鐘 誠 薛雅琳 王興國 金青哲 張東生 張 東

(江南大學(xué)食品學(xué)院1，無錫 214122)

(國家糧食局科學(xué)研究院2，北京 100037)

初榨橄欖油是從新鮮油橄欖果實(shí)中冷榨提取的一種高檔食用植物油，是世界上唯一以自然形態(tài)供人類食用的木本植物油。橄欖油富含不飽和脂肪酸(油酸占55% ～83%)、角鯊烯、多酚以及維生素，具有抗氧化、調(diào)節(jié)膽固醇、預(yù)防癌癥、美容的功效和調(diào)整人體生理機(jī)能的作用，享有“植物油皇后”、“液體黃金”等眾多美譽(yù)［1］。由于加工方式特殊，品質(zhì)指標(biāo)要求嚴(yán)格，國際橄欖油理事會根據(jù)酸度并結(jié)合其他理化指標(biāo)規(guī)定了橄欖油質(zhì)量等級，具體如表1所示。其中精煉橄欖油主要原料來源有3種:不能直接食用的初榨油橄欖燈油，粗提油橄欖果渣油以及因不良外界條件導(dǎo)致氧化變質(zhì)的初榨橄欖油。精煉工藝雖然提高了油的穩(wěn)定性和安全性，但破壞了油中的大部分生物活性成分，使得油的營養(yǎng)價值大幅降低，油的價格也相對低廉。精煉橄欖油只能作為工業(yè)原料，國際橄欖油貿(mào)易中流通的是純橄欖油(混合橄欖油)，即在精煉橄欖油中加入3% ～10%的初榨橄欖油，通常是按照90—10的“里維拉混合法”調(diào)制，這種油色澤淺黃，口味清淡，營養(yǎng)價值較低。

目前中國的橄欖油98%依靠國外進(jìn)口，據(jù)海關(guān)總署數(shù)據(jù)顯示，2011年我國橄欖油進(jìn)口總量為3.3萬t，同比增長55%。從進(jìn)口橄欖油的比例來看，初榨橄欖油只占進(jìn)口總量的35%，精煉油能占到46%，而果渣油則占到20%，但是目前中國市面上銷售橄欖油幾乎清一色的是等級最高的特級初榨橄欖油，精煉油、果渣油的流向問題值得關(guān)注和監(jiān)控。隨著大眾營養(yǎng)健康意識的增強(qiáng)和橄欖油需求量的增加，橄欖油摻偽技術(shù)的研究具有一定現(xiàn)實(shí)意義和實(shí)用性，有利于提高進(jìn)口橄欖油品質(zhì)，規(guī)范國內(nèi)橄欖油市場秩序，保障國內(nèi)消費(fèi)者合法權(quán)益。本研究根據(jù)初榨橄欖油和精煉油的不同紫外吸收特性，采用紫外光譜結(jié)合化學(xué)計量學(xué)中的偏最小二乘(Partial Least Squares，PLS)和BP人工神經(jīng)網(wǎng)絡(luò)(Back Propagation Artificial Neural Networks，BP－ANNs)2種手段，建立初榨橄欖油摻偽檢測模型，利用模型對摻偽初榨橄欖油進(jìn)行定量分析預(yù)測，以期為初榨橄欖油摻偽的快速檢測提供參考。

表1 橄欖油分類標(biāo)準(zhǔn)

1 材料與方法

1.1 原料與儀器

特級初榨橄欖油(EVOO)和混合橄欖油(BVO)各20個已確認(rèn)合格的樣品，由國家糧食局科學(xué)研究院糧油質(zhì)量檢驗(yàn)測試中心提供;石油醚(分析純):北京化工廠;Lambda 45紫外－可見分光光度計:Derkin Elmer公司;AB304－S型電子天平:梅特勒－托利多(瑞士)公司。

