李淑娟，卞?；?，李 倩，范清杰，陳嬌嬌

(1. 省部共建分離膜與膜過程國家重點(diǎn)實(shí)驗(yàn)室，天津工業(yè)大學(xué)環(huán)境與化學(xué)工程學(xué)院，天津 300387；2. 天津格潤賽?？萍加邢薰?，天津 300384)

食用調(diào)和油由兩種及兩種以上的精煉食用油按比例調(diào)配而成[1-2]，因此在營養(yǎng)方面比單一食用油豐富均衡，受到廣大消費(fèi)者的青睞．但是，由于不同食用油價(jià)格存在較大差異，而調(diào)和油成分的定量分析又缺乏國家標(biāo)準(zhǔn)，致使許多商家加大低價(jià)食用油的比例以降低調(diào)和油的成本，從中獲取更多利潤[3-4]．因此，研究一種針對多元調(diào)和食用油的定量分析方法具有重要意義．目前調(diào)和油的檢測方法有多種，如氣相色譜法[5]、高效液相色譜法[6]、熒光光譜法[7-8]、紫外分光光度法[9]、紅外光譜法[10]、拉曼光譜法[11]和近紅外光譜法[12]等．其中近紅外光譜(near infra-red，NIR)技術(shù)具有快速、準(zhǔn)確、無損等優(yōu)勢[12-16]，是很有潛力的一種食用油定量分析方法．但是，近紅外光譜吸收較弱、譜峰重疊嚴(yán)重，因此需要借助化學(xué)計(jì)量學(xué)中的多元校正技術(shù)才能進(jìn)行定量分析．偏最小二乘回歸(partial least square regression，PLS)因其具有簡單、快速、參數(shù)少、預(yù)測效果好等優(yōu)點(diǎn)成為一種應(yīng)用最為廣泛的多元校正方法[17-19]．目前，大多數(shù)研究只是采用多元校正方法對二元和三元調(diào)和油體系進(jìn)行定量分析[20-22]，更高元數(shù)的調(diào)和油定量分析體系研究較少[23].另外，除了有用信息外，近紅外光譜信號中往往還混有噪聲和背景信息，且容易受到溫度、樣品狀態(tài)和雜散光等的影響[24-25]．因此，需要對光譜進(jìn)行預(yù)處理后再建立模型，才能提高定量分析的準(zhǔn)確度[17,25-26]．

本研究采用近紅外光譜作為檢測手段，考察了不同預(yù)處理方法的預(yù)處理效果，在最佳預(yù)處理方法的基礎(chǔ)上，建立偏最小二乘回歸模型，探討了化學(xué)計(jì)量學(xué)方法對四元調(diào)和油組分定量分析的可行性．

1 材料與方法

1.1 實(shí)驗(yàn)樣品及儀器

實(shí)驗(yàn)中調(diào)和油是以玉米油、大豆油、稻米油和芝麻油按不同比例配制而成．超市購買玉米油、大豆油、稻米油和芝麻油這4種植物油若干瓶．配制成51個(gè)四元調(diào)和油樣品，其中每種油的質(zhì)量分?jǐn)?shù)為 0%,～50%,，間隔 1%,，玉米油樣品質(zhì)量分?jǐn)?shù)按增序排列，其他油的含量隨機(jī)打亂，保證4種油之間的線性關(guān)系最?。趯?shí)驗(yàn)前要對每一個(gè)油樣品進(jìn)行超聲處理10,min，使調(diào)和油樣品充分混合均勻．選擇 2/3為訓(xùn)練集用于定量模型建立，1/3為預(yù)測集對模型預(yù)測能力進(jìn)行檢驗(yàn)．

主要實(shí)驗(yàn)儀器為 Vertex 70型多波段紅外/近紅外光譜儀(德國 Bruker公司)、FA2004型電子天平(上海舜宇恒平儀器有限公司)、吹風(fēng)機(jī)、2,mm 樣品池、裝有酒精的洗瓶、一次性塑料滴管和51個(gè)10,mL玻璃瓶．

