焦東升，孫雪杉，朱文碧, 楊仁杰，通信作者，靳浩，張偉玉

（1. 天津農(nóng)學(xué)院 a. 工程技術(shù)學(xué)院，b. 農(nóng)業(yè)分析測(cè)試中心，天津 300384）

基于二維紅外相關(guān)譜判別摻假蜂蜜

焦東升1a，孫雪杉1a，朱文碧1b, 楊仁杰1a，通信作者，靳浩1a，張偉玉1a

（1. 天津農(nóng)學(xué)院 a. 工程技術(shù)學(xué)院，b. 農(nóng)業(yè)分析測(cè)試中心，天津 300384）

將二維中紅外相關(guān)譜與多維偏最小二乘判別法相結(jié)合，建立了摻假蜂蜜與純蜂蜜的判別模型。分別配置純蜂蜜和摻蔗糖蜂蜜樣品各30個(gè)，室溫下，在650～4 000 cm-1范圍內(nèi)采集了所有樣品的衰減全反射光譜。在研究純蜂蜜和摻假蜂蜜光譜特征的基礎(chǔ)上，基于二維中紅外相關(guān)譜矩陣建立了摻假蜂蜜的多維偏最小二乘判別模型，并與常規(guī)一維中紅外譜的偏最小二乘判別模型的預(yù)測(cè)結(jié)果進(jìn)行了比較。兩個(gè)模型對(duì)未知樣品的判別正確率分別為95%和90%。研究結(jié)果表明：基于二維中紅外相關(guān)譜的多維偏最小二判別模型能更有效地提取摻假蜂蜜的特征信息，能提供高的判別正確率。

二維中紅外相關(guān)譜；多維偏最小二乘判別；摻假蜂蜜；蔗糖

蜂蜜是一種天然保健食品，其主要成分是糖類和水分，同時(shí)還含有蛋白質(zhì)、氨基酸、微量元素等成分，具有較高的營(yíng)養(yǎng)價(jià)值，因此深受廣大消費(fèi)者歡迎。但為了獲得更多的利潤(rùn)，在蜂蜜的生產(chǎn)、銷售和流通等環(huán)節(jié)，一些銷售商會(huì)往蜂蜜中摻入添加物，比如蔗糖、葡萄糖、淀粉等。這些摻假的蜂蜜不僅損害了消費(fèi)者的利益，而且也擾亂了蜂蜜市場(chǎng)的穩(wěn)定。因此，找到一種快速、便捷、精準(zhǔn)的蜂蜜質(zhì)量檢測(cè)方法具有重要的意義。

光譜法因其便捷、快速和能實(shí)現(xiàn)在線檢測(cè)等特點(diǎn)，已被廣泛應(yīng)用于蜂蜜質(zhì)量檢測(cè)中[1-4]。Sivakesava等[1]研究了一維中紅外光譜結(jié)合化學(xué)計(jì)量學(xué)判別摻葡萄糖、果糖和蔗糖蜂蜜的可行性。Irudayaraj等[2]將衰減全反射傅里葉變換紅外光譜和多變量分析技術(shù)相結(jié)合來(lái)判別摻入不同比例還原糖的蜂蜜，結(jié)果表明，各種建模方法均取得了較好的判別結(jié)果。梁奇峰等[3]采用一維中紅外光譜對(duì)純蜂蜜的品種及各種摻假蜂蜜進(jìn)行判別，指出摻假蜂蜜在波數(shù)900～1 200 cm-1和波數(shù)400～600 cm-1范圍內(nèi)與純蜂蜜的特征光譜信息存在明顯差異，可實(shí)現(xiàn)摻假蜂蜜的判別。雖然上述文獻(xiàn)都取得了較好的分析結(jié)果，但由于蜂蜜是一種組分高度復(fù)雜的食品，且摻雜物的微量化和多樣化，以及組分間特征光譜信息相互重疊，因此，常規(guī)一維光譜無(wú)法有效地提取蜂蜜中摻雜物的特征信息。

