利用氣相色譜和近紅外光譜技術(shù)對(duì)不同植物源的4種食用油（葵花籽油、大豆油、玉米油和花生油）進(jìn)行表征分析,基于表征數(shù)據(jù)分別建立了偏最小二乘判別分析（PLS-DA）模型,并在此基礎(chǔ)上探究了數(shù)據(jù)級(jí)數(shù)據(jù)融合方法,構(gòu)建了基于色譜和光譜數(shù)據(jù)融合的不同植物源食用油判別方法與模型。主成分分析（PCA）結(jié)果顯示,氣相色譜判別分析主要是依據(jù)脂肪酸組成信息,近紅外光譜主要是基于樣本中含氫化學(xué)鍵的表征進(jìn)行分類。數(shù)據(jù)融合模型的靈敏度和特異度均為1.000,分類誤差為0.000,降低了交互驗(yàn)證的平均分類誤差,模型具有良好的穩(wěn)健性。與基于單一數(shù)據(jù)的模型結(jié)果相比,數(shù)據(jù)融合分析策略提高了模型的分類精度和魯棒性。 

【文章來(lái)源】：分析測(cè)試學(xué)報(bào). 2020,39(11)北大核心CSCD

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

基于脂肪酸組成的不同植物油Biplot圖

圖2為4種植物油的近紅外平均光譜,4種植物油樣本的近紅外吸收峰相似;吸收強(qiáng)度上,花生油與其余3種植物油間的差異較大。主要的差異區(qū)域大致分為5個(gè)部分:區(qū)域1主要為羧酸中O—H與其他基團(tuán)組合頻的吸收;區(qū)域2主要為羧酸單體O—H鍵伸縮振動(dòng)的一級(jí)倍頻吸收;區(qū)域3的肩峰主要是CH3的一級(jí)倍頻吸收;區(qū)域4主要是水O—H鍵伸縮振動(dòng)的倍頻吸收;區(qū)域5主要是順式不飽和脂肪酸中和C—H鍵的合頻吸收峰[21]。2.4 食用油植物源近紅外光譜主成分分析

進(jìn)一步對(duì)氣相色譜和近紅外光譜數(shù)據(jù)進(jìn)行PLS-DA判別分析,結(jié)果如表2所示,氣相色譜和近紅外光譜均可對(duì)食用油植物源進(jìn)行判別分析,模型交互驗(yàn)證集的靈敏度和特異度均不低于0.929,分類誤差不大于0.061;花生油PLS-DA判別分析的靈敏度和特異度均為1.000,分類誤差為0.000,這一結(jié)果與主成分分析中花生油的區(qū)分良好有關(guān);近紅外光譜對(duì)其余3種植物油的PLS-DA判別分析結(jié)果較氣相色譜差。與現(xiàn)有文獻(xiàn)中基于近紅外光譜判別分析食用油植物源100%正確判別率的結(jié)果相比,該結(jié)論的偏差可能是樣本范圍擴(kuò)大導(dǎo)致:植物油的收集包含了不同原料品種、產(chǎn)地、生產(chǎn)工藝和存儲(chǔ)時(shí)間的樣本。采用數(shù)據(jù)級(jí)數(shù)據(jù)融合方法,融合氣相色譜和近紅外光譜數(shù)據(jù)進(jìn)行建模,結(jié)果表明,食用油植物源判別分析的靈敏度和特異度均為1.000,分類誤差為0.000;說明數(shù)據(jù)融合的方法具有提高模型精度的能力,并且數(shù)據(jù)融合模型對(duì)于復(fù)雜來(lái)源樣本的包容性更好。表2 食用油植物源PLS-DA判別分析結(jié)果Table 2 PLS-DA discriminant analysis results of vegetable oils type Data(數(shù)據(jù)源) Parameters(評(píng)價(jià)指標(biāo)) Peanut oil(花生油) Sunflower oil(葵花籽油) Corn oil(玉米油) Soybean oil(大豆油) GC(氣相色譜) Sensitivity(CV) 1.000 0.964 1.000 1.000 Specificity(CV) 1.000 1.000 1.000 1.000 Classification error(CV) 0.000 0.000 0.018 0.000 NIR(近紅外光譜) Sensitivity(CV) 1.000 1.000 0.964 0.929 Specificity(CV) 1.000 0.989 0.977 0.949 Classification error(CV) 0.000 0.006 0.029 0.061 Data fusion(數(shù)據(jù)融合) Sensitivity(CV) 1.000 1.000 1.000 1.000 Specificity(CV) 1.000 1.000 1.000 1.000 Classification error(CV) 0.000 0.000 0.000 0.000

【參考文獻(xiàn)】：
期刊論文
[1]光譜數(shù)據(jù)融合技術(shù)在食品檢測(cè)中的應(yīng)用研究進(jìn)展[J]. 楊巧玲,鄧曉軍,孫曉東,鈕冰,古淑青,陳沁.  食品工業(yè)科技. 2020(18)
[2]常見光譜技術(shù)在植物油品質(zhì)檢測(cè)中的應(yīng)用[J]. 許林楠,林泓,鈕冰,鄧曉軍.  分析測(cè)試學(xué)報(bào). 2019(11)
[3]紅外光譜的陸生動(dòng)物油脂中反芻動(dòng)物成分鑒別分析[J]. 劉賢,徐凌芝,高冰,韓魯佳.  光譜學(xué)與光譜分析. 2019(10)
[4]利用近紅外及中紅外融合技術(shù)對(duì)小麥產(chǎn)地和烘干程度的同時(shí)鑒別[J]. 鄒小波,封韜,鄭開逸,石吉勇,黃曉瑋,孫悅.  光譜學(xué)與光譜分析. 2019(05)
[5]基于在線近紅外光譜的堆肥全過程關(guān)鍵參數(shù)快速檢測(cè)[J]. 楊增玲,黃圓萍,沈廣輝,梅佳琪,韓魯佳.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2019(05)
[6]FTIR、ATR-FTIR和UV多光譜鑒別不同產(chǎn)地重樓[J]. 裴藝菲,左智天,趙艷麗,張慶芝,王元忠.  分析測(cè)試學(xué)報(bào). 2019(01)
[7]基于光譜和圖像信息融合的玉米霉變程度在線檢測(cè)[J]. 沈飛,黃怡,周曰春,劉琴,裴斐,李彭,方勇,劉興泉.  食品科學(xué). 2019(16)
[8]近紅外光譜結(jié)合區(qū)間偏最小二乘法應(yīng)用于花生油酸價(jià)的測(cè)定[J]. 周小華,張玫,相秉仁.  糧油食品科技. 2017(02)
[9]氣相色譜結(jié)合化學(xué)計(jì)量學(xué)用于6種食用植物油的分類[J]. 張方圓,吳凌濤,林晨,蔡大川,王李平,方麗,林澤鵬.  分析試驗(yàn)室. 2016(11)
[10]近紅外漫反射聚類法無(wú)損快速測(cè)定淀粉品質(zhì)[J]. 孫曉榮,劉翠玲,吳靜珠,方平,李慧.  北京工商大學(xué)學(xué)報(bào)(自然科學(xué)版). 2010(06)



本文編號(hào)：3336271