, , , ,君虹, ,, ,,,*,存莉,*

(1.西北農(nóng)林科技大學生命科學學院,陜西楊凌 712100; 2.浙江省農(nóng)業(yè)科學院農(nóng)產(chǎn)品質(zhì)量標準研究所,浙江杭州 310000; 3.浙江省可持續(xù)病蟲害防治省部共建國家重點實驗室培育基地,浙江杭州 310021; 4.農(nóng)業(yè)部創(chuàng)意農(nóng)業(yè)重點實驗室,浙江杭州 310021)

基于近紅外光譜的橄欖油理化指標快速檢測模型研究

萬毅1,張玉2,楊華2,王強2,王君虹2,李雪2,朱作藝2,王偉2,3,4,*,張存莉1,*

(1.西北農(nóng)林科技大學生命科學學院,陜西楊凌 712100; 2.浙江省農(nóng)業(yè)科學院農(nóng)產(chǎn)品質(zhì)量標準研究所,浙江杭州 310000; 3.浙江省可持續(xù)病蟲害防治省部共建國家重點實驗室培育基地,浙江杭州 310021; 4.農(nóng)業(yè)部創(chuàng)意農(nóng)業(yè)重點實驗室,浙江杭州 310021)

為實現(xiàn)橄欖油理化指標的快速檢測,在選擇最優(yōu)波段和光譜數(shù)據(jù)處理方法的基礎上,利用近紅外光譜結(jié)合偏最小二乘分析(Partial Least Squares,PLS)分別建立橄欖油酸價、過氧化值、ΔK值的定量分析模型。結(jié)果表明:酸價、過氧化值、ΔK值定量模型的校正相關系數(shù)分別為:0.9945、0.9939、0.9923,預測相關系數(shù)分別為:0.9965、0.9910、0.9902。盲樣驗證相關系數(shù)接近于1,R2均大于0.99,說明近紅外定量模型有較好的預測能力。對樣本預測值與真實值做配對方差t檢驗,結(jié)果表明光譜法與標準中的方法無顯著差異。因此,基于近紅外光譜定量模型,可實現(xiàn)對橄欖油理化值的快速、準確檢測。

橄欖油,近紅外光譜,酸值,過氧化值,ΔK值

橄欖油是從油橄欖果實直接冷榨而成的植物油,不經(jīng)化學和加熱處理,保留了天然的營養(yǎng)成分。橄欖油含有豐富的不飽和脂肪酸、角鯊烯、多酚、維生素等營養(yǎng)成分,這些營養(yǎng)成分具有抗氧化、抗炎、抗癌、預防心血管疾病、美容等功效[1-2],享有“液體黃金”、“植物油皇后”等佳譽。

隨著我國經(jīng)濟的快速發(fā)展和人們生活水平的提高,橄欖油成為食用油市場的一支新生力量[3],然而受到地理、氣候和技術等條件的限制,國內(nèi)98%的橄欖油進口于西班牙、意大利、希臘、突尼斯等國家,國產(chǎn)橄欖油還處在探索和發(fā)展階段[4]。目前我國的橄欖油市場存在諸多質(zhì)量安全問題,例如,在國內(nèi)橄欖油生產(chǎn)過程中,油橄欖的采收、堆放和加工過程管理粗放,某些企業(yè)為了過度追求產(chǎn)量忽視對橄欖油的品質(zhì)控制;在橄欖油進口的過程中,存在亂貼標簽,以次充好,摻雜使假等問題[5]。因此提高質(zhì)量檢測技術,保障橄欖油的質(zhì)量和品質(zhì),維護消費者的合法利益顯得尤為重要。

橄欖油富含有不飽和脂肪酸,最高可達88%[6],若在生產(chǎn)過程中采用低質(zhì)量或已熟化損傷的橄欖果,或加工工藝不規(guī)范,運輸儲存不當,會導致不飽和脂肪酸發(fā)生分解,產(chǎn)生了醛、酮、酸等對人體有害的小分子化合物,影響了橄欖油的品質(zhì)。酸值和過氧化值作為常規(guī)的理化指標,評價橄欖油是否酸敗和氧化。此外,橄欖油中的脂類在氧化及精煉過程中產(chǎn)生了二烯和三烯共價結(jié)構,在特定波長下樣品吸光度的變異值ΔK值會變大,通過紫外吸收可判斷油是否被精煉或者氧化。國際橄欖理事會(IOC)標準中將酸值、過氧化值和ΔK值作為橄欖油精煉程度和儲藏穩(wěn)定性的安全性指標。目前常規(guī)的檢測方法需要消耗大量的有機試劑,人為誤差較大,不能對橄欖油的品質(zhì)快速準確檢測。

