基于液芯光纤的激光诱导荧光食用油种类鉴别研究

范 苑，吴瑞梅，艾施荣，刘木华，杨红飞，郑建鸿

江西农业大学生物光电及应用重点实验室，江西 南昌 330045

基于液芯光纤的激光诱导荧光食用油种类鉴别研究

范 苑，吴瑞梅*，艾施荣，刘木华，杨红飞，郑建鸿

江西农业大学生物光电及应用重点实验室，江西 南昌 330045

组建了一套基于液芯光纤的激光诱导荧光食用油鉴别装置。研究了不同液芯光纤长度对食用油激光诱导荧光光谱的影响，分析了不同种类食用油激光诱导荧光光谱之间的差异。八种食用油共320份样本荧光数据在1 m长液芯光纤内采集，采用主成分分析方法对食用油荧光数据进行降维处理，利用偏最小二乘判别分析(PLS-DA)方法建立食用油种类的鉴别模型。结果表明，使用液芯光纤后，食用油荧光强度得到较大的增强。随着液芯光纤长度增加，食用油荧光特征峰逐渐增加并且食用油的激光诱导荧光光谱会产生红移现象，当液芯光纤长度超过80 cm后，红移趋于饱和。不同食用油的荧光光谱形状差异较大，可用于区分不同种类食用油。利用主成分1和主成分2绘制的主成分得分图显示，不同种类食用油呈现很好的聚集。当选用主成分数为10时，建立的PLS-DA食用油种类鉴别模型对训练集和预测集样本识别率均达到100%。说明本装置用于食用油种类的快速鉴别具有较高的准确性。

激光诱导荧光；食用油；液芯光纤；偏最小二乘法判别分析

引 言

食用油作为一种烹饪原料，既可使食物美味，还是人们主要的脂肪摄入来源。随着人们生活水平的提高，人们更加关注食用油对健康的影响。市场上销售的食用油主要有大豆油、玉米油、菜籽油、葵花籽油、花生油、橄榄油以及各种调和油等，而品种不同，其营养价值也不同，价格差异较大，常有不法商将廉价食用油掺杂以次充好。检测食用油中的主要成分常采用气相色谱[1]、液相色谱[2]等化学分析方法，化学方法检测食用油主要成分准确、可靠, 但设备昂贵、前处理复杂，分析速度慢，不能满足市场快速检测的需要。近来，研究者采用光谱法如近红外光谱法[3-4]、拉曼光谱法[5-6]对食用油种类进行鉴别。这些光谱方法快速简便，但准确度难以保证。

荧光光谱法选择性好、灵敏度高、不需要前处理，已广泛用于食品质量安全分析中。Zandomeneghi[7]，Kyriakidis[8]分析了植物油和橄榄油中产生荧光的物质成分，并通过荧光物质的成分含量不同，实现了食用油种类的区分。牟涛涛[9]等使用自行设计的激光诱导荧光检测装置，结合支持向量机方法实现了食用油种类的快速鉴别，但该装置的共聚集光路复杂，使用的ICCD检测器价格较贵。

本论文基于液芯光纤的优点，组建了一套基于液芯光纤的激光诱导荧光光谱检测装置用于食用油的快速检测。利用405 nm半导体激光器作为激发光源，海洋光学QE6500光谱仪作为荧光探测器，聚四氟乙烯管制作的食用油液芯光纤用于增加激光诱导荧光激发距离。探讨了不同光纤长度对食用油光谱强度的影响，分析了各种食用油的光谱差异，采用偏最小二乘法判别分析(PLS-DA)建立了食用油种类的判别模型。

1 实验部分

1.1 食用油液芯光纤的制作方法

聚四氟乙烯又称铁氟龙，是由四氟乙烯经聚合而成的高分子化合物，具有优良的化学稳定性、耐腐蚀性。美国杜邦公司生产的聚四氟乙烯材料(Teflon-AF2400)折射率最低，可达1.29，国产聚四氟乙烯材料折射率为1.35。利用国产四氟乙烯材料拉制内径1 mm，外径2 mm的聚四氟乙烯管。食用油液芯光纤制作过程如下：截取一定长度聚四氟乙烯空心管，利用注射器将食用油注入聚四氟乙烯空心管中，利用石英封头将聚四氟乙烯空心管密封，注入过程中，避免密封接口处和内部产生气泡。由于食用油的折射率大都在1.47以上，因此，按此方法制作的食用油液芯光纤的数值孔径NA大于0.33。