1.2 近紅外光譜采集

將上述食用調(diào)和油樣品取至光程為 2,mm的玻璃比色管中，以空氣為參比采集樣品的近紅外光譜．采樣波數(shù)范圍為 4,000～12,000,cm-1，分辨率為4,cm-1，樣品光譜掃描次數(shù) 32次，基線掃描 3次，作為背景保存，然后進(jìn)行待測樣品掃描．每個(gè)樣品掃描3次取平均作為該樣品的最終光譜．4種植物油和51個(gè)調(diào)和油樣品的近紅外光譜分別如圖1和圖2所示．

從圖1可以看出：4種實(shí)驗(yàn)樣品油在整個(gè)光譜區(qū)的近紅外圖譜均很相似，而局部光譜只是存在略微的不同．從圖 2可以看出：調(diào)和油光譜也具有非常好的重合度，各個(gè)樣品的局部光譜也大同小異．圖 1和圖2相比較可以看出：4種植物油和調(diào)和油的近紅外光譜也是相近的，很難突出樣品之間成分的細(xì)小差異，需利用近紅外光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)方法，達(dá)到各組分定量分析的目的．

圖1 4種植物油樣品的近紅外光譜圖Fig. 1 NIR spectra of 4 vegetable oil samples

圖2 51個(gè)四元調(diào)和油樣品的近紅外光譜圖Fig. 2 NIR spectra of 51 quaternary edible blended oil samples

1.3 光譜預(yù)處理方法選擇

實(shí)驗(yàn)采集到的原始光譜除了包含與樣本相關(guān)的有用信息外，往往也摻雜著干擾信息，這對所建模型的質(zhì)量和未知樣品的預(yù)測準(zhǔn)確度將產(chǎn)生嚴(yán)重的影響.因此，在建立模型前，對光譜進(jìn)行預(yù)處理以消除各種干擾變得十分關(guān)鍵．常用的預(yù)處理方法有平滑、標(biāo)準(zhǔn)正態(tài)變量(SNV)、多元散射校正(MSC)、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)和連續(xù)小波變換(CWT)．理論上講，平滑主要消除噪聲信息，SNV、MSC是背景校正技術(shù)，主要消除雜散光信息，求導(dǎo)和 CWT是背景扣除技術(shù)，主要消除背景信息．然而，對于具體體系，哪種預(yù)處理方法效果最好，需要結(jié)合處理效果選?。虼?，本研究通過預(yù)測均方根誤差(RMSEP)考察了上述 6種預(yù)處理方法對不同組分的預(yù)處理效果，從而得到每種組分的最佳預(yù)處理方法．

1.4 模型建立

在最佳預(yù)處理方法基礎(chǔ)上，本實(shí)驗(yàn)采用偏最小二乘回歸(partial least square regression，PLS)方法建立調(diào)和油定量分析模型．PLS是一種最常用的多元校正方法，其建模過程中的關(guān)鍵一步在于因子數(shù)(LV)的確定．因子數(shù)是原始光譜數(shù)據(jù)轉(zhuǎn)換到 PLS空間后應(yīng)保留的最優(yōu)模型維數(shù)．因子數(shù)的多少直接影響到模型的預(yù)測能力．因子數(shù)太少，會(huì)丟失部分有用信息，產(chǎn)生欠擬合；反之，因子數(shù)太多，可能將無用的信息也引入到模型中，產(chǎn)生過擬合，二者都會(huì)導(dǎo)致模型的預(yù)測能力降低．因此，需要確定合適的因子數(shù)以提高模型的預(yù)測能力．蒙特卡羅交叉驗(yàn)證是最常用的一種確定因子數(shù)的方法[27]．本文根據(jù)蒙特卡羅交叉驗(yàn)證的均方根誤差(RMSECV)隨因子數(shù)的變化確定PLS模型的因子數(shù)．采用最佳因子數(shù)建立 PLS模型后，將未知樣品的光譜代入到模型中，預(yù)測各組分油的含量．