近紅外光譜技術樣品具有無需前處理,分析速度快,成本低等特點,在糧油品質(zhì)檢測中已得到廣泛的應用[7-9]。目前,國內(nèi)外學者利用近紅外光譜數(shù)據(jù)在橄欖油的品質(zhì)鑒別和摻假分析等方面取得一定的進展[10-12],但是基于近紅外光譜建立橄欖油酸值、過氧化值和ΔK值的定量模型的研究尚未見報道。

本文以橄欖油為原料,采用近紅外光譜法分別建立酸值、過氧化值、ΔK值的定量模型,并進行模型驗證,為橄欖油的快速無損檢測提供方法基礎。

1 材料與方法

1.1材料與儀器

橄欖油 70個不同品牌的特級初榨橄欖油,來自網(wǎng)上購物平臺及浙江杭州各大超市,加工工藝均為物理冷壓榨,樣品置于暗處,低溫保存;異丙醇、異辛烷、冰乙酸、碘化鉀、淀粉、環(huán)己烷 均為分析純,上海凌峰化學試劑有限公司。

ANTARIS Ⅱ型傅里葉變換近紅外光譜儀 美國賽默飛世爾儀器公司;SPECORD?210 PLUS型紫外可見分光光度計 德國耶拿公司。

1.2實驗方法

1.2.1 橄欖油理化值測定 酸值測定:參照ISO 660:2009[13];過氧化值測定:參照ISO 3960:2007[14];ΔK值測定:參照COI/T.20/Doc.No 19/Rev.3[15]。

1.2.2 近紅外光譜采集 在室溫下,用ANTARIS Ⅱ型傅里葉近紅外光譜儀采集光譜,取上述適量樣品于8 mm樣品管中,掃描范圍10000～4000 cm-1,分辨率8 cm-1,每個樣品重復測定32次后取平均值,以空氣作為背景。

1.2.3 最佳波段和光譜預處理方法選擇 近紅外光譜掃描的全光譜區(qū)段為10001.03～3999.64 cm-1,如圖1是70個橄欖油樣品的近紅外光譜圖,樣品間的近紅外光譜圖重疊嚴重,很難通過肉眼辨別樣品間的差異,因此必須借助數(shù)據(jù)處理方法才能提取有用的信息。

圖1 70個橄欖油樣品的近紅外光譜圖Fig.1 NIR spectra of 70 olive oil samples

由于全波段光譜中存在大量與建模無關的波段,若選擇這些無關的波段或者選擇的波段較窄都會影響模型的準確性和穩(wěn)定性,因此選擇合適的波段對于建模至關重要。本實驗利用傅里葉近紅外光譜儀配置的TQ Analyst 9.0軟件所選擇波段的基礎上,結(jié)合人工篩選來確定最佳建模波段。人工篩選的方法是選擇不同樣品NIR譜圖存在較大差異時所對應的波段。如圖2是70個橄欖油樣品在5600～4500 cm-1波段范圍內(nèi)的近紅外光譜圖,不同樣品在該區(qū)間差異明顯,因此將這個波段范圍作為粗略的建模波段。調(diào)整建模波段,利用模型擬合的性能指標確定最佳的建模波段。

圖2 5600～4500 cm-1波段橄欖油樣品的近紅外光譜圖Fig.2 Near infrared spectra of olive oil samples at 5600～4500 cm-1 band

圖3 近紅外光譜不同預處理方法Fig.3 Different pretreatment methods of near infrared spectroscopy注:(a)一階求導;(b)一階求導+S-G(5,3);(c)一階求導+Norris(5,3);(d)二階求導。