1.2 基于液芯光纤的激光诱导荧光检测装置

基于液芯光纤的激光诱导荧光检测装置示意图见图1，包括激光光源(405 nm半导体激光器，输出功率500 mW)、显微镜物镜(10×)、食用油液芯光纤、三维调整台、光纤光谱仪(OCEAN-USB6500，光谱范围450～900 nm)、计算机等。试验时，激光光束经显微镜物镜耦合进入液芯光纤内，并被限制在液芯光纤长度范围内传输，不断激发食用油产生荧光，实现长光程的荧光激发，从而增强荧光强度。激发产生的大部分荧光被限制在液芯光纤内传输，并传输到液芯光纤的另一端。激发光在液芯光纤内传输时，由于荧光物质对激发光的吸收，激发光会逐渐衰减，在液芯光纤足够长时，激发光在到达液芯光纤另一端时，由于长距离的荧光激发，会逐渐衰减至零，因此可不需要使用荧光长通滤光片来滤除激发光。激发产生的食用油荧光利用光纤光谱仪从液芯光纤另一端收集。

图1 激光诱导荧光光谱检测装置原理图

1.3 样品和荧光光谱获取

八种食用油购自于当地大型超市：金龙鱼大豆油、西王鲜胚玉米油、金龙鱼花生油、金龙鱼葵花籽油、长康菜籽油、齐云山茶油、欧丽微兰橄榄油和金龙鱼稻米油，常温避光保存。

试验时，将密封好的液芯光纤固定于调整台上，调整光纤轴芯与激光束在同一水平线。打开激光光源，利用光纤光谱仪从液芯光纤另一头接收产生的荧光光谱。为保证测量结果的准确性，在激光激发产生荧光60 s后再采集光谱，每个样本采集3次，求平均值。经多次试验，光纤光谱仪的积分时间为10 ms时，采集信号较强而不至于饱和，液芯光纤长度经实验分析后定为1 m。每种食用油采集40个样本，共获得320个食用油样本的荧光光谱。

为探讨液芯光纤长度对荧光强度的影响，制作不同长度(20，40，60，80，100 cm)的聚四氟乙烯食用油液芯光纤，以欧丽微兰橄榄油为对象，测量同种食用油在不同长度液芯光纤中激发产生的荧光光谱。

2 结果与分析

2.1 不同液芯光纤长度对食用油光谱的影响

图2是不同液芯光纤长度下获得的荧光光谱归一化图，其中0 cm为将橄榄油置于1 cm光程比色皿所测，激发光方向和荧光收集方向呈90°夹角。

由图2(a)可看出，使用比色皿所测荧光强度比使用液芯光纤后所测荧光强度要低很多，可见使用液芯光纤能对荧光起到增强效果。随着使用液芯光纤长度的增加，所测荧光强度一开始有增强但随后又开始减小。这里有三个原因共同作用的结果，其一是初榨橄榄油所含叶绿素较多，对激发光的吸收比较强烈，可以看出一开始荧光随着液芯光纤长度增加逐渐增强，这是因为激发光在液芯光纤内传输并不断激发产生新的荧光，液芯光纤内食用油荧光相互叠加实现荧光增强，但在大约40 cm后，激发光已被食用油几乎全部吸收，无法在后面的液芯光纤内继续激发产生新的荧光；其二是弯曲的液芯光纤本身具有一定的损耗，随着长度的增加损耗也相应增加；其三是每次测量时光纤耦合效率不能保证相同，导致每次测量荧光强度都有差别。如果要获得更强的食用油荧光，可以提高激发光功率和增强装置稳定性。

由图2(b)可以看出，在不使用液芯光纤时所测橄榄油荧光只有一个峰值，且峰形特征不明显。而使用液芯光纤时，随着光纤长度的增加，荧光特征峰数量逐渐增多，荧光峰值波长产生红移现象，且荧光红移量随液芯光纤长度的增加而增大。当液芯光纤长度达到80 cm以上时，荧光峰位置不再随着液芯光纤长度增加而增多，但峰高仍有微小变化。其他食用油在不同液芯光纤长度下获得的荧光光谱与橄榄油的荧光光谱具有类似的红移特征。产生红移的原因主要是液芯光纤内存在所谓的“二次吸收-发射效应”[12]。食用油在吸收激发光后辐射出荧光，辐射出的荧光又被液芯光纤中临近的食用油吸收。由于荧光的二次吸收-发射中的激发光波长要比前一次长，因此二次发射产生的荧光峰值会增加，即产生所谓的“红移现象”。当光纤长度继续增加时，红移量渐渐趋于一饱和值。因此，为避免由于液芯光纤长度的影响导致食用油荧光的变化，在后续实验中均采用1米长的液芯光纤用于测量食用油的荧光光谱。

