基于红外光谱角度度量模型同时测定辣椒油品质指标

李嘉伟，粟晖，姚志湘

(广西科技大学 生物与化学工程学院，广西 柳州 545000)

辣椒油是生活中常见的复合调味品。在食用过程中，由于辣椒油的存放方式、重复使用或是掺伪[1]的原因造成其品质发生变化，继而影响人体健康。对于植物油品质的检测方法主要有理化检验法、气相色谱法[2]、电子鼻技术等[3-4]。近红外光谱分析技术操作简便，可以做到无损检测，常与化学计量学结合，在调味品成分的定量检测与品质评价中有所应用[5-6]。酸值、过氧化值和折光率也是衡量油脂酸败程度、稳定性的重要指标。测定酸值的方法主要有滴定法、比色法、紫外分光光度法、红外光谱法等。滴定法操作繁琐，所用试剂多；比色法[7]所需表面活性剂成本较高；紫外分光光度法[8]样品预处理复杂；而红外光谱法[9]样本无需预处理，且简单易操作，周玲玲等[10]采用ATR/FTIR结合PLS，建立同时测定植物油酸值、粘度、折光率的模型。国标法、色谱法[11]在测定过氧化值时也暴露了上述缺点，随着红外光谱法[12]的引入，同样简化了过氧化值的测定；而折光率多数参照国标法测定，但是针对同时测定多种辣椒油品质指标的方法未见报道。

光谱法虽然操作简捷，成本低、但由于环境因素导致信号强度不稳定，建模效果势必会受到影响，角度度量法[13-14]用空间来描述多组分体系，视每个组分为空间中的单一向量，通过将强度信号转换为角度度量信号，消除环境带来的误差，之后利用偏最小二乘法建立模型，提高了模型的稳定性和预测能力。

本文通过采集不同辣椒油样本的红外光谱，利用角度度量方法，建立同时检测辣椒油的3种关键品质指标的方法，避免了现存分析方法的缺点，实现了辣椒油大批量的快速检测。

1 材料与方法

1.1 材料与试剂

辣椒油(市售)、无水乙醇(AR)、乙醚(AR)、氢氧化钾(AR)、邻苯二甲酸氢钾(AR)、百里酚蓝(AR)、三氯甲烷(AR)、冰醋酸(AR)、碘化钾(AR)、硫代硫酸钠(AR)、重铬酸钾(AR)、浓硫酸(AR)、可溶性淀粉(AR)。

1.2 仪器与设备

DF-101S集热式恒温加热磁力搅拌器 巩义市予华仪器责任有限公司；AR124C精密电子天平 上海奥豪斯仪器有限公司；Frontier红外光谱仪 美国PE公司；WZS-1阿贝折光仪 邢台润联科技开发有限公司。

1.3 方法

1.3.1 样本的制备

辣椒油Ⅰ、辣椒油Ⅱ：现购市售辣椒油；辣椒油Ⅲ、辣椒油Ⅳ、辣椒油Ⅴ：放置2年以上。

辣椒油Ⅰ在200 ℃下油浴加热22 h，加热数小时后取样，如0 h为样本S1，加热2 h后取样得到S2，依次类推，得到样本S1～S12；辣椒油Ⅱ在180 ℃下油浴加热18 h，得到样本S13～S21；市售与辣椒油Ⅲ～Ⅴ按不同配比混合制得样本S22～S40。

混合，加热使样品呈现不同氧化酸败状态，为以后的建模提供不同品质指标的样本。

1.3.2 样本酸值、折光率、过氧化值测定

酸值、过氧化值采用国标法测定；折光率采用阿贝折光仪在25 ℃下测定。

1.3.3 样本红外光谱的采集

环境温度为25 ℃，光谱采集范围为4000～450 cm-1，数据间隔为1 cm-1，分辨率4 cm-1，积分时间1 min，ATR采集附件，采集3次光谱。

2 结果与分析

2.1 加热条件与混合比例对酸值、折光率、过氧化值的影响

通过加热和混合的方式得到40个不同品质的辣椒油样本。随着加热时长增加，油脂酸值、折光率增大，且温度越高，数值增大越快；油脂加热后，稳定性下降，发生水解，油样中游离脂肪酸的含量增加，随着羧基的含量增多，氢键的数量迅速增加，分子间的作用力增强，对应的光谱透射率也相应增大。过氧化值在加热过程中，温度越高，变化幅度越大，但过氧化值的大小与加热温度和时长无相关性，可能归因于过氧化物本身的不稳定，其生成和分解处于动态过程。在混合样本中，随着品质较差(经加热处理或长期暴露于空气中)的油样所占比重升高，3种指标化学值也随之增大。