2 結(jié)果與討論

2.1 偏最小二乘因子數(shù)的確定

為了確定 PLS模型的最佳因子數(shù)，因子數(shù)從 1變化到 25，間隔為 1，計(jì)算不同因子數(shù)下每個(gè)組分PLS模型的RMSECV值，得到了4種組分油的RMSECV分別隨著因子數(shù)的變化曲線，如圖3所示．

圖3 四元調(diào)和油樣品中各組分的RMSECV隨因子數(shù)的變化Fig. 3 Variation of RMSECV with latent variables for each component of quaternary edible blended oil samples

從圖3可以看出：玉米油的RMSECV隨著因子數(shù)的增加先急劇下降后緩慢上升，最后趨于平穩(wěn)．在因子數(shù)為11時(shí)，其RMSECV最小，即玉米油的最佳因子數(shù)為 11．大豆油、稻米油和芝麻油組分的RMSECV雖然開始時(shí)隨著因子數(shù)增加有所波動(dòng)，但總體上隨著因子數(shù)的增大先下降，分別在 14、14和20達(dá)到最低值后略微上升，最后趨于平穩(wěn)．因此，大豆油、稻米油和芝麻油組分的最佳因子數(shù)分別為 14、14和20．

2.2 不同預(yù)處理方法參數(shù)的優(yōu)化

本研究采用的 6種預(yù)處理方法中，平滑、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)的窗口大小對預(yù)測結(jié)果有較大的影響，CWT采用不同的小波函數(shù)及分解尺度得到的預(yù)測效果差異也較大．因此，需要對平滑、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)的窗口參數(shù)及 CWT的小波函數(shù)及分解尺度參數(shù)進(jìn)行優(yōu)化．

平滑、一階導(dǎo)數(shù)和二階導(dǎo)數(shù)的窗口分別設(shè)置為3～59，間隔為2，計(jì)算不同窗口下的RMSEP，結(jié)果如圖4所示．

圖4 四元調(diào)和油樣品的RMSEP隨著窗口大小的變化Fig. 4 RMSEPs of quaternary edible blended oil samples with different window size

圖 4顯示了平滑(a)、一階導(dǎo)數(shù)(b)和二階導(dǎo)數(shù)(c)預(yù)處理時(shí)四元調(diào)和油樣品中各組分的 RMSEP隨著窗口大小的變化．從圖 4(a)可以看到：平滑預(yù)處理的RMSEP隨著窗口大小的增大而迅速的減小，但玉米油和大豆油的RMSEP下降到最小后緩慢上升，最后趨于平穩(wěn)，因此RMSEP最小對應(yīng)的最佳窗口大小分別為17和11；而稻米油和芝麻油的RMSEP下降后迅速上升，后來又下降并達(dá)到最小值，然后略有上升最終趨于平穩(wěn)，由此得到最佳窗口大小分別為 59和 59．同樣從圖 4(b)和圖 4(c)可以看出：各組分一階導(dǎo)數(shù)和二階導(dǎo)數(shù)的 RMSEP隨著窗口大小的增大而迅速的減小，最后都慢慢趨于平穩(wěn)．一階導(dǎo)數(shù)RMSEP最小時(shí)玉米油、大豆油、稻米油和芝麻油最佳窗口大小分別為 57、47、59和 57，二階導(dǎo)數(shù)RMSEP最小時(shí)玉米油、大豆油、稻米油和芝麻油最佳窗口大小分別為59、51、41和41．

