明提供的鉴别豆柏的方法，包括如下步骤：
[0006] 1)对豆柏标准样品进行微区近红外光谱检测，得到豆柏微区近红外光谱库，作为 样品集数据；
[0007] 其中，所述豆柏标准样品为具有不同来源和不同加工工艺的代表性豆柏；
[0008] 2)在与所述步骤1)相同的检测条件下，将待测豆柏样品进行微区近红外光谱检 测，得到待测豆柏样品的近红外光谱数据，作为测试集数据；
[0009] 3)将步骤2)所得测试集数据代入如下公式计算所述测试集数据到样品集数据的 全局马氏距离GH;
[0010]
[0011]
[0012] 其中，Η代表马氏距离；
[0013] GH代表全局马氏距离；
[0014] S代表所述样品集数据的nXf得分矩阵;其中，η代表样品集数据中光谱的条数;f 代表样品集数据中的主成分数；
[0015] V是矩阵S的协方差矩阵；
[0016] Μ是测试集数据的mXf得分矩阵；其中，m代表测试集数据的光谱数量，f代表测试 集数据的主成分个数；
[0017] 4)若步骤3)所得GH大于3,则说明GH大于3的测试集数据对应的待测样品存在不高 于1 %的可能性属于所述样品集数据对应的豆柏标准样品；
[0018]若步骤3)所得GH不大于3,则说明GH不大于3的测试集数据对应的待测样品存在不 低于99%的可能性属于所述样品集数据对应的豆柏标准样品。
[0019] 上述方法的步骤1)检测步骤中，空间分辨率小于50μπιX 50μπι，光谱分辨率为32cm 每个点的扫描次数不小于8。
[0020] 具体的，所述步骤1)检测步骤中，空间分辨率为25μπιΧ25μπι。
[0021] 光谱的扫描范围为7800cm-1 至4000cm-S优选 7160cm-η 至 4144cm-1。
[0022] 所述方法还包括如下步骤：
[0023] 在所述豆柏标准样品进行检测前，对所述豆柏标准样品进行粉碎；
[0024] 在所述待测豆柏样品进行检测前，对所述豆柏标准样品进行粉碎。
[0025] 具体的，所述粉碎步骤中，筛孔的目数为0.5mm。
[0026] 为保证计算结果的准确性，所述测试集数据中的主成分数与所述样品集数据中的 主成分数保持一致。
[0027] 在实际操作中，为提高光谱的信噪比，去除无关信息和噪声，可对样品集数据和测 试集数据采用相同的方法进行数据预处理，以得到降维后的样品集数据和测试集数据； [0028]以样品集数据为例，可按照各种常规方法对数据进行预处理，如可按照如下方法 进行：
[0029] 1)对样品集数据进行主成分分析，对数据降维；
[0030] 2)计算样品集数据中所有光谱两两之间的欧式距离；
[0031] 该欧式距离的计算公式如下：
[0032]
[0033]其中xik，xik代表第i个和第j个光谱，k代表光谱上的第k个数据点，m为数据点的个 数。
[0034] 3)将所得欧式距离最大的两个数据对应的光谱数据舍弃，将余下欧式距离最大的 两个数据对应的光谱数据放入样品集中；
[0035] 4)重复步骤2)和3)直到样品集中样本的数量达到设定值。
[0036] 本发明尝试从检测对象中排查是否有异常物质存在，其技术路线为一种开放式的 非"真"即"伪"的"保真"筛查模式。该模式能够尽可能的排查各类异常物质的存在，从而最 大限度的确保"真实"成分的保真度。常规近红外光谱得到的是物质的平均光谱特征，限制 了对异质成分的筛查，显微近红外光谱可以获得样品各微区的近红外光谱，使获得豆柏中 异质成分光谱特征成为可能。本发明基于豆柏微区近红外光谱的非目标筛选方式能够在保 证待测样品最大真实度的基础上筛选出可疑的物质，属于一种非目标检测手段，具有简单、 快速、灵敏度高等特点，对预防未知风险物的出现，保证食品和饲料安全具有重要的意义， 可以广泛的应用于食品和饲料原料安全控制领域。
【具体实施方式】
[0037] 下面结合具体实施例对本发明作进一步阐述，但本发明并不限于以下实施例。所 述方法如无特别说明均为常规方法。所述原材料如无特别说明均能从公开商业途径获得。
[0038] 实施例1
[0039] 1)收集来源于阿根廷、意大利、巴西、法国和中国的不同加工工艺的代表性豆柏样 品88个，包括大豆皮、全脂大豆等，使用粉碎机将其粉碎过筛孔目数为0.5毫米的筛。
[0040] 2)掺假样品的制备，处理一：豆柏样品中分别掺入不同的非蛋白氮(三聚氰胺、三 聚氰酸、尿素、双缩脲、磷酸氢二铵和磷酸二氢铵），质量分数为0.5%;处理二:豆柏样品中 同时掺入上述6种非蛋白氮，每种非蛋白氮的质量分数均为0.5%。
[0041 ] 3)米用美国PerkinElmer公司的Spectrum 400+Spotlight 400显微红外/近红外 系统收集所有样品微区近红外光谱，扫描参数设置为:扫描光谱范围YSOOcnfl^OOcnf1，空 间分辨率25μπι X 25μπι，光谱分辨率为32CHT1，每个点的扫描次数为8。
[0042] 4)分别从88个样品中分别挑选出100条代表性微区光谱，构建一个含有8800条微 区光谱的豆柏光谱库，作为样品集数据：
[0043] a、对样品集数据进行主成分分析，对数据降维；