與常規(guī)一維譜相比，二維相關(guān)譜具有高的光譜分辨率和圖譜解析能力，能有效提取待分析體系微弱的、變化的特征信息，特別適合相似樣品的判別分析。孫素琴等將二維相關(guān)譜技術(shù)應(yīng)用于中藥的質(zhì)量控制，取得了較好的分析結(jié)果[5-8]。楊仁杰等將二維相關(guān)譜技術(shù)與化學(xué)計(jì)量學(xué)結(jié)合實(shí)現(xiàn)了摻雜牛奶的定性定量分析[9-13]。本文以摻蔗糖蜂蜜為研究對(duì)象，在研究其二維中紅外相關(guān)譜特性的基礎(chǔ)上，建立了純蜂蜜和摻假蜂蜜的多維偏最小二乘判別模型，并與常規(guī)一維譜的偏最小二乘法判別結(jié)果進(jìn)行了比較。

1 材料與方法

1.1 試驗(yàn)儀器與樣品處理

試驗(yàn)采用美國(guó)珀金埃爾默公司的傅里葉變換中紅外光譜儀，樣品池為儀器自配的衰減全反射附件，光譜采集的波數(shù)范圍為650～4 000 cm-1，分辨率為4 cm-1, 掃描次數(shù)為16次。

用電子天平稱取一定質(zhì)量的蔗糖，將其添加到適量的蒸餾水中，加熱并不斷攪拌，配置蔗糖標(biāo)準(zhǔn)溶液。并取不同體積的蔗糖標(biāo)準(zhǔn)溶液添加到純蜂蜜中，配置體積分?jǐn)?shù)分別為1%、3%、5%、7%、10%、13%、15%、17%、20%、23%、25%、27%、30%、45%，47%的摻假蜂蜜樣品，設(shè)2個(gè)重復(fù)。此外，又配置了30個(gè)純蜂蜜樣品，以備中紅外光譜掃描。

在光譜采集前，通過(guò)人工攪拌方式對(duì)摻假蜂蜜進(jìn)行勻質(zhì)處理。并用吸管吸取上述配置的樣品約1.0 mL滴在衰減全反射晶體表面上，在650～4 000 cm-1范圍掃描樣品的中紅外光譜。

1.2 二維相關(guān)譜計(jì)算

對(duì)采集的隨外擾變化的動(dòng)態(tài)中紅外光譜矩陣Sm×n（m是光譜數(shù)，n光譜變量數(shù)），根據(jù) Noda理論進(jìn)行同步二維相關(guān)譜 Φ (1,2)計(jì)算[14-15]：

在當(dāng)前研究中，動(dòng)態(tài)光譜矩陣S包含兩個(gè)光譜（m=2），其第一行為純蜂蜜中紅外譜，第二行為第 i個(gè)摻假蜂蜜或純蜂蜜中紅外譜，根據(jù)式（1）就可得到第i個(gè)摻假蜂蜜或純蜂蜜所對(duì)應(yīng)的同步二維中紅外相關(guān)譜矩陣。

1.3 數(shù)據(jù)處理

采用課題組編寫的二維相關(guān)分析 Matlab代碼，根據(jù)式（1）對(duì)所有樣品進(jìn)行同步二維相關(guān)計(jì)算（未選擇參考譜），得到所有樣品的同步二維中紅外相關(guān)譜矩陣。在此基礎(chǔ)上，將同步二維中紅外相關(guān)譜矩陣與多維偏最小二乘判別法結(jié)合，建立摻假蜂蜜的判別模型。

