应用近红外光谱分析判别芝麻油掺伪的研究

梁 丹

（武汉职业技术学院电信学院，武汉 430074）

·食品分析·

应用近红外光谱分析判别芝麻油掺伪的研究

梁 丹*

（武汉职业技术学院电信学院，武汉 430074）

研究了应用近红外光谱分析技术快速、准确判别芝麻油有无掺伪的方法。主要利用近红外光谱和主成分分析结合BP人工神经网络法进行了纯芝麻油、纯大豆油、掺有大豆油的掺伪芝麻油的判别研究。试验结果表明，利用BP人工神经网络法将83个校正集样品的10个主成分数据作为BP网络输入变量，建立的三层BP人工神经网络判别模型对26个测试集样品的判别率为96.15%，表明近红外光谱分析方法对纯芝麻油、纯大豆油、掺伪芝麻油具有很好的判别分类作用，该方法能有效判别芝麻油有无掺伪大豆油。

芝麻油；大豆油；掺伪芝麻油；近红外光谱；BP人工神经网络法

植物油因其种类不同、营养价值不同，价格差异很大。一些生产经营者为了获取暴利，在高价植物油中掺入廉价的植物油，还有的厂家将非食用油或过期变质油品掺入合格油中以次充好。如一些厂家在芝麻油中掺入菜籽油、棉籽油、大豆油等廉价油，却以纯芝麻油的价格卖出，甚至还有一些不法生产者在食用油中掺入非食用的矿物油、桐油、大麻油等。掺伪植物油不仅影响植物油的卫生品质和营养成分，而且还严重危害消费者的健康。因此探索出一种能快速、准确、在线判别掺伪植物油的方法成为了当务之急。本文针对掺伪芝麻油现象，研究了利用近红外光谱分析技术快速、准确判别掺伪芝麻油的有效方法。

近红外光谱分析技术具有分析快速快、分析效率高、无污染、无需预处理、无样品损伤、在线检测等优点，利用近红外及相关技术定量分析农产品及食品的成分、定性鉴别农产品及食品的种类、定性鉴别农产品及食品真伪和产地等的研究也已有一些成果。但应用近红外光谱分析技术判别掺伪植物油的分析研究并不多，且由于近红外区吸收的光谱强度弱、灵敏度较低及噪音等因素影响，要使用近红外光谱技术对掺伪芝麻油进行准确的判别，需要选择最优的预处理方法和相匹配最优的建模方法。因此本文采用主成分分析结合BP人工神经网络法建立掺伪芝麻油的定性分析模型。

1 材料与方法

1.1 试验方案及试验材料

因市场上经常有在纯芝麻油中添加低廉的大豆油的做法，所以试验的植物油分成三大类，一类是价格较贵的纯芝麻油，一类是价格相对低廉的纯大豆油，还有一类就是两者的掺混油。

试验植物油油样共计109个，其中纯芝麻油样品28个、纯大豆油18个、芝麻油和大豆油的掺混油样品63个（其中芝麻油和大豆油质量比为1∶3的混合油21个，质量比为1∶1的混合油21个、质量比为3∶1的混合油21个）。

1.2 试验仪器及软件

试验采用Bruker VECTOR 33N型FT-NIR近红外光谱仪，配置漫反射镀金积分球、Pbs检测器、样品旋转器、12 mm石英样品池，OPUS软件；MATLAB R2007a。

1.3 试验方法

根据仪器及样品特点，采用透反射进行样品的光谱采集。测量时油样放入该石英样品杯中，然后再将此样品杯放入样品池中，盖上镀金的样品池盖（标准漫反射体）。为保证所有样品光谱采集条件的一致性，测量时油样均取2 mL，从而尽量保证样品杯中样品测量高度的一致。测定时，设定仪器分辨率为8 cm-1，扫描次数为64，光谱范围是10 000 cm-1～4 000 cm-1。光谱分析采用主成分分析结合BP人工神经网络法。

2 试验结果与分析

2.1 近红外图谱分析

测得的纯芝麻油、纯大豆油以及芝麻大豆掺混油的近红外光谱如图1所示。从图1可以看出，这109个样品油中，只有2条样品油的光谱显示出与其他光谱存在较大差异，其他的107个样品油的光在整个光谱区很相似。由于植物油的原始图谱相似度很高，因而此次2条样品油显示出的差异可能是由于仪器测量条件等的差异所致，因此对掺伪芝麻油的判别分析同样需要利用化学计量学方法将原始光谱进行数学处理，才可能突出样品之间化学成分的细小差异，从而达到判别芝麻油有无掺伪的目的。

图1 植物油样品原始光谱图

2.2 主成分分析

对109个样品进行主成分分析，前10个主成分的特征值及累计可信度如表1所示。

表1 前10个主成分及累计可信度

从表1可以看出，前10个主成分的累计可信度已经达到99.95%，因此选取前10个主成分来表示原始可见-近红外光谱的主要信息。试验比较了不同主成分组合的二维得分图，发现以PC1为横坐标和PC5为纵坐标的二维得分图（图2）对纯芝麻油、纯大豆油、掺混油这3类植物油有一定的聚类作用。

