紫外光谱结合化学计量学检测初榨橄榄油掺伪研究

钟 诚 薛雅琳 王兴国 金青哲 张东生 张 东

(江南大学食品学院1，无锡 214122)

(国家粮食局科学研究院2，北京 100037)

初榨橄榄油是从新鲜油橄榄果实中冷榨提取的一种高档食用植物油，是世界上唯一以自然形态供人类食用的木本植物油。橄榄油富含不饱和脂肪酸(油酸占55% ～83%)、角鲨烯、多酚以及维生素，具有抗氧化、调节胆固醇、预防癌症、美容的功效和调整人体生理机能的作用，享有“植物油皇后”、“液体黄金”等众多美誉［1］。由于加工方式特殊，品质指标要求严格，国际橄榄油理事会根据酸度并结合其他理化指标规定了橄榄油质量等级，具体如表1所示。其中精炼橄榄油主要原料来源有3种:不能直接食用的初榨油橄榄灯油，粗提油橄榄果渣油以及因不良外界条件导致氧化变质的初榨橄榄油。精炼工艺虽然提高了油的稳定性和安全性，但破坏了油中的大部分生物活性成分，使得油的营养价值大幅降低，油的价格也相对低廉。精炼橄榄油只能作为工业原料，国际橄榄油贸易中流通的是纯橄榄油(混合橄榄油)，即在精炼橄榄油中加入3% ～10%的初榨橄榄油，通常是按照90—10的“里维拉混合法”调制，这种油色泽浅黄，口味清淡，营养价值较低。

目前中国的橄榄油98%依靠国外进口，据海关总署数据显示，2011年我国橄榄油进口总量为3.3万t，同比增长55%。从进口橄榄油的比例来看，初榨橄榄油只占进口总量的35%，精炼油能占到46%，而果渣油则占到20%，但是目前中国市面上销售橄榄油几乎清一色的是等级最高的特级初榨橄榄油，精炼油、果渣油的流向问题值得关注和监控。随着大众营养健康意识的增强和橄榄油需求量的增加，橄榄油掺伪技术的研究具有一定现实意义和实用性，有利于提高进口橄榄油品质，规范国内橄榄油市场秩序，保障国内消费者合法权益。本研究根据初榨橄榄油和精炼油的不同紫外吸收特性，采用紫外光谱结合化学计量学中的偏最小二乘(Partial Least Squares，PLS)和BP人工神经网络(Back Propagation Artificial Neural Networks，BP－ANNs)2种手段，建立初榨橄榄油掺伪检测模型，利用模型对掺伪初榨橄榄油进行定量分析预测，以期为初榨橄榄油掺伪的快速检测提供参考。

表1 橄榄油分类标准

1 材料与方法

1.1 原料与仪器

特级初榨橄榄油(EVOO)和混合橄榄油(BVO)各20个已确认合格的样品，由国家粮食局科学研究院粮油质量检验测试中心提供;石油醚(分析纯):北京化工厂;Lambda 45紫外－可见分光光度计:Derkin Elmer公司;AB304－S型电子天平:梅特勒－托利多(瑞士)公司。

1.2 试验方法

1.2.1 初榨橄榄油掺伪样品配制

根据预试验结果，从各自的20个样品中选择有代表性的5个特级初榨橄榄油、4个混合橄榄油作为原料用油，则共有5×4=20个组合，每个组合均配制5%、10%、20%、30%、40%、50%共 6个掺伪比例，则得到5×4×6=120个掺伪样品，每个掺伪比例都有20个样，加上20个纯特级初榨橄榄油样，本试验共有140个样品。具体配制方法:准确称取特级初榨橄榄油和混合橄榄油各3.000 g，用石油醚定容至50 mL，配成质量浓度为60 mg/mL的标准溶液。分别取 0.25、0.5、1.0、1.5、2.0、2.5 mL 混合橄榄油标准溶液置于10 mL容量瓶中，再对应加入4.75、4.5、4.0、3.5、3.0、2.5 mL 特级初榨橄榄油标准溶液，最后定容至10 mL，则得到6个掺伪比例的30 mg/mL的油样，纯特级初榨橄榄油直接配制30 mg/mL的油样。