近紅外光譜在采集會產(chǎn)生基線漂移和噪音信號,因此在建模過程中需要選擇合適的光譜預處理方法來降低漂移和噪音的影響。常用的光譜預處理方法主要包括導數(shù)處理和平滑處理,其中,導數(shù)處理的目的是消除光譜基線漂移和背景干擾帶來的影響,包括一階求導(First Derivative,1D)、二階求導(Second Derivative,2 D),平滑處理的目的是為了消除隨機噪音的影響,包括Norris Derivative濾波(Norris平滑)、Savitzky-Golay濾波(S-G平滑)等[16]。分別設置Norris平滑的段長和段間距,S-G平滑的數(shù)據(jù)點和多項式級,可提高模型的精度。

圖3中a、b、c、d分別為原始光譜經(jīng)一階求導,一階求導+S-G(5,3)、一階求導+Norris(5,3)、二階求導處理后的光譜圖。圖中一階求導可去除無關漂移,強化譜帶特征,處理效果優(yōu)于二階求導,且經(jīng)過S-G(5,3)平滑處理提高分析信號的信噪比,降低噪聲的影響,使光譜條帶更清晰。

1.2.4 模型評價及盲樣驗證 定量模型的性能主要由校正誤差均方根(RMSEC)、校正相關系數(shù)(Rc)及預測誤差均方根(RMSEP)、預測相關系數(shù)(Rp)等參數(shù)進行評價。相關系數(shù)越接近1,誤差均方根越接近0,說明模型的準確性和可靠性越好。

模型是否能準確預測未知樣品至關重要。隨機收集20個盲樣,先掃描盲樣的近紅外光譜,再根據(jù)標準中的方法分別測定樣品的酸值、過氧化值和ΔK值,將定量模型預測得到的值與實際測得的值進行線性回歸分析,分析預測值與實測值的相關性。

1.3數(shù)據(jù)處理

利用TQ Analyst 9.0分析軟件(近紅外光譜儀配置)進行光譜預處理和最佳波段選擇,結(jié)合偏最小二乘判別分析(Partial Least Squares,PLS)分別建立橄欖油酸值、過氧化值、ΔK的定量模型,通過盲樣驗證考察模型的預測能力,并利用SPSS20.0對紅外光譜法和官方標準的方法做配對方差T檢驗,判斷兩種方法是否有差異。為了光譜條帶更加清晰,本文將光譜數(shù)據(jù)導入Origin 8.0 中做圖。

2 結(jié)果與分析

2.1橄欖油近紅外譜特征分析

不同種類食用油脂肪酸鏈中-CH2-和-CH=CH-的位置和數(shù)量存在差異,這兩種結(jié)構又與近紅外光譜中的合頻信息密切相關。

橄欖油近紅外全波段光譜如圖4所示,由圖中可看出光譜在4500～4750、5680、7079、7194、8253 cm-1等處有較強的吸收峰。其中4500～4750 cm-1波段可能是橄欖油(·RC=CH2和RC=O)的C-H伸縮和C=O伸縮的組合頻以及C-H變形的組合頻譜帶;5680 cm-1處的吸收峰可能與亞甲基的組合頻譜吸收和甲基的三級倍頻吸收有關;7079cm-1和7194 cm-1是直鏈烷烴甲基中的C-H的組合頻(3vsCH3+δ CH3)和亞甲基(·CH2)的C-H組合頻的譜帶,反映了食用油的脂肪烷烴的種類和含量;8253 cm-1處吸收峰與脂肪烴中甲基和亞甲基3v C-H的倍頻伸縮振動有關[17-18]。

圖4 橄欖油近紅外全波段光譜圖Fig.4 Near infrared spectrum of olive oil

表1 橄欖油驗證集及校正集的基本信息Table 1 Basic information of olive oil validation set and calibration set

表2 橄欖油酸值建模結(jié)果Table 2 Results of acid value modeling of olive oil

2.2橄欖油理化指標檢測結(jié)果

從收集得到的70個橄欖油樣品中抽取15個作為驗證集樣品,55個作為校正集樣品。驗證集及校正集的基本信息見表1。酸值、過氧化值、ΔK值校正集和驗證集的基本信息接近,且數(shù)值范圍較寬,適合建立橄欖油的定量模型。

2.3酸值、過氧化值、ΔK值建模結(jié)果

為提高模型的準確度,選擇不同的波段區(qū)間和光譜預處理方法,結(jié)合偏最小二乘(PLS)擬合近紅外定量模型,通過模型性能評價(RMSEC、Rc、RMSEP、Rp),建立最佳的定量模型。