2 結(jié)果與分析

2.1 純蜂蜜和摻假蜂蜜的一維中紅外光譜特性

圖1是純蜂蜜在650～4 000 cm-1范圍內(nèi)的衰減全反射光譜。由圖1可以看出，純蜂蜜在3 292、2 932、1 644和1 024 cm-1處存在較強(qiáng)的紅外吸收峰，其中 3 292 cm-1吸收峰主要是由蜂蜜中羥基（—OH締合）伸縮振動(dòng)所引起；2 932 cm-1處吸收峰主要由蜂蜜中C—H伸縮振動(dòng)引起；1 644 cm-1處吸收峰主要由蜂蜜中 C＝O伸縮振動(dòng)引起；1 024 cm-1處吸收峰主要由蜂蜜中C—O伸縮振動(dòng)引起。

圖 1 純蜂蜜一維中紅外光譜

圖2是摻入體積分?jǐn)?shù)為10%蔗糖蜂蜜樣品在650～4 000 cm-1范圍內(nèi)的衰減全反射中紅外光譜。很顯然，在整個(gè)光譜范圍內(nèi)，與純蜂蜜（圖1）的譜型輪廓和譜峰位置都非常相似。為了便于觀察到純蜂蜜和摻蔗糖蜂蜜譜圖差別，圖1和圖2的右上角給出了兩個(gè)樣品在900～1 100 cm-1內(nèi)的光譜圖。相比純蜂蜜光譜，摻入 10%蔗糖的蜂蜜在920 cm-1和988 cm-1處存在明顯的肩峰，這兩處吸收峰主要是蜂蜜中添加的蔗糖所引起的，這與參考文獻(xiàn)[3-4]的報(bào)道一致。由于摻假蜂蜜和純蜂蜜圖譜差異很小，無(wú)法根據(jù)圖譜直接比對(duì)來(lái)實(shí)現(xiàn)蜂蜜是否摻假的判別，因此，需要借助模式識(shí)別的方法。在本文中，主要對(duì)900～1 800 cm-1范圍的光譜數(shù)據(jù)進(jìn)行了分析，建立了定性分析摻假蜂蜜的判別模型。

圖 2 摻假蜂蜜一維中紅外光譜

2.2 純蜂蜜和摻假蜂蜜的二維中紅外相關(guān)譜特性

以蜂蜜中摻假的蔗糖濃度為外擾，根據(jù)式（1）對(duì)各樣品在900～1 800 cm-1范圍進(jìn)行同步二維中紅外相關(guān)譜計(jì)算。圖3a和3b分別是純蜂蜜和摻假體積分?jǐn)?shù)為 1%蔗糖蜂蜜的同步二維中紅外相關(guān)譜。雖然二維中紅外相關(guān)譜相對(duì)于一維中紅外譜具有更好的提取特征信息能力，但由于蜂蜜中添加的蔗糖濃度很小，且其特征峰被蜂蜜固有組分的吸收峰所覆蓋，因此，純蜂蜜和摻蔗糖蜂蜜的同步二維中紅外相關(guān)譜也非常相似，無(wú)法實(shí)現(xiàn)摻假蜂蜜的判別。在本文中，將同步二維中紅外相關(guān)譜矩陣與多維偏最小二乘判別結(jié)合來(lái)實(shí)現(xiàn)摻假蜂蜜的有效判定。

圖3 純蜂蜜（a）和摻假蜂蜜（b）的同步二維中紅外相關(guān)譜

2.3 摻假蜂蜜的多維偏最小二乘判別模型

在研究純蜂蜜和摻假蜂蜜中紅外光譜特性的基礎(chǔ)上，將同步二維中紅外相關(guān)譜矩陣和多維偏最小二乘判別法相結(jié)合，建立摻假蜂蜜的判別模型。首先，采用馬氏距離法對(duì)60個(gè)樣品（純蜂蜜和摻假蜂蜜樣品各30個(gè)）進(jìn)行異常樣品診斷，并未發(fā)現(xiàn)異常樣品存在。接著，根據(jù)K-S（Kennard-Stone）法，從60個(gè)樣品中選取40個(gè)（純蜂蜜和摻假蜂蜜樣品各20個(gè)）作為校正集，余下20個(gè)樣品（純蜂蜜和摻假蜂蜜樣品各10個(gè)）作為預(yù)測(cè)集。在判別模型中，純蜂蜜用類別變量“0”表示，摻假蜂蜜用類別變量“1”表示，當(dāng)某一樣品預(yù)測(cè)值大于0.5時(shí)，該樣品被歸為摻假蜂蜜類，當(dāng)某一樣品預(yù)測(cè)值小于0.5時(shí)，該樣品被歸為純蜂蜜類。