1.2 試驗(yàn)方法

1.2.1 初榨橄欖油摻偽樣品配制

根據(jù)預(yù)試驗(yàn)結(jié)果，從各自的20個樣品中選擇有代表性的5個特級初榨橄欖油、4個混合橄欖油作為原料用油，則共有5×4=20個組合，每個組合均配制5%、10%、20%、30%、40%、50%共 6個摻偽比例，則得到5×4×6=120個摻偽樣品，每個摻偽比例都有20個樣，加上20個純特級初榨橄欖油樣，本試驗(yàn)共有140個樣品。具體配制方法:準(zhǔn)確稱取特級初榨橄欖油和混合橄欖油各3.000 g，用石油醚定容至50 mL，配成質(zhì)量濃度為60 mg/mL的標(biāo)準(zhǔn)溶液。分別取 0.25、0.5、1.0、1.5、2.0、2.5 mL 混合橄欖油標(biāo)準(zhǔn)溶液置于10 mL容量瓶中，再對應(yīng)加入4.75、4.5、4.0、3.5、3.0、2.5 mL 特級初榨橄欖油標(biāo)準(zhǔn)溶液，最后定容至10 mL，則得到6個摻偽比例的30 mg/mL的油樣，純特級初榨橄欖油直接配制30 mg/mL的油樣。

1.2.2 紫外光譜采集條件

由于紫外分光光度計250 nm之前的波段噪音很大，基線不穩(wěn)定，故掃描和分析波長定為250～350 nm，掃描速度 240 nm/min，采樣間隔 0.1 nm，狹縫寬2 nm，以石油醚為參比。

1.2.3 數(shù)據(jù)處理方法

采用 SIMCA －P 12.0(Umetrics，Umea，Sweden)、Matlab 7.0軟件進(jìn)行光譜預(yù)處理和建立偏最小二乘和BP人工神經(jīng)網(wǎng)絡(luò)模型。

2 結(jié)果與分析

2.1 紫外光譜特性分析

分別研究相同濃度的特級初榨橄欖油、混合橄欖油及摻偽樣品的紫外全掃光譜，如圖1所示。從圖1可以觀察到特級初榨橄欖油在250～350 nm無特征吸收峰，而混合橄欖油在268～278 nm處有顯著的吸收峰，這主要是由于混合橄欖油含有大量精煉油，油脂精煉過程中(特別是堿煉環(huán)節(jié))形成具有順反異構(gòu)的共軛脂肪酸［2－3］，而混合橄欖油吸收曲線的高低正是精煉油精煉程度和調(diào)配比例的反映。摻有混合橄欖油的特級初榨橄欖油在268～278 nm也出現(xiàn)了微弱的吸收峰，整體上看摻偽特級初榨橄欖油在各點(diǎn)處的吸光度基本上都有所增加，故從紫外圖譜可以定性區(qū)分出摻偽油樣，但若摻偽量很小時仍需結(jié)合統(tǒng)計分析手段才能識別和定量預(yù)測。

圖1 橄欖油紫外光譜圖

2.2 光譜預(yù)處理

由于紫外圖譜上的原始信息包含大量噪聲及冗余信息，使得不同摻偽比例的樣品有可能出現(xiàn)重疊，故在建立摻偽定量模型前有必要進(jìn)行光譜預(yù)處理［3］。常見的光譜預(yù)處理技術(shù)有Savitzky－Golav卷積平滑處理、導(dǎo)數(shù)基線校正［5］、標(biāo)準(zhǔn)正態(tài)變量變換［6］(standard－nomal variate transformation，SNV)、多元散射校正(multiplicative scatter correction，MSC)、正交信號校正［7］(orthogonal signal correction，OSC)、小波變換(wavelet transform，WT)等。經(jīng)多次嘗試，結(jié)合140×101維(140為樣本個數(shù)，101為250～350 nm每隔1 nm選作波長變量)的光譜數(shù)據(jù)矩陣運(yùn)用OPLS－DA(正交偏最小二乘判別分析)進(jìn)行樣本總體分類的效果，最終確定采用一階導(dǎo)數(shù)+SNV+OSC光譜預(yù)處理方法，光譜預(yù)處理前后的分類效果如圖2、圖3所示?？梢娫脊庾V經(jīng)預(yù)處理后樣本總體按摻偽比例基本分成7類，其中摻偽5%的數(shù)據(jù)點(diǎn)與純特級初榨橄欖油和摻偽10%的數(shù)據(jù)點(diǎn)分布較為接近。