圖5顯示了采用CWT預(yù)處理時(shí)，四元調(diào)和油樣品各組分的 RMSEP隨著分解尺度和小波函數(shù)的變化．本研究考察了 32個(gè)小波函數(shù)(Haar，db2，db3，…，db20，coif1，coif2，…，coif5，sym2，sym3，…，sym8等)，圖中以數(shù)字代表這32個(gè)小波函數(shù)．分解尺度從1變化到40，從圖5可以看出：最大分解尺度為40是合適的，因?yàn)楫?dāng)分解尺度達(dá)到40時(shí)4個(gè)組分的RMSEP都已經(jīng)趨于穩(wěn)定．開始時(shí)4個(gè)組分的RMSEP隨著分解尺度的增大而迅速減小，隨后緩慢下降，最后趨于平穩(wěn)，而隨著小波函數(shù)的改變變化不大．因此，分解尺度對小波變換的影響程度要大于小波函數(shù)．每個(gè)子圖RMSEP最小值對應(yīng)的分解尺度和小波函數(shù)確定為每個(gè)組分 CWT的最佳參數(shù)，即玉米油、大豆油、稻米油和芝麻油的最佳小波函數(shù)和分解尺度分別為 sym4、db13、sym8、Haar以及 40、34、32、34．

圖5 四元調(diào)和油樣品組分的RMSEP隨著分解尺度和小波函數(shù)的變化Fig. 5 RMSEPs with different decomposition scales and wavelet functions

2.3 不同組分預(yù)處理方法的選擇

確定了最佳預(yù)處理參數(shù)后，采用平滑、SNV、MSC、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)和 CWT預(yù)處理方法對原始光譜進(jìn)行預(yù)處理，再建立PLS模型，得到了不同預(yù)處理方法對四元調(diào)和油中各組分預(yù)測的RMSEP值，見表1．

表1 各預(yù)處理方法對四元調(diào)和油各組分預(yù)測 RMSEP值比較Tab. 1 Comparison of different pretreatment methods in terms of RMSEPs for each component of quarternary edible blended oil

對于玉米油組分，與未經(jīng)預(yù)處理的 PLS預(yù)測結(jié)果相比，經(jīng)過 SNV和 MSC處理后預(yù)測準(zhǔn)確度的提高效果并不明顯．這是因?yàn)?SNV和 MSC主要去除雜散光的影響，而從圖 2中可以看出，原始數(shù)據(jù)光譜的重合度非常好，說明信號本身受雜散光的影響較?。?jīng)過 CWT處理后的 RMSEP為 2.597,8，為所有預(yù)處理方法中的最小值，預(yù)測準(zhǔn)確度提高程度最大．因此，CWT為定量分析玉米油組分的最佳預(yù)處理方法．其他 3種組分的最佳預(yù)處理方法通過同樣的方法可以得出，大豆油、稻米油和芝麻油最佳預(yù)處理方法分別為CWT、平滑和一階導(dǎo)數(shù)．

2.4 預(yù)測結(jié)果

采用上述討論得到的各組分最佳預(yù)處理方法結(jié)合 PLS建立模型，對預(yù)測集中的玉米油、大豆油、稻米油和芝麻油組分分別進(jìn)行預(yù)測，預(yù)測值與真實(shí)值的關(guān)系如圖 6所示．為了進(jìn)行比較，四元調(diào)和油各組分未經(jīng)過預(yù)處理的 PLS模型的預(yù)測結(jié)果也顯示在圖6中．

圖6 四元調(diào)和油樣品的預(yù)測值與真實(shí)值的關(guān)系Fig. 6 Relationship between the predicted and prepared values of PLS

在圖中，每個(gè)散點(diǎn)都是以真實(shí)值為橫坐標(biāo)、預(yù)測值為縱坐標(biāo)的點(diǎn)．經(jīng)過比較可以看出，經(jīng)過最佳預(yù)處理后的模型的斜率更接近 1，截距更接近于 0，所以得到的擬合效果更好．從圖 6可以看出，預(yù)處理后比預(yù)處理前的預(yù)測值與真實(shí)值的線性相關(guān)性有了很大的提高．玉米油、大豆油、稻米油和芝麻油的相關(guān)系數(shù) R 分別從預(yù)處理前的 0.884,4、0.964,0、0.956,6、0.977,0提高到預(yù)處理后的 0.980,0、0.988,7、0.984,7、0.988,9，4種組分的相關(guān)系數(shù)都提高到0.98以上．表明經(jīng)過最佳預(yù)處理后所建 PLS模型的預(yù)測能力有較大提高，能夠獲得更準(zhǔn)確的預(yù)測結(jié)果．因此，近紅外光譜技術(shù)結(jié)合適當(dāng)?shù)幕瘜W(xué)計(jì)量學(xué)方法可以很好地實(shí)現(xiàn)四元調(diào)和油中各組分的準(zhǔn)確、快速定量．