图2 不同液芯光纤长度下的橄榄油 激光诱导荧光光谱图

2.2 不同种类食用油的荧光光谱特性分析

图3为8种食用油的荧光光谱图。从图可看出，不同食用油的峰高差异较大，这主要是因不同食用油的成分不同所致。茶油和橄榄油为冷压榨食用油，食用油成分未受到破坏，有4个荧光特征峰，其中580和635 nm是维生素E的荧光特征峰[13]；而金龙鱼大豆油、西王玉米油、金龙鱼花生油、金龙鱼葵花籽油、长康菜籽油、金龙鱼稻米油均为精炼油，其荧光基团复杂，多种荧光基团共同作用形成较宽的荧光峰，但宽荧光峰的形状也有较大差异，可作为食用油种类区分的参考，其中679和781 nm两个峰为叶绿素产生的荧光峰[14]，所有食用油都含有叶绿素，但由于加工方式不同，其叶绿素含量差异较大，可通过峰强度区分各种食用油。

2.3 主成分分析

主成分分析(principal component analysis，PCA)作为一个多元数据分析的工具，它的目标是寻求一种变换，把原始数据映射到一个新的空间，在新的空间中，原始数据的大部分信息被压缩到较少的几个波段(称之为主成分)[15]。实验获取得到了8种不同种类食用油在1米长液芯光纤下的320份荧光光谱数据，首先对荧光光谱数据进行0-1归一化处理，利用主成分分析法提取包含光谱特征的主成分数据，前5个主成分包含了99.9%的数据信息。以主成分1为x轴，主成分2为y轴绘制主成分得分图如图4所示，从图中可看出，8种食用油在第一、第二主成分空间能很好地区分开。

图3 8种食用油荧光光谱图

图4 食用油主成分得分图

2.4 模式识别方法的建立

采用偏最小二乘法判别分析[16](partial least squares discriminant analysis，PLS-DA)建立食用油种类的鉴别模型。在前期主成分分析基础上，每种食用油40个光谱中随机取20个作为PLS-DA模型的训练集，余下20个作为模型预测集。使用Matlab PLS Toolbox软件进行建模，以食用油荧光光谱作为数据集X，食用油种类(以数值1, 2, 3, 4, 5, 6, 7, 8分别表示8种不同食用油)作为数据集Y，针对不同的主成分个数分别建立模型。当预测值偏差小于0.5时，判定食用油属于该类，反之不属于该类。

图5 不同主成分因子下的训练和预测时的识别结果

Fig.5 The recognition rate chart of calibration set and prediction set with different number of principal components factor

图5是不同主成分下模型对训练集和预测集样本的识别率。从图可看出，随着主成分因子数的增加，训练集和预测集样本的识别率都呈上升趋势，当主成分因子数达到10以后，训练集和预测集的识别率都达到100%。因此，用10个主成分建立的PLS-DA判别模型最佳，可以实现对八种不同种类食用油的正确识别。

3 结 论

组建了基于液芯光纤的激光诱导荧光检测装置，用于八种典型食用油的鉴别分析，探索了光纤长度对食用油荧光光谱的影响，建立了八种食用油的PLS-DA判别模型。研究表明，使用液芯光纤后，食用油荧光强度得到较大的增强。随着液芯光纤长度增加，食用油荧光特征峰逐渐增加并且食用油的激光诱导荧光光谱会产生红移现象，当液芯光纤长度超过80 cm后，红移趋于饱和。不同食用油的荧光光谱形状差异较大，可用于区分不同种类食用油。利用主成分1和主成分2绘制的主成分得分图显示，不同种类食用油呈现很好的聚集。当选用主成分数为10时，建立的PLS-DA食用油种类鉴别模型对校正集和预测集样本识别率均达到100%。该装置具有结构简单、信噪比高，稳定性好，准确性高等特点，为食用油种类的快速鉴别装置开发提供了技术基础。

[1] Peng D, Bi Y, Ren X, et al. Food Chemistry, 2015, 188: 415.