2.2 系列辣椒油样本的红外光谱分析

选取在200 ℃下加热0，8，18，22 h 4个时间点的样本，观察其谱图变化，见图1。

图1 辣椒油Ⅰ经200 ℃下不同加热时间的辣椒油样本红外光谱特征峰变化Fig.1 The changes in infrared spectra characteristic peaks of chili oil samples of chili oil I with different heating time at 200 ℃

2.3 分析模型建立

2.3.1 校正集和验证集的选择与确定

将全部样本的3种指标数据由大到小排列，按照一定间隔选取10个样本作为验证集，剩余30个样本为组成校正集。两者各指标的取值范围见表1。验证集各个指标的取值范围均小于校正集样本相应指标的取值范围，符合验证集的选择标准，可以用来建模。

表1 样本各指标的分布范围Table 1 The distribution ranges of each index of the samples

2.3.2 基于角度度量的建模方法

将辣椒油红外光谱分为校正集光谱矩阵A，验证集光谱矩阵V，基准光谱M(未经处理的辣椒油红外光谱)，并进行区间分割，即A=[A1,A2,……，An]、V=[V1,V2,……，Vn]、M=[M1,M2，……，Mn]，n为红外光谱分割成的区间数，K为分割步长。根据向量点积公式，求得A、V与M的夹角余弦值，进而将光谱信号转化为角度信号。以转换后的角度数据矩阵为自变量，辣椒油3种指标的真实值为因变量，采用偏最小二乘法回归分析，建立辣椒油关键品质指标的多变量回归模型。

2.3.3 辣椒油3种品质指标的分析模型建立

选取校正集光谱数据为自变量(X)，酸值、折光率、过氧化值的真实值作为因变量(Y)，分别用PLS和VAPLS建立辣椒油3种品质指标分析模型。采用预测值与真实值相关系数(R)和均方根误差(RMSE)判断模型稳定性及预测效果。

由于光谱不同波段所携带信息的差异，本文将样本光谱分为500～4000 cm-1；500～3100 cm-1；500～2100 cm-1及2600～4000 cm-1；500～2100 cm-1及2600～3100 cm-14种特征波段。并通过一阶导(D1)、二阶导(D2)、多元散射校正(MSC)[16]、标准正态变换(SNV)[17]的方法分别对光谱进行预处理。

2.3.3.1 酸值分析模型建立

主成分数和区间分割步长的选取对模型的稳定性、预测性有很大影响。主成分数选取不足，会丢失原始光谱中的重要信息，造成欠拟合；反之，如果主成分数选取过多，将会在模型中引入噪声或散射光等无用信息，造成过拟合。分割步长越大，区间数越少，样本与基准组分组成的夹角余弦矩阵维数越少，可提高运算速度，但同时会遗漏组分相关信息；分割步长越小，划分的间隔数越多，对样本组成的研究越详细，但同时会增加建模时间，因此在建模时应选取最佳分割步长。

用主成分分析法对校正集光谱数据进行降维分解，根据二阶差分序列[18]的方法选取最佳主成分数，当原光谱主成分数达到4后，二阶差分值明显降低，噪声和背景光谱引起序列尾部的不均匀，之后趋于平缓，因此选择主成分数为4，将最佳主成分数带入自编程序，得到其最佳分割步长，见图2。

图2 二阶差分序列变化图Fig.2 The sequence variation diagram of second order difference

不同建模条件下的酸值建模结果见表2。

表2 不同光谱预处理下酸值建模效果最优波段Table 2 The optimal bands of acid value modeling effect under different spectral pretreatments