2.3.1 酸值建模 橄欖油酸值建模結(jié)果如表2。

由表2可知,在5600～4500 cm-1范圍內(nèi),模型的性能較好,這可能與橄欖油脂肪酸鏈中(·RC=CH2和RC=O)的C-H伸縮和C=O伸縮的組合頻以及C-H變形的組合頻譜帶有關。選擇5600～4500 cm-1為最佳波段,通過一階求導+SG(5,3)的光譜預處理方式,建立橄欖油酸價的定量模型最好,校正集和驗證集的誤差均方根分別為0.0204 mg/g和0.0201 mg/g,相關系數(shù)分別為0.9945和0.9965。校正集和驗證集的分布如圖5。

圖5 橄欖油酸值校正集和驗證集分布Fig.5 The distribution of calibration set and validation set of olive oils acid value

2.3.2 過氧化值建模 橄欖油過氧化值建模結(jié)果如表3。

選擇在5600～4500和10000～6100 cm-1波段內(nèi),采用一階求導+SG(5,3)平滑處理方式,建立橄欖油過氧化值的定量模型最好,校正集和驗證集的誤差均方根分別為0.286 mmol/kg和0.330 mmol/kg,相關系數(shù)分別為0.9939和0.9910。校正集和驗證集的分布如圖6。

圖6 過氧化值校正集和驗證集分布Fig.6 The distribution of calibration set and validation set of olive oils peroxide value

表3 橄欖油過氧化值建模結(jié)果Table 3 Results of peroxide value modeling of olive oil

表4 橄欖油ΔK值建模結(jié)果Table 4 Results of ΔK value modeling of olive oil

2.3.3 ΔK值建模 橄欖油ΔK值建模結(jié)果如表4。

選擇在5600～4500和10000～6100 cm-1波段內(nèi),采用一階求導+SG(5,3)平滑處理方式,建立橄欖油ΔK值的定量模型最好,校正集和驗證集的誤差均方根分別為0.235e-3和0.278e-3,相關系數(shù)分別為0.9923和0.9902。校正集和驗證集的分布如圖7。

圖7 ΔK值校正集和驗證集分布Fig.7 The distribution of calibration set and validation set of olive oils ΔK value

2.4盲樣驗證

收集20個未知樣品,利用近紅外光譜儀掃描得到光譜數(shù)據(jù),將光譜數(shù)據(jù)導入定量模型得到理化指標的預測值,同時利用標準中的方法分別檢測樣品的酸值、過氧化值、ΔK值,將NIR預測值與真實值做線性回歸分析,結(jié)果見圖8、圖9、圖10。

圖8 橄欖油酸值預測值與真實值分布Fig.8 Prediction value and true value of olive oil acid value

圖9 橄欖油過氧化值預測值與真實值分布Fig.9 Prediction value and true value of olive oil peroxide value

圖10 橄欖油ΔK值預測值與真實值分布Fig.10 Prediction value and true value of olive oil ΔK value

從圖中可以看出:在橄欖油的酸值、過氧化值、ΔK值的盲樣驗證中,預測值與真實值的相關方程中,相關系數(shù)接近于1,在Y軸上的截距接近于0,R2均大于0.99,表明盲樣驗證效果較好,基于近紅外定量模型對未知樣品的理化值有很好的預測能力。

基于20個盲樣的NIR預測值和真實值,計算三個理化指標的相對分析誤差(RPD)分別為13.65、21.59、8.32,均大于3,說明該模型的預測能力較好,該方法在實際應用中具有可行性。

2.5精密度與準確度分析

采用統(tǒng)計學方法對未知盲樣的酸值、過氧化值、ΔK值預測值的精密度和準確度進行分析,將20個未知樣品的預測值和真實進行配對t檢驗,判斷近紅外光譜法與標準中的方法是否有顯著差異。酸值、過氧化值、ΔK值的t值分別為-1.426、-0.987、0.181,t20,0.05分別為0.172、0.336、0.858,均大于0.05,說明近紅外光譜法與標準法無顯著差異。