[2] Endo Y, Ohta A, Kido H, et al. Journal of Oleo Science, 2011, 60(9): 451.

[3] Mossoba M M, Azizian H, Tyburczy C, et al. Journal of the American Oil Chemists’ Society, 2013, 90(6): 757.

[4] LIU Ling-ling, WU Yan-wen, ZHANG Xu, et al(刘玲玲, 武彦文, 张 旭，等) . Acta Chimica Sinica(化学学报)，2012, 70(8): 995.

[5] Feng W W, Zhang W, Tian X X, et al. Advanced Materials Research, 2012, 588-589: 1152.

[6] Dong W, Zhang Y, Zhang B, et al. Journal of Raman Spectroscopy, 2013, 44(12): 1739.

[7] Zandomeneghi M, Carbonaro L, Caffarata C. Journal of Agricultural and Food Chemistry, 2005, 53(3): 759.

[8] Kyriakidis N B ，Skarkalis P. Journal of AOAC International, 2000, 83(6): 1435.

[9] Mu T, Chen S, Zhang Y, et al. Analytical Methods, 2013, 5(24): 6960.

[10] Li J, Dasgupta P K, Genfa Z. Talanta, 1999, 50(3): 617.

[11] FAN Ying-feng, LI Jing-xi, ZHUANG Zhi-xia, et al(樊颖锋，李景喜，庄峙厦，等). Chinese Journal of Analysis Laboratory(分析试验室)，2008，(5): 118.

[12] CHENG Cheng, LIN Yan-guo, YAN Jin-hua(程 成，林彦国，严金华). Acta Optica Sinica(光学学报)，2011, 31(4): 0406002.

[13] Kongbonga Y G M, Ghalila H, Onana M B, et al. Food and Nutrition Sciences, 2011, 2(7): 692.

[14] Nikolova K, Eftimov T, Perifanova M, et al. Journal of Food Science and Engineering，2012，2：674.

[15] CHEN Quan-sheng, ZHAO Jie-wen, CAI Jian-rong(陈全胜，赵杰文，蔡健荣). Acta Optica Sinica(光学学报)，2008，28(4): 669.

[16] Van Ruth S M, Villegas B, Akkermans W, et al. Food Chemistry, 2010, 118(4): 948.

(Received Apr. 22, 2015; accepted Aug. 15, 2015)

*Corresponding author

Identification Study of Edible Oil Species with Laser Induced Fluorescence Technology Based on Liquid Core Optical Fiber

FAN Yuan, WU Rui-mei*, AI Shi-rong, LIU Mu-hua, YANG Hong-fei, ZHENG Jian-hong

Optics-Electrics Application of Biomaterials Lab，Jiangxi Agricultural University，Nanchang 330045, China

A laser- induced fluorescence detection set based on liquid core optical fiber was established in this study. Eight edible oils were discriminated by using this detection set combined with chemometrics method. The effect of length of liquid core optical fiber on laser induced fluorescence spectrum was explored, and the differences between the spectra of different edible oils were analyzed. The fluorescence spectra of 320 samples covering 8 types of edible oil were measured in 1 meter liquid core optical fiber. Principal component analysis was used in fluorescence data dimensionality reduction process. Partial least squares discriminant analysis (PLS-DA) method was used to develop the identification model to distinguish edible oil species. The results showed that the oil fluorescence intensity is greatly enhanced when liquid core optical fiber was used. With the increase of liquid core optical fiber length，the peaks of laser induced edible oil fluorescence spectra increased and the fluorescence spectra will produce red shift. The red shift tended to a constant value when the fiber length was more than 80 cm. The fluorescence spectra of different edible oils were quite different, its can be used to distinguish different types of edible oil. Principal component scores chart were get using PC1 and PC2 of edible oils fluorescence data which result in a trend of certain gather of same type of edible oil. The recognition rates of PLS-DA model for the calibration set and prediction set were both 100%. The study shows that the developed device in this study has high accuracy for identifying the edible oil species.

Laser induced fluorescence; Edible oil; Liquid core fiber; Partial least squares discriminant analysis

2015-04-22，

2015-08-15

赣鄱英才555工程人选计划项目，国家自然科学基金项目(31271612)资助

范 苑，1985年生，江西农业大学工学院讲师 e-mail：fanyuan10000@163.com *通讯联系人 e-mail: wuruimei036@163.com

O657.3

A

10.3964/j.issn.1000-0593(2016)10-3202-05