采用最佳預(yù)處理方法對近紅外光譜數(shù)據(jù)進(jìn)行預(yù)處理，能夠更好地濾除非相關(guān)因素的干擾，提高模型信噪比．結(jié)果表明，經(jīng)過最佳預(yù)處理后PLS法建立的模型為四元食用調(diào)和油含量定量分析的最佳模型．幫助．

3 結(jié) 語

本研究應(yīng)用近紅外光譜技術(shù)對四元食用調(diào)和油各組分進(jìn)行了準(zhǔn)確定量檢測．運(yùn)用各組分最佳預(yù)處理方法對近紅外光譜數(shù)據(jù)進(jìn)行預(yù)處理，結(jié)合 PLS建立了調(diào)和油組分含量的定量分析模型．對于未知樣品，該模型的預(yù)測結(jié)果準(zhǔn)確度較未經(jīng)處理過的提高了1%～10%,，相關(guān)系數(shù)達(dá)到 0.98以上．本研究驗(yàn)證了近紅外光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)方法對四元調(diào)和油進(jìn)行分析的可行性，有望用于實(shí)際調(diào)和油中組分的定量分析．實(shí)際調(diào)和油中油脂種類多達(dá)十幾種，本研究仍需要進(jìn)一步研究五元、六元及更高元數(shù)的模擬調(diào)和油．

［1］ 劉燕德，靳曇曇，王海陽. 基于拉曼光譜的三組分食用調(diào)和油快速定量檢測[J]. 光學(xué)精密工程，2015，23(9)：2490-2496.

［2］ Xu J，Liu X F，Wang Y T. A detection method of vegetable oils in edible blended oil based on three-dimensional fluorescence spectroscopy technique[J]. Food Chemistry，2016，212：72-77.

［3］ 徐婧，侯培國，王玉田，等. 基于特征峰值積分法的調(diào)和油組分含量的測量[J]. 光譜學(xué)與光譜分析，2016，36(1)：298-302.

［4］ 梁丹. 應(yīng)用近紅外光譜聚類分析法快速鑒別植物油品種的研究[J]. 科學(xué)與財(cái)富，2015(33)：245-246.

［5］ 閔征橋，劉金勇，高盼，等. 用氣相色譜法測定食用植物調(diào)和油配方的研究[J]. 糧食與食品工業(yè)，2013，20(3)：11-14.

［6］ Maíra F，Annibal D P N. Optimization and application of methods of triacylglycerol evaluation for characterization of olive oil adulteration by soybean oil with HPLCAPCI-MS-MS[J]. Talanta，2010，81(3)：1116-1125.

［7］ Xu J，Wang Y T，Liu X F. A novel quantitative analysis method of three-dimensional fluorescence spectra for vegetable oils contents in edible blend oil[J]. Optics and Spectroscopy，2015，118(4)：663-667.

［8］ 吳希軍，田瑞玲，孫夢菲，等. 基于熒光光譜及矩陣分析的植物油鑒別技術(shù)[J]. 光譜學(xué)與光譜分析，2016，36(7)：2155-2161.

［9］ 張霖霖，周勇強(qiáng)，謝浩東，等. 紫外分光光度法直接測定廢水中微量油的研究[J]. 光譜學(xué)與光譜分析，2001，21(5)：716-718.

［10］ 李娟，范璐，畢艷蘭，等. 紅外、近紅外光譜-簇類的獨(dú)立軟模式方法識別植物調(diào)和油脂[J]. 分析化學(xué)，2010，38(4)：475-482.