建模參數(shù)的選擇對(duì)于模型的穩(wěn)定性和預(yù)測(cè)能力至關(guān)重要。因此，在建模之前，需要對(duì)模型所需的主成分?jǐn)?shù)進(jìn)行選擇。在本文中，對(duì)上述的校正集樣品，采用交叉驗(yàn)證均方根誤差（RMSECV）來(lái)選擇建模所需要的最佳主成分?jǐn)?shù)。圖4給出了不同主成分?jǐn)?shù)下的RMSECV變化曲線。隨著主成分?jǐn)?shù)的增大，RMSECV值逐漸減小，當(dāng)主成分為5時(shí)，RMSECV值達(dá)到最小，因此，選擇5個(gè)主成分建立摻假蜂蜜的多維偏最小二乘判別模型（NPLS-DA）。

圖 4 NPLS-DA模型RMSECV隨主成分的變化曲線

采用所建立的 NPLS-DA模型對(duì)校正集內(nèi)的40個(gè)樣品進(jìn)行預(yù)測(cè)，其預(yù)測(cè)結(jié)果見(jiàn)圖5。20個(gè)純蜂蜜樣品的預(yù)測(cè)值都小于0.5，根據(jù)上述判別規(guī)則，這20個(gè)樣品被歸為純蜂蜜類，判別正確率為100%；1個(gè)摻假蜂蜜樣品（蔗糖的體積分?jǐn)?shù)為1%）的預(yù)測(cè)值小于0.5，該樣品被歸為純蜂蜜類，其余19個(gè)摻假蜂蜜都得到正確識(shí)別。因此，在校正集40個(gè)樣品中，僅有一個(gè)樣品被誤判，其判別正確率為97.5%。

圖 5 NPLS-DA模型對(duì)校正集內(nèi)部樣品的預(yù)測(cè)結(jié)果

為了考察所建模型對(duì)未知樣品的預(yù)測(cè)能力，對(duì)預(yù)測(cè)集中的20個(gè)外部樣品進(jìn)行預(yù)測(cè)，其預(yù)測(cè)結(jié)果見(jiàn)圖6。10個(gè)純蜂蜜樣品預(yù)測(cè)值都小于0.5，被歸為純蜂蜜類樣品，模型對(duì)純蜂蜜樣品判別正確率為100%；1個(gè)摻假蜂蜜樣品被歸為純蜂蜜類，被誤判。因此，模型對(duì)預(yù)測(cè)集20個(gè)未知樣品的判別正確率為95%。

圖 6 NPLS-DA模型對(duì)預(yù)測(cè)集外部樣品的預(yù)測(cè)結(jié)果

為了說(shuō)明所提方法具有更好的預(yù)測(cè)能力，對(duì)上述同樣的校正集和預(yù)測(cè)集樣品，基于一維的中紅外光譜，建立了定性分析摻假蜂蜜的偏最小二乘判別（PLS-DA）模型。圖7是PLS-DA模型在不同主成分?jǐn)?shù)下的RMSECV。由圖7可以看出，當(dāng)主成分為7的時(shí)候，RMSECV最小。因此，選擇7個(gè)主成分建立摻假蜂蜜的PLS-DA模型。