由表2可知，VAPLS建模结果优于PLS。选取500～2100 cm-1及2600～4000 cm-1红外光谱波段，原光谱(None)建立的VAPLS模型最佳，校正集相关系数(RA)和验证集相关系数(RV)为0.9936，0.9959，均方根误差(RMSE)分别为0.0282，0.0264。虽然二阶导数处理后的模型校正集相关系数较高，但验证集的相关系数较差，分析原因是二阶导数在消除光谱中漂移和散射的过程中消除了部分携带有效信息的光谱，同时噪声被放大，信噪比降低[19]，导致验证集的效果较差。两种建模方法的酸值真实值与预测值散点图分析结果见图3。

图3 不同建模方法的酸值真实值与预测值散点图Fig.3 The scatter plots of real and predicted acid values under different modeling methods

2.3.3.2 过氧化值分析模型建立

不同建模条件下的过氧化值建模结果见表3，VAPLS同样较优。选取500～3100 cm-1红外光谱波段，经过D1处理，建立的VAPLS模型最佳，其校正集和验证集相关系数为0.9923，0.9421，均方根误差分别为0.0176，0.0543。过氧化值真实值与预测值的散点图分析结果见图4，在D2处理后的模型中，同样有较好的校正集，但验证集较差，进一步说明二阶导数对辣椒油的红外光谱校正过度，消除了建模所需的有效信息。

表3 不同预处理下过氧化值建模效果最优波段Table 3 The optimal bands of peroxide value modeling effect under different pretreatments

图4 不同建模方法下的过氧化值真实值与预测值散点图Fig.4 The scatter plots of real and predicted peroxide values under different modeling methods

2.3.3.3 折光率分析模型建立

由表4可知，选取全波段未处理红外光谱，建立的VAPLS模型为最佳，校正集和验证集相关系数为0.9925，0.9907，均方根误差分别为0.000132，0.000147。折光率真实值与预测值散点图分析结果见图5。

表4 不同预处理下折光率建模效果最优波段Table 4 The optimal bands of refractive index modeling effect under different pretreatments

图5 不同建模方法下的折光率真实值与预测值散点图Fig.5 The scatter plots of real and predicted refractive indexes under different modeling methods

选择不同波段光谱可以有效利用光谱信息，并通过对光谱预处理去除光谱中样品背景、杂散光等无关信息，提高模型预测能力。光谱经过平滑处理，消除基线，提高信噪比，但可能丢失光谱的部分有效信息；SNV假设所有变量具有相同的标准偏差。而MSC假设乘性和加性的变化远大于样品浓度或化学性质变化，当与假设情况不符时，也会导致模型预测能力降低[20]。

PLS法受乘性效应影响较大，而角度度量(VAPLS)利用向量方向的确定性，将光谱信号转换为角度信号，重构数据矩阵，有效地消除乘性效应，进一步提高了模型的预测性和稳定性。从辣椒油3种品质指标的分析模型结果来看，也验证了VAPLS法较优于传统偏最小二乘法。

2.3.4 市售辣椒油的品质分析

购入4种市售辣椒油，采集其红外光谱数据，并按1.3.2方法测量3种指标的真实值，将各样本光谱数据和真实值导入计算平台，依照各指标的建模条件参数，分别采用VAPLS和PLS对3种品质指标进行预测，结果见表5。

表5 4种市售辣椒油不同模型预测结果Table 5 The prediction results of different models for four commercial chili oil

VAPLS法预测值均方根误差分别为0.0185，0.0001，0.0355；PLS法预测值均方根误差分别为0.0527，0.0001，0.1006。虽然两种模型个别预测值较为接近，但结合角度度量法的预测值相对更加准确，且均方根误差较小。

3 结论

本文以辣椒油样本作为研究对象，利用红外光谱技术结合基于角度度量的偏最小二乘法对辣椒油酸值、折光率、过氧化值3种指标采用不同预处理方式分波段建模，并与传统偏最小二乘法进行比较。VAPLS建模整体较优，得到3种模型校正集相关系数均大于0.99，酸值、折光率预测集相关系数也在0.99以上，过氧化值验证集相关系数为0.9421；市售辣椒油均方根误差较小，表明模型具有良好的预测性和稳定性，该方法只需采集一次辣椒油光谱，即可测得3种关键指标，适用于辣椒油大批量的快速检测。