[0044] b、计算样品集数据中所有光谱两两之间的欧式距离；
[0045]该欧式距离的计算公式如下：
[0046]
[0047]其中xik，xik代表第i个和第j个光谱，k代表光谱上的第k个数据点，m为数据点的个 数。c、将所得欧式距离最大的两个数据对应的光谱数据舍弃，将余下欧式距离最大的两个 数据对应的光谱数据放入样品集中；
[0048] d、重复步骤b和c，直到样品集中样本的数量达到设定值。
[0049] 5)在计算待检样品光谱到豆柏光谱库中心的全局马氏距离前对光谱进行一阶导 数和标准正态变换处理，去除不必要的光谱变化和散射的影响，全局马氏距离GH计算公式 如下所示：
[0050]
[0051]
[0052] 公式中，Η代表马氏距离；
[0053] GH代表全局马氏距离；
[0054] S代表样品集数据的nXf得分矩阵;其中，η代表样品集数据中光谱的条数;f代表 样品集数据中的主成分数；
[0055] V是矩阵S的协方差矩阵；
[0056] Μ是测试集数据的mXf得分矩阵；其中，m代表测试集数据的光谱数量，f代表测试 集数据的主成分个数；
[0057] 6)计算纯豆柏和纯非蛋白氮微区光谱到豆柏光谱库中心的全局马氏距离，结果表 明：
[0058]所有纯豆柏的全局马氏距离均小于3;所有纯非蛋白氮的全局马氏距离均大于3; 处理一和处理二样品的全局马氏距离均筛选出数量不等的大于3的光谱，经判定为异质成 分光谱。
[0059] 结果的验证：
[0060]使用有监督模式的判别分析方法PLSDA对处理一和处理二样品进行分析，验证上 述本发明提到的方法，结果发现:几乎所有被PLSDA筛选出的异质成分光谱的全局马氏距离 均大于3,除此之外还有一些因化学反应变化的成分没有被PLSDA筛选出的，其全局马氏距 离大于3,说明本发明提到的检测方法是非目标检测方法，且其灵敏度较高。
[0061]综上所述，利用本发明方法检测豆柏中非蛋白氮的效果良好，根据构建的豆柏光 谱库，不仅能够筛选出已知的非蛋白氮光谱，还能筛选出一些发生化学反应变化的异质成 分，对控制食品和饲料安全具有良好的实际应用价值。
【主权项】
1. 一种鉴别豆巧的方法，包括如下步骤： 1) 对豆巧标准样品进行微区近红外光谱检测，得到豆巧微区近红外光谱库，作为样品 集数据； 其中，所述豆巧标准样品为具有不同来源和不同加工工艺的代表性豆巧； 2) 在与所述步骤1)相同的检测条件下，将待测豆巧样品进行微区近红外光谱检测，得 到待测豆巧样品的近红外光谱数据，作为测试集数据； 3) 将步骤2)所得测试集数据代入如下公式计算所述测试集数据到样品集数据的全局 马氏距离GH;其中，H代表马氏距离； 細代表全局马氏距离； S代表所述样品集数据的nXf得分矩阵；其中，n代表样品集数据中光谱的条数;f代表 样品集数据中的主成分数； V是矩阵S的协方差矩阵； M是测试集数据的mXf得分矩阵;其中，m代表测试集数据的光谱数量，f代表测试集数 据的主成分个数； 4) 若步骤3)所得GH大于3,则说明GH大于3的测试集数据对应的待测样品存在不高于 1%的可能性属于所述样品集数据对应的豆巧标准样品； 若步骤3)所得GH不大于3,则说明GH不大于3的测试集数据对应的待测样品存在不低于 99%的可能性属于所述样品集数据对应的豆巧标准样品。2. 根据权利要求1所述的方法，其特征在于:所述步骤1)检测步骤中，空间分辨率小于 50WI1X 50曲1，光谱分辨率为32cnfi，每个点的扫描次数不小于8。3. 根据权利要求2所述的方法，其特征在于:所述步骤1)检测步骤中，空间分辨率为25y mX 25皿。4. 根据权利要求1-3中任一所述的方法，其特征在于:所述步骤1)检测步骤中，光谱的 扫描范围为 7800cm-i 至 AOOOcnfi，优选 7160cm-i 至 4144cm-i。5. 根据权利要求1-4中任一所述的方法，其特征在于:所述方法还包括如下步骤： 在所述豆巧标准样品进行检测前，对所述豆巧标准样品进行粉碎； 在所述待测豆巧样品进行检测前，对所述豆巧标准样品进行粉碎。6. 根据权利要求5所述的方法，其特征在于:所述粉碎步骤中，筛孔的目数为0.5mm。
【专利摘要】本发明公开了一种基于微区光谱特征的豆粕保真鉴别方法。该方法，包括如下步骤：1)对豆粕标准样品进行微区近红外光谱检测，作为样品集数据；其中，所述豆粕标准样品为具有不同来源和不同加工工艺的代表性豆粕；2)将待测豆粕样品进行微区近红外光谱检测，作为测试集数据；3)将步骤2)所得测试集数据代入如下公式计算所述测试集数据到样品集数据的全局马氏距离GH。若GH大于3，则说明GH大于3的光谱对应的待测样品存在不高于1％的可能性属于豆粕标准样品。该方法可实现豆粕中未知成分的筛选，属于一种非目标物的检测手段，具有简单、快速、灵敏度高等特点，对保障食品和饲料安全具有重要意义。
【IPC分类】G01N21/359
【公开号】CN105510273
【申请号】CN201510830595
【发明人】杨增玲, 沈广辉, 韩鲁佳, 刘贤
【申请人】中国农业大学
【公开日】2016年4月20日
【申请日】2015年11月25日