對同一個橄欖油樣品掃描10次近紅外光譜,利用近紅外定量模型預測該樣品的酸值、過氧化值和ΔK值,計算這三個理化值的相對標準偏差(RSD),分別為0.988%、0.946%和1.987%,結(jié)果小于10%,表明該方法的重現(xiàn)性較好。

3 結(jié)論與討論

本文以70個特級初榨橄欖油樣品為原料,利用近紅外光譜結(jié)合偏最小二乘法分別建立橄欖油的酸值、過氧化值、ΔK值的定量分析模型。結(jié)果表明:在5600～4500 cm-1波段范圍內(nèi),選擇一階求導和SG(5,3)光譜平滑處理,酸值定量模型的性能最好,模型的校正和預測的誤差均方根(RMSEC、RMSEP)分別為0.0204、0.0201 mg/g,校正和預測的相關系數(shù)(Rc、Rp)分別為0.9945、0.9965。在5600～4500 cm-1和10000～6100 cm-1波段范圍內(nèi),選擇一階求導和SG(5,3)光譜平滑處理,過氧化值和ΔK值定量模型的性能最好,過氧化值的RMSEC、RMSEP、Rc、Rp分別為0.286、0.330、0.9939、0.9910 mmol/kg,ΔK值的RMSEC、RMSEP、Rc、Rp分別為0.235e-3、0.278e-3、0.9923、0.9902。

基于近紅外光譜建立食用油理化值的定量模型前人已有研究。于修燭等[19]以常見食用油為原料,建立了酸值和過氧化值的定量模型。酸值定量模型的RMSEP、Rc分別為0.114、0.9873 mg/g,過氧化值定量模型的RMSEP、Rc分別為0.90 mmol/kg、0.9958。相比之下,本研究的酸值定量模型的性能更好,過氧化值的RMSEP更小,預測能力更好。畢艷蘭等[20]建立了植物油過氧化值的定量模型,RMSEC、RMSEP、Rc、Rp分別為0.732、0.821、0.995、0.995 mmol/kg,結(jié)果與本研究相似,但本研究的Rc和Rp值更小,模型性能更好。

通過盲樣驗證,模型預測值與真實值接近,將預測值與真實值進行方差t檢驗,結(jié)果表明近紅外光譜法與標準中的方法無顯著差異。綜上,基于近紅外光譜定量模型可實現(xiàn)橄欖油酸值、過氧化值、ΔK的快速準確檢測。

[1]Estruch R,Ros E,Salas-Salvadó J,et al. Primary prevention of cardiovascular disease with a mediterranean diet[M]. Boston:Massachusetts Medical Society,2013:1279-1290.

[2]Franco M N,Galeano-Díaz T,López ó,et al. Phenolic compounds and antioxidant capacity of virgin olive oil[J]. Food Chemistry,2014,163:289-298.

[3]宋聚國. 世界及中國橄欖油產(chǎn)業(yè)發(fā)展分析[J]. 世界農(nóng)業(yè),2015,(10):114-117.

[4]鐘誠,王興國,金青哲,等.國內(nèi)初榨橄欖油品質(zhì)特性研究[J].中國油脂,2013,38(10):35-38.

[5]Aparicio R,Morales M T,Aparicio-Ruiz R,et al. Authenticity of olive oil:Mapping and comparing official methods and promising alternatives[J]. Food Research International. 2013,54(2):2025-2038.

[6]鐘昌勇. 橄欖油化學組成及應用綜述[J]. 林產(chǎn)化工通訊,2005(6):34-38.

[7]代啟虎,馬晨晨,李冉. 近紅外光譜分析技術在食品脂肪含量測定上的應用[J]. 廣東化工,2017,44(2):58-59+53.

[8]張力培,魯雄.近紅外光譜分析技術在食品檢測中的應用[J].輕工科技,2016(2):103-105.

[9]胡亞云,崔璐.近紅外光譜在液態(tài)奶分析與檢測中的應用[J].食品研究與開發(fā),2015,36(16):165-168.

[10]劉國海,韓蔚強,江輝.基于近紅外光譜的橄欖油品質(zhì)鑒別方法研究[J].光譜學與光譜分析,2016,36(9):2798-2801.

[11]韓蔚強. 基于NIRS技術的橄欖油品質(zhì)鑒別及摻雜分析方法研究[D]. 江蘇大學,2016.