从图2可以看出，纯芝麻油主要聚集在第四象限；芝麻油和大豆油质量比分别为1：3、1：1、3：1的混合油主要集中在第二、第三象限的靠中间的区域，且按照芝麻油和大豆油的掺对比例的变化由第二象限过渡到第三象限，显示出一定的规律，而大部分大豆油主要聚集在第一象限上方，但有一小部分大豆油又分布在掺混油的周围。这说明主成分分析方法对28个纯芝麻油的聚合度较好，可利用光谱的主成分分析判别出纯芝麻油，但主成分分析不能完全分辨纯大豆油和掺混油。为此，在主成分分析的基础上，将结合BP人工神经网络方法建立判别分析模型。

图2 主成分1和主成分5的二维得分图

2.3 判别芝麻油纯正度的定性分析模型的建立

采用BP算法的前馈神经网络能够实现输入与输出之间的高度非线性映射。因此该方法对光谱数据进行主成分分析的基础上，把主成分作为输入建立一个三层的BP网络模型，用于鉴别芝麻油有无掺伪现象。所有数据都是借助Matlab中的图形用户接口GUI（Graphical User Interfaces） 进行神经网络设计与分析。

109个样品油中，随机选择83个样品（纯芝麻油21个，纯大豆油14个，掺混油48个） 组成校正集，其余26个样品（纯芝麻油7个，纯大豆油4个，掺混油15个）为测试集。将83个校正集样品的10个主成分得分值作为模型的输入，输出节点数设为3（因为有3类输出结果，“001”代表纯芝麻油、“100”代表纯大豆油、“010”代表掺混油），隐含层的传递函数采用双曲正切S型传递函数tan sig，输出层采用S型对数函数，隐含层节点为18，选用训练函数 TRAINLM、学习函数LEARNGOM，设定最小均方误差为0.001，训练次数为500，进行网络的训练。所设计的用于判别掺伪芝麻油的BP神经网络，训练10步就达到设定的误差要求。

将26个验证集样品作为测试集输入模型，得到检验结果，见表2。说明26个验证集样品中只有编号为11的1个样品的真实值和预测值不同，其余的25个样品判别准确。结果表明模型对于样品油的判别率为96.15%。表明所建主成分分析结合三层BP人工神经网络模型能有效判别出纯芝麻油、纯大豆油、芝麻大豆掺混油，即能有效判别出相对高价的芝麻油中有无掺混廉价大豆油。

表2 判别结果

3 结论

通过试验获得了纯芝麻油、纯大豆油以及不同比例芝麻大豆掺混油的光谱特征曲线，利用这些光谱信息采用主成分分析结合BP人工神经网络法建立了掺伪芝麻油的判别分析模型，结果表明主成分分析结合BP人工神经网络法建立的模型预测效果良好，对纯芝麻油、纯大豆油、掺混油的鉴别分类率达到96.15%。说明主成分分析结合BP人工神经网络法可提取植物油近红外光谱信息中的微弱差异，表明该方法用于鉴别掺伪芝麻油是可行的，试验结果为掺伪植物油快速准确鉴别检测提供了一种有效的方法。

［1］李昌.食用油掺假检测方法概述［J］.农产品安全，2007（7）：31-35.

［2］陆婉珍，袁洪福，徐广通.现代近红外光谱分析技术［M］.北京：中国石化出版社，2006.

［3］严衍禄，赵龙莲，韩东海，等.近红外光谱分析基础与应用［M］.北京：中国轻工业出版社，2005.

［4］韩东海，鲁超，刘毅.纯牛奶、还原奶、掺假奶、牛奶新鲜度的近红外检测［J］.中国供销商情：乳业导刊，2006（4）：39-41.

［5］何勇，李晓丽，邵咏妮.基于主成分分析和神经网络的近红外光谱苹果品种鉴别方法研究［J］.光谱学与光谱分析，2006，26（5）：850-853.

［6］吴桂芳，蒋益虹，王艳艳，等.基于独立主成分和BP神经网络的干红葡萄酒品种的鉴别［J］.光谱学与光谱分析，2009，29（5）：1 268-1 271.

［7］刘福莉，陈华才，姜礼仪，等.近红外透射光谱聚类分析快速鉴别食用油种类［J］.中国计量学院学报，2008，19（3）：278-282.

［8］李娟，范璐，邓德文，等.近红外光谱法主成分分析6种植物油脂的研究［J］.河南工业大学学报：自然科学版，2008，29（5）：18-21.

［9］飞思科技产品研发中心著.小波分析理论与MATLAB7实现［M］.北京：电子工业出版社，2005：29-47.

Research on detection of adulteration of edible sesame oils by near infrared spectroscopy

LIANGDan*
（College ofTelecommunication，Wuhan Institute ofTechnology，Wuhan 430074，China）

Rapid detection of adulterated sesame oil by Near Infrared Spectroscopic（NIR）method was studied.NIR Spectra and Principal Component Analysis（PCA）were combined with Back-propagation（BP）Neutral Network to detect the pure sesame oil，pure soybean oil，and sesame oil adulterated with half of soybean oil.The experiments showed that the ten principal components in 83 Calibration Sample Sets were applied as BP inputs.The discriminate rate by using the established BP Neutral Network of 26 sample sets was 96.15%.The near infrared spectroscopic method played a good role in the detection of pure sesame oil，pure soybean oil，and sesame oil adulterated with soybean oil，and offered a effective approach tothe discrimination ofpure and adulterated virgin sesame oil.

sesame oil；soybean oil；adulterated sesame oil；near infrared spectroscopy；BP neutral network

TS225.1+1

A

1673-6004（2011）02-0040-04

*梁丹，女，1982年出生，2009年毕业于华中农业大学农业机械化工程专业，讲师。

2011-05-17