圖 7 PLS-DA模型RMSECV隨主成分的變化曲線

采用所建立的PLS-DA模型對(duì)校正集40個(gè)樣品和預(yù)測(cè)集20個(gè)樣品進(jìn)行預(yù)測(cè)。對(duì)于校正集，也是最低摻假蜂蜜樣品被誤判，其判別正確率為97.5%。圖8給出了預(yù)測(cè)集樣品的預(yù)測(cè)結(jié)果，同樣，純蜂蜜的預(yù)測(cè)值都小于0.5，被歸屬于純蜂蜜類，判別正確率為100%，兩個(gè)摻假蜂蜜（體積分?jǐn)?shù)分別為1%和3%）被誤判，所以所建立的PLS-DA模型對(duì)未知樣品的判別正確率為90%。

表1給出了兩個(gè)模型的建模參數(shù)和判別結(jié)果。從表 1中可以看出，基于二維中紅外相關(guān)譜的NPLS-DA模型的預(yù)測(cè)性能要優(yōu)于常規(guī)一維譜的PLS-DA模型，主要表現(xiàn)在以下 3個(gè)方面：（1）NPLS-DA模型所需最佳主成分?jǐn)?shù)小于PLS-DA模型；（2）NPLS-DA模型對(duì)預(yù)測(cè)集未知樣品判別正確率高于 PLS-DA模型；（3）NPLS-DA模型的RMSECV和預(yù)測(cè)誤差均方根（RMSEP）值都低于PLS-DA模型。

圖 8 PLS-DA模型對(duì)預(yù)測(cè)集外部樣品的預(yù)測(cè)結(jié)果

表 1 NPLS-DA與PLS-DA模型的預(yù)測(cè)結(jié)果

3 結(jié)論

本文在研究純蜂蜜和摻假蜂蜜一維中紅外光譜和二維中紅外相關(guān)譜特性的基礎(chǔ)上，建立了基于二維中紅外相關(guān)譜摻假蜂蜜的NPLS-DA模型，并與常規(guī)一維中紅外譜的PLS-DA模型的預(yù)測(cè)結(jié)果進(jìn)行了比較。兩個(gè)模型對(duì)預(yù)測(cè)集未知樣品的判別正確率分別為95%和90%。研究結(jié)果表明，相對(duì)于常規(guī)一維譜的偏最小二乘判別模型，基于二維中紅外相關(guān)譜的多維偏最小二乘判別模型更能有效提取摻假蜂蜜的特征信息，能提供更好的分析結(jié)果。該研究為該方法的進(jìn)一步推廣和應(yīng)用提供了理論和實(shí)驗(yàn)基礎(chǔ)。

[1] Sivakesava S，Irudayaraj J. A rapid spectroscopic technique for determining honey adulteration with corn syrup [J].Journal of Food Science，2001，66（6）：787-791.

[2] Irudayaraj J，Xu R，Tewari J. Rapid determination of invert cane sugar adulteration in honey using FTIR spectroscopy and multivariate analysis [J]. Journal of food science，2003，68（6）：2040-2045.

[3] 梁奇峰，彭夢(mèng)俠，林鵑. 純蜂蜜與摻假蜂蜜的紅外光譜鑒別研究[J]. 安徽農(nóng)業(yè)科學(xué)，2009，37（1）：34-35.

[4] 趙延華，劉成燕，韓旭，等. 傅里葉變換紅外光譜法快速鑒別摻假蜂蜜[J]. 理化檢驗(yàn)-化學(xué)分冊(cè)，2012，48（2）：136-139.

[5] Wang Y，Xu C，Wang P，et al. Analysis and identification of different animal horns by a three-stage infrared spectroscopy[J]. Spectrochim Acta A Mol Biomol Spectrosc，2011，83（1）：265-270.

[6] Sun S，Zhou Q，Chen J. Infrared spectroscopy for complex mixtures：Applications in food and traditional chinese medicine [M]. Beijing：Chemical Industry Press，2011.

[7] Zhan D，Sun S. Application of wavelet transform in improving resolution of two-dimensional infrared correlation spectroscopy[J]. Lecture Notes in Computer Science，2005，3645：356-365.