1.2.2 紫外光谱采集条件

由于紫外分光光度计250 nm之前的波段噪音很大，基线不稳定，故扫描和分析波长定为250～350 nm，扫描速度 240 nm/min，采样间隔 0.1 nm，狭缝宽2 nm，以石油醚为参比。

1.2.3 数据处理方法

采用 SIMCA －P 12.0(Umetrics，Umea，Sweden)、Matlab 7.0软件进行光谱预处理和建立偏最小二乘和BP人工神经网络模型。

2 结果与分析

2.1 紫外光谱特性分析

分别研究相同浓度的特级初榨橄榄油、混合橄榄油及掺伪样品的紫外全扫光谱，如图1所示。从图1可以观察到特级初榨橄榄油在250～350 nm无特征吸收峰，而混合橄榄油在268～278 nm处有显著的吸收峰，这主要是由于混合橄榄油含有大量精炼油，油脂精炼过程中(特别是碱炼环节)形成具有顺反异构的共轭脂肪酸［2－3］，而混合橄榄油吸收曲线的高低正是精炼油精炼程度和调配比例的反映。掺有混合橄榄油的特级初榨橄榄油在268～278 nm也出现了微弱的吸收峰，整体上看掺伪特级初榨橄榄油在各点处的吸光度基本上都有所增加，故从紫外图谱可以定性区分出掺伪油样，但若掺伪量很小时仍需结合统计分析手段才能识别和定量预测。

图1 橄榄油紫外光谱图

2.2 光谱预处理

由于紫外图谱上的原始信息包含大量噪声及冗余信息，使得不同掺伪比例的样品有可能出现重叠，故在建立掺伪定量模型前有必要进行光谱预处理［3］。常见的光谱预处理技术有Savitzky－Golav卷积平滑处理、导数基线校正［5］、标准正态变量变换［6］(standard－nomal variate transformation，SNV)、多元散射校正(multiplicative scatter correction，MSC)、正交信号校正［7］(orthogonal signal correction，OSC)、小波变换(wavelet transform，WT)等。经多次尝试，结合140×101维(140为样本个数，101为250～350 nm每隔1 nm选作波长变量)的光谱数据矩阵运用OPLS－DA(正交偏最小二乘判别分析)进行样本总体分类的效果，最终确定采用一阶导数+SNV+OSC光谱预处理方法，光谱预处理前后的分类效果如图2、图3所示。可见原始光谱经预处理后样本总体按掺伪比例基本分成7类，其中掺伪5%的数据点与纯特级初榨橄榄油和掺伪10%的数据点分布较为接近。

2.3 偏最小二乘(PLS)建立初榨橄榄油掺伪定量预测模型

2.3.1 建模所用样本的确定

建立模型之前需要排除样本总体的特异点，这些点往往远离数据重心和结聚范围，是个不稳定的因素，如果去掉这一类特异点，往往会使数据分析的准确性有很大的改善［8］。从样本总体 PLS得分图(图4)可以看到32、112、132号样品位于95%的置信椭圆外部，为特异点，建模前因排除这3个点。故最终确定建模样本数据矩阵为137×101维，在137个样品选择随机选择116个作为训练集，另外21个(包括纯特级初榨橄榄油，保证每个掺伪比例有3个样，共3×7=21个)作为验证集。

2.3.2 最佳主因子数的确定

主因子数使用过多或过少，会出现“过拟合”或者“欠拟合”现象，使模型的预测能力下降，故需要确定最佳主因子数［9］。在确保主因子提取足够原始变量信息的基础上，采用交叉验证均方根误差RMSEcv和预测集均方根误差RMSEP来确定最佳主因子数，其值越小，模型的拟合效果和预测能力越好。RMSEcv和RMSEP随主因子数的变化规律如图5所示。从图5可知，当主因子数为6时，RMSEcv、RMSEP值分别为0.010 901 8、0.010 827 5，均达到最小值，故最佳主因子数为6个，此时主因子累积贡献率达到97.72%。