2.3 偏最小二乘(PLS)建立初榨橄欖油摻偽定量預(yù)測模型

2.3.1 建模所用樣本的確定

建立模型之前需要排除樣本總體的特異點(diǎn)，這些點(diǎn)往往遠(yuǎn)離數(shù)據(jù)重心和結(jié)聚范圍，是個不穩(wěn)定的因素，如果去掉這一類特異點(diǎn)，往往會使數(shù)據(jù)分析的準(zhǔn)確性有很大的改善［8］。從樣本總體 PLS得分圖(圖4)可以看到32、112、132號樣品位于95%的置信橢圓外部，為特異點(diǎn)，建模前因排除這3個點(diǎn)。故最終確定建模樣本數(shù)據(jù)矩陣為137×101維，在137個樣品選擇隨機(jī)選擇116個作為訓(xùn)練集，另外21個(包括純特級初榨橄欖油，保證每個摻偽比例有3個樣，共3×7=21個)作為驗(yàn)證集。

2.3.2 最佳主因子數(shù)的確定

主因子數(shù)使用過多或過少，會出現(xiàn)“過擬合”或者“欠擬合”現(xiàn)象，使模型的預(yù)測能力下降，故需要確定最佳主因子數(shù)［9］。在確保主因子提取足夠原始變量信息的基礎(chǔ)上，采用交叉驗(yàn)證均方根誤差RMSEcv和預(yù)測集均方根誤差RMSEP來確定最佳主因子數(shù)，其值越小，模型的擬合效果和預(yù)測能力越好。RMSEcv和RMSEP隨主因子數(shù)的變化規(guī)律如圖5所示。從圖5可知，當(dāng)主因子數(shù)為6時，RMSEcv、RMSEP值分別為0.010 901 8、0.010 827 5，均達(dá)到最小值，故最佳主因子數(shù)為6個，此時主因子累積貢獻(xiàn)率達(dá)到97.72%。

2.3.3 PLS模型對初榨橄欖油摻偽預(yù)測能力的驗(yàn)證

利用驗(yàn)證集的21個樣品來檢驗(yàn)PLS模型的預(yù)測能力，樣品摻偽比例的真實(shí)值和模型預(yù)測值及兩者的相關(guān)性如圖6所示。從圖6可知，模型預(yù)測能力良好，摻偽比例真實(shí)值和模型預(yù)測值相關(guān)系數(shù)達(dá)到0.996 2。

圖4 紫外光譜樣本總體PLS得分圖

2.4 BP人工神經(jīng)網(wǎng)絡(luò)(BP－ANNs)建立初榨橄欖油摻偽定量預(yù)測模型

2.4.1 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化

本試驗(yàn)建立的神經(jīng)網(wǎng)絡(luò)為誤差反向傳播算法，也稱為 BP(Back－Propagation Network)算法［10］。訓(xùn)練集和驗(yàn)證集的設(shè)置與PLS模型相同，在利用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行建模之前，首先采用主成分分析對紫外光譜數(shù)據(jù)進(jìn)行壓縮和降維［11］，本試驗(yàn)共提取前6個主成分，累積貢獻(xiàn)率達(dá)到98.07%，得到的主成分作為BP神經(jīng)網(wǎng)絡(luò)輸入值。通過調(diào)整隱含層節(jié)點(diǎn)數(shù)來優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，經(jīng)反復(fù)試驗(yàn)確定最佳網(wǎng)絡(luò)結(jié)構(gòu)輸入層(6)－隱含層(11)－輸出層(1)，各層間傳遞函數(shù)為tansig，學(xué)習(xí)速率為0.03，最大迭代步數(shù)10 000，訓(xùn)練精度為0.000 1。迭代過程訓(xùn)練誤差如圖7所示，由圖7可知當(dāng)?shù)?1步時，網(wǎng)絡(luò)對訓(xùn)練集116個樣本擬合殘差為9.683 85×10－5，誤差達(dá)到設(shè)置精度，收斂速度較快。

圖7 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差圖

2.4.2 BP人工神經(jīng)網(wǎng)絡(luò)模型對初榨橄欖油摻偽預(yù)測能力的驗(yàn)證

利用驗(yàn)證集的21個樣品來檢驗(yàn)BP人工神經(jīng)網(wǎng)絡(luò)的預(yù)測能力，樣品摻偽比例的真實(shí)值、BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測值和相對標(biāo)準(zhǔn)偏差如表2所示。由表2可知該模型預(yù)測能力優(yōu)良，真實(shí)值與BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測值的相關(guān)性較高，相關(guān)系數(shù)可達(dá)到0.998 3。但也發(fā)現(xiàn)當(dāng)摻偽比例低至5%時，BP神經(jīng)網(wǎng)絡(luò)的預(yù)測能力不足，隨著摻偽比例的升高，模型預(yù)測能力顯著提高。