［11］ Bin J，Ai F F，F(xiàn)an W，et al. Rapid determination of unsaturated fatty acids in vegetable oil by Raman spectroscopy and chemometrics[J]. Analytical Letters，2016，49(6)：831-842.

［12］ Muresan V，Danthine S，Muresan A E，et al. In situ analysis of lipid oxidation in oil seed-based food products using near-infrared spectroscopy and chemometrics：The sunflower kernel paste(tahini)example[J]. Talanta，2016，155：336-346.

［13］ Li S F，Zhang X，Shan Y，et al. Qualitative and quantitative detection of honey adulterated with high-fructose corn syrup and maltose syrup by using near-infrared spectroscopy[J]. Food Chemistry，2017，218：231-236.

［14］ Alves J C L，Poppi R J. Quantification of conventional and advanced biofuels contents in diesel fuel blends using near-infrared spectroscopy and multivariate calibration[J]. Fuel，2016，165：379-388.

［15］ Kang Q，Ru Q G，Liu Y，et al. On-line monitoring the extract process of Fu-fang Shuanghua oral solution using near infrared spectroscopy and different PLS algorithms[J]. Spectrochimica Acta Part A：Molecular and Biomolecular Spectroscopy，2016，152：431-437.

［16］ 褚小立，陸婉珍. 近五年我國近紅外光譜分析技術(shù)研究與應(yīng)用進(jìn)展[J]. 光譜學(xué)與光譜分析，2014，34(10)：2595-2605.

［17］ Bian X H，Chen D，Cai W S，et al. Rapid determination of metabolites in bio-fluid samples by Raman spectroscopy and optimum combinations of chemometric methods[J]. Chinese Journal of Chemistry，2011，29(11)：2525-2532.

［18］ Wold S，Ruhe A，Wold H，et al. The collinearity problem in linear regression. The partial least squares (PLS) approach to generalized inverses[J]. SIAM Journal on Scientific and Statistical Computing，1984，5(3)：735-743.

［19］ Mao Z Y，Shan R F，Wang J J，et al. Optimizing the models for rapid determination of chlorogenic acid，scopoletin and rutin in plant samples by near-infrared diffuse reflectance spectroscopy[J]. Spectrochimica Acta Part A：Molecular and Biomolecular Spectroscopy，2014，128：711-715.

［20］ 張嚴(yán)，謝巖黎，孫淑敏. 近紅外光譜結(jié)合化學(xué)計(jì)量學(xué)方法在油脂檢測中的應(yīng)用[J]. 糧食與油脂，2015，28(1)：66-68.

［21］ 劉福莉，陳華才. 近紅外透射光譜法檢測三組分食用調(diào)和油含量的研究[J]. 光譜學(xué)與光譜分析，2009，29(8)：2099-2102.

［22］ Jovic O，Smolic T，Primozic I，et al. Spectroscopic and chemometric analysis of binary and ternary edible oil mixtures：Qualitative and quantitative study[J]. Analytical Chemistry，2016，88(8)：4516-4524.

［23］ 謝巖黎，何保山，任丹丹. 新型食用調(diào)和油的配方設(shè)計(jì)及分析[J]. 河南工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2009，30(4)：29-31.

［24］ Bian X H，Li S J，Shao X G，et al. Variable space boosting partial least squares for multivariate calibration of near-infrared spectroscopy[J]. Chemometrics and Intelligent Laboratory Systems，2016，158：174-179.

［25］ 褚小立，袁洪福，陸婉珍. 近紅外分析中光譜預(yù)處理及波長選擇方法進(jìn)展與應(yīng)用[J]. 化學(xué)進(jìn)展，2004，16(4)：528-542.

［26］ Engel J，Gerretzen J，Szymańska E，et al. Breaking with trends in pre-processing?[J]. Trends in Analytical Chemistry，2013，50：96-106.

［27］ Xu Q S，Liang Y Z. Monte Carlo cross validation[J].Chemometrics and Intelligent Laboratory Systems，2001，56(1)：1-11.