[12]Sun X D,Lin W Q,Li X H,et al. Detection and quantification of extra virgin olive oil adulteration with edible oils by FT-IR spectroscopy and chemometrics[J]. Analytical Methods，2015(7):3939-3945.

[13]GIOF Standardization. Animal and vegetable fats and oils-determination of acid value and acidity:ISO 660-2009[S]. Norme Internationale ISO,1996.

[14]S Standards. Animal and vegetable fats and oils-determination of peroxide value-iodometric(visual)end-point determination:ISO 2960-2007[S]. ISO International Standard,2007.

[15]COI/T.20/Doc.No 19/Rev.3.Spectrophotometric Investigation in the Ultraviolet.

[16]張嚴. 近紅外光譜技術快速鑒別與檢測食用油摻偽研究[D].河南工業(yè)大學,2015.

[17]Chen Q S,Zhao J W,Liu M H,et al.Determination of total polyphenols content in green tea using FT-NIR spectroscopy and different PLS algorithms[J].Journal of Pharmaceutical and Biomedical Analysis,2008,46(3):568-573.

[18]Prieto N,Dugan M E R,López-Campos O,et al. Near infrared reflectance spectroscopy predicts the content of polyunsaturated fatty acids and biohydrogenation products in the subcutaneous fat of beef cows fed flaxseed[J]. Meat Science,2012,90(1):43-51.

[19]于修燭,張靜亞,李清華,等. 基于近紅外光譜的食用油酸價和過氧化值自動化檢測[J]. 農(nóng)業(yè)機械學報,2012,43(9):150-154,159.

[20]畢艷蘭,鮑丹青,田原,等. 利用傅里葉近紅外技術快速測定食用植物油的過氧化值[J]. 中國油脂,2009,34(3):71-74.

Studyonrapiddetectionmodelofphysicalandchemicalindexesofoliveoilbasedonnearinfraredspectroscopy

WANYi1,ZHANGYu2,YANGHua2,WANGQiang2,WANGJun-hong2,LIXue2,ZHUZuo-yi2,WANGWei2,3,4,*,ZHANGCun-li1,*

(1.College of Life Science,Northwest A&F University,Yangling 712100,China; 2.Institute of Quality and Standard for Agricultural Products,Zhejiang Academy of Agricultural Science,Hangzhou 310021,China; 3.State Key Laboratory Breeding Base for Zhejiang Sustainable Pest and Disease Control,Hangzhou 310021,China; 4.Key Laboratory of Creative Agriculture,Ministry of Agriculture,Hangzhou 310021,China)

In order to detect physical and chemical indexes of olive oils rapidly,quantitative analysis models of acid value,peroxide value,ΔK value of olive oil were established by near infrared spectroscopy combined with partial least squares analysis(PLS),based on the optimal band and spectral data preprocessing method. The results showed that the correlation coefficients of calibration of the acid value,peroxide value,ΔK value were 0.9945,0.9939,0.9923,and the correlation coefficients of prediction were 0.9965,0.9910,0.9902. The correlation coefficient of blind samples verification was close to 1,andR2was higher than 0.99,which showed that near infrared spectra quantitative models had high predictive capabilities. The paired t-test was used between the predicted value and the true value of the samples. The results showed that there was no significant difference between the spectral method and the standard method. Therefore,the near infrared quantitative analysis models can realize the fast and accurate detection of physical and chemical indexes.

olive oil;near infrared spectroscopy;acid value;peroxide value;ΔK value

2017-04-11

萬毅(1992-)，女，碩士研究生，研究方向：質(zhì)量控制與食品安全，E-mail:wanyi8965@163.com。

*

王偉(1979-)，男，博士，副研究員，研究方向：農(nóng)產(chǎn)品品質(zhì)與安全，E-mail:wangwei5228345@126.com。 張存莉(1967-)，女，博士，教授，研究方向：植物化學資源開發(fā)利用，E-mail:zhangcunli529@163.com。

浙江省自然科學基金(LY15C200010、LQ15C200006)；國家自然科學基金(31401495)；浙江省農(nóng)業(yè)科學院中美國際合作項目(2010DS700124-ZM1602)。

TS207.3

A

1002-0306(2017)21-0257-07

10.13386/j.issn1002-0306.2017.21.051