表2 BP人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測值及相對標(biāo)準(zhǔn)偏差

3 結(jié)論

本試驗(yàn)以紫外光譜技術(shù)結(jié)合化學(xué)計量學(xué)為基礎(chǔ)，建立了2種初榨橄欖油摻偽定量預(yù)測模型，分別為偏最小二乘(PLS)和BP人工神經(jīng)網(wǎng)絡(luò)定量模型。結(jié)果表明，2種模型定量預(yù)測性能良好，PLS模型交叉驗(yàn)證均方根誤差RMSEcv和預(yù)測集均方根誤差RMSEP 分別達(dá)到 0.010 901 8、0.010 827 5，預(yù)測值與真實(shí)值相關(guān)性達(dá)到0.996 2;BP人工神經(jīng)網(wǎng)絡(luò)迭代次數(shù)為61步，訓(xùn)練集擬合擬合殘差為9.684×10－5，網(wǎng)絡(luò)預(yù)測值和真實(shí)值相關(guān)系數(shù)為0.998 3，對于5%以上摻偽比例的油樣預(yù)測精確，且與PLS模型相比，BP人工神經(jīng)網(wǎng)絡(luò)工作過程簡便，能夠借助計算機(jī)快速地進(jìn)行自動化運(yùn)算，在實(shí)際應(yīng)用上具有一定優(yōu)勢。研究結(jié)果也表明基于PLS和BP人工神經(jīng)網(wǎng)絡(luò)的紫外光譜技術(shù)能夠方便、快速、準(zhǔn)確地鑒別摻雜有混合橄欖油初榨橄欖油，為橄欖油品質(zhì)控制和快速摻偽檢測提供有力參考，具有一定應(yīng)用價值和發(fā)展前景。

［1］鐘昌勇.橄欖油化學(xué)組成及應(yīng)用綜述［J］.林產(chǎn)化工通訊，2005，39(6):34 －38

［2］湯逢編著.油脂化學(xué)［M］.南昌:江西科學(xué)技術(shù)出版社，1985:22－23

［3］龍伶俐，薛雅琳，張蕊，等.利用紫外吸收光譜研究植物油精煉程度［J］.農(nóng)業(yè)機(jī)械，2012(16):61－63

［4］Chu Xiaoli，Yuan Hongfu，Lu Wanzhen.Progress and application of spectral data pretreatment and wavelength selection methods in nir analytical technique［J］.Prog Chem，2004，16(4):528－542

［5］Dou Ying，Zou Tingting，Liu Tong，et al.Calibration in non －linear NIR spectroscopy using principal component artificial neural networks［J］.Spectrochimica Acta Part A:Molecular and Biomolecular Spectroscopy，2007，68(5):1201 －1206

［6］黃承偉，戴連奎，董學(xué)鋒.結(jié)合SNV的分段直接標(biāo)準(zhǔn)化方法在拉曼光譜模型傳遞中的應(yīng)用［J］.光譜學(xué)與光譜分析，2011，31(5):1279 －1282

［7］趙杰文，郭志明，陳全勝.基于OSC/PLS的茶葉中EGCG含量的近紅外光譜法測定［J］.食品與生物技術(shù)學(xué)報.2008(4):12－15

［8］王惠文.偏最小二乘回歸方法及其應(yīng)用［M］.北京:國防工業(yè)出版社，2006:65－67

［9］原姣姣，王成章，陳虹霞.近紅外透射光譜分析油茶籽油摻入豆油的研究［J］.中國糧油學(xué)報，2012，27(3):110－114

［10］Singh V，Khan M，Khan S，et al.Optimization of actinomycin V production by Streptomyces triostinicus using artificial neural network and genetic algorithm［J］.Applied Microbiology and Biotechnology，2009，82(2):379 －385

［11］歐文娟，孟耀勇，張小燕，等.紫外可見吸收光譜結(jié)合主成分－反向傳播人工神經(jīng)網(wǎng)絡(luò)鑒別真假蜂蜜［J］.分析化學(xué)研究簡報，2011，39(7):1104 －1108.