[8] Chen J，Zhou Q，Noda I，et al. Quantitative classification of two-dimensional correlation spectra [J]. Applied Spectroscopy，2009，63（8）：920-925.

[9] 崔彩路，楊仁杰，朱文碧，等. 二維相關(guān)紅外譜結(jié)合PARAFAC-MLR判別摻雜牛奶[J]. 天津農(nóng)學(xué)院學(xué)報(bào)，2015，22（1）：19-23.

[10] 楊仁杰，楊延榮，劉海學(xué)，等. 二維相關(guān)譜在食品品質(zhì)檢測(cè)中的研究進(jìn)展[J]. 光譜學(xué)與光譜分析，2015，35（8）：2124-2129.

[11] Yang R J，Sun X S，Wang B H，et al. Adulteration of sesame oil with corn oil detected by use of two-dimensional infrared correlation spectroscopy and multivariate calibration [J]. Spectroscopy Letters，2016，49（5）：355-361.

[12] Yang R J， Dong G M， Sun X S， et al. Synchronous asynchronous two-dimensional correlation spectroscopy for the discrimination of adulterated milk[J]. Analytical Methods， 2015，7（10）：4302-4307.

[13] 楊仁杰，劉蓉，楊延榮，等. 二維相關(guān)近紅外譜多維主成分分析摻雜牛奶判別方法研究[J]. 光學(xué)精密工程， 2014，22（9）：2352-2358.

[14] Noda I. Frontiers of two-dimensional correlation spectroscopy. Part 1. New concepts and noteworthy developments [J]. J Mol Struct，2014，1069：3-22.

[15] Noda I. Frontiers of two-dimensional correlation spectroscopy. Part 2. Perturbation methods，fields of applications，and types of analytical probes[J]. J Mol Struct，2014，1069：23-49.

責(zé)任編輯：楊霞

Classification of Adulterated Honey Based on Two-dimensional Infrared Correlation Spectroscopy

JIAO Dong-sheng1a, SUN Xue-shan1a, ZHU Wen-bi1b, YANG Ren-jie1a,CorrespondingAuthor, JIN Hao1a,ZHANG Wei-yu1a
（1. Tianjin Agricultural University, a. College of Engineering and Technology, b. Laboratory of Agricultural Analysis,Tianjin 300384, China）

The classification model of adulterated honey was constructed based on two-dimensional（2D）.mid-infrared correlation spectroscopy combined with N-way partial least squares discriminant analysis（NPLS-DA）. Firstly, 30 pure honey samples and 30 adulterated honey with sugar samples were prepared respectively. Then, mid-infrared attenuated total reflectance spectra of all samples were obtained in the region of 650-4 000 cm-1under room temperature. Spectral features of pure honey and adulterated honey were studied. NPLS-DA model was built using 2D mid-infrared correlation spectra. For comparison, the partial least squares discriminant analysis（PLS-DA）model was built using one-dimensional（1D）mid-infrared spectra. The classification accuracies of two classification models for prediction set were 95% and 90%, respectively. The results show that NPLS-DA model can effectively extract feature information of adulterated honey using 2D mid-infrared correlation spectra and provide higher accurate rates.

two-dimensional mid-infrared correlation spectroscopy; N-way partial least squares discriminant analysis;adulterated honey; sugar

O657.33

：A

2016-07-15

天津農(nóng)學(xué)院大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目“基于二維相關(guān)譜摻假蜂蜜特征信息提取及判別”（201510061190）；國(guó)家自然科學(xué)青年基金項(xiàng)目“基于二維相關(guān)譜摻偽牛奶檢測(cè)方法研究”（31201359）

焦東升（1990-），男，河南周口人，本科在讀，研究方向：光譜檢測(cè)。E-mail：839616390@qq.com。

楊仁杰（1978-），男，山西運(yùn)城人，副教授，博士，主要從事光譜檢測(cè)技術(shù)與應(yīng)用方面的研究。 E-mail：rjyang1978@163.com。

1008-5394（2017）02-0067-05