2.3.3 PLS模型对初榨橄榄油掺伪预测能力的验证

利用验证集的21个样品来检验PLS模型的预测能力，样品掺伪比例的真实值和模型预测值及两者的相关性如图6所示。从图6可知，模型预测能力良好，掺伪比例真实值和模型预测值相关系数达到0.996 2。

图4 紫外光谱样本总体PLS得分图

2.4 BP人工神经网络(BP－ANNs)建立初榨橄榄油掺伪定量预测模型

2.4.1 BP 神经网络结构优化

本试验建立的神经网络为误差反向传播算法，也称为 BP(Back－Propagation Network)算法［10］。训练集和验证集的设置与PLS模型相同，在利用人工神经网络进行建模之前，首先采用主成分分析对紫外光谱数据进行压缩和降维［11］，本试验共提取前6个主成分，累积贡献率达到98.07%，得到的主成分作为BP神经网络输入值。通过调整隐含层节点数来优化网络结构，经反复试验确定最佳网络结构输入层(6)－隐含层(11)－输出层(1)，各层间传递函数为tansig，学习速率为0.03，最大迭代步数10 000，训练精度为0.000 1。迭代过程训练误差如图7所示，由图7可知当迭代到61步时，网络对训练集116个样本拟合残差为9.683 85×10－5，误差达到设置精度，收敛速度较快。

图7 BP神经网络训练误差图

2.4.2 BP人工神经网络模型对初榨橄榄油掺伪预测能力的验证

利用验证集的21个样品来检验BP人工神经网络的预测能力，样品掺伪比例的真实值、BP人工神经网络预测值和相对标准偏差如表2所示。由表2可知该模型预测能力优良，真实值与BP人工神经网络预测值的相关性较高，相关系数可达到0.998 3。但也发现当掺伪比例低至5%时，BP神经网络的预测能力不足，随着掺伪比例的升高，模型预测能力显著提高。

表2 BP人工神经网络模型预测值及相对标准偏差

3 结论

本试验以紫外光谱技术结合化学计量学为基础，建立了2种初榨橄榄油掺伪定量预测模型，分别为偏最小二乘(PLS)和BP人工神经网络定量模型。结果表明，2种模型定量预测性能良好，PLS模型交叉验证均方根误差RMSEcv和预测集均方根误差RMSEP 分别达到 0.010 901 8、0.010 827 5，预测值与真实值相关性达到0.996 2;BP人工神经网络迭代次数为61步，训练集拟合拟合残差为9.684×10－5，网络预测值和真实值相关系数为0.998 3，对于5%以上掺伪比例的油样预测精确，且与PLS模型相比，BP人工神经网络工作过程简便，能够借助计算机快速地进行自动化运算，在实际应用上具有一定优势。研究结果也表明基于PLS和BP人工神经网络的紫外光谱技术能够方便、快速、准确地鉴别掺杂有混合橄榄油初榨橄榄油，为橄榄油品质控制和快速掺伪检测提供有力参考，具有一定应用价值和发展前景。

［1］钟昌勇.橄榄油化学组成及应用综述［J］.林产化工通讯，2005，39(6):34 －38

［2］汤逢编著.油脂化学［M］.南昌:江西科学技术出版社，1985:22－23

［3］龙伶俐，薛雅琳，张蕊，等.利用紫外吸收光谱研究植物油精炼程度［J］.农业机械，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］黄承伟，戴连奎，董学锋.结合SNV的分段直接标准化方法在拉曼光谱模型传递中的应用［J］.光谱学与光谱分析，2011，31(5):1279 －1282

［7］赵杰文，郭志明，陈全胜.基于OSC/PLS的茶叶中EGCG含量的近红外光谱法测定［J］.食品与生物技术学报.2008(4):12－15

［8］王惠文.偏最小二乘回归方法及其应用［M］.北京:国防工业出版社，2006:65－67

［9］原姣姣，王成章，陈虹霞.近红外透射光谱分析油茶籽油掺入豆油的研究［J］.中国粮油学报，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］欧文娟，孟耀勇，张小燕，等.紫外可见吸收光谱结合主成分－反向传播人工神经网络鉴别真假蜂蜜［J］.分析化学研究简报，2011，39(7):1104 －1108.