温珍才，孙 通，许 朋，刘木华

(1.江苏大学食品与生物工程学院，江苏镇江 212013;2.江西农业大学生物光电技术及应用重点实验室，江西南昌 330045)

油茶籽油是世界四大木本植物油之一，为纯天然优质食用植物油.由于油茶籽油品质优良，生理活性物质丰富，其市场售价高，为食用植物油中的高档产品.为牟取暴利，不法商人将廉价食用植物油(大豆油、菜籽油等)掺入油茶籽油中出售.因此，为维护市场秩序及保护消费者的合法利益，油茶籽油掺假的快速检测非常必要.

可见/近红外光谱分析技术是一种快速、无损、无污染的绿色分析技术，已应用于三七粉［1］、葛粉［2］、辣椒粉［3］、酒［4］、牛奶［5-6］、蜂蜜［7］等物质的掺假检测.对于食用植物油的掺假检测，国内外学者进行了一些相关研究，主要研究对象为橄榄油［8-14］，而油茶籽油的研究则较少［15-18］.上述研究文献中，掺假检测研究大多为简单二元体系掺假即高价食用植物油中仅掺入一种低价食用植物油，而实际中的掺假则更为复杂;此外，大多数研究中，未对光谱变量进行筛选，往往存在光谱变量数大于建模样本数，使得掺假检测模型过拟合，模型稳定性变差.

本研究利用可见/近红外光谱分析技术对油茶籽油中掺杂大豆油及菜籽油进行定量检测，采用CARS(competitive adaptive reweighted sampling)方法先筛选有用的光谱波长变量，再应用偏最小二乘(PLS)回归分别建立大豆油、菜籽油及大豆油与菜籽油总含量的掺假定量检测模型，并与其他变量选择方法所建立的掺假检测模型进行比较.

1 材料与方法

1.1 试验材料与仪器

本试验中，油茶籽油、大豆油及菜籽油的样本数量分别为48，3和3个.油茶籽油样本来自于江西、浙江、湖南、广西等地.大豆油及菜籽油样本由南昌沃尔玛超市购买.

试验光谱仪器为QualitySpec可见/近红外光谱仪，配备Indico Pro Spectral Acquisition光谱采集软件.光源为卤钨灯，样品池为4 mm宽度的石英比色皿.

1.2 试验方法

1.2.1 掺假样本配制

任取某一大豆油和菜籽油样本，并按一定质量分数掺入某一油茶籽油样本中，以此获得掺假油茶籽油样本.在掺假油茶籽油样本中，大豆油和菜籽油总掺杂量的质量分数范围为10.0～500.0 g·kg-1.当总掺杂量的质量分数为10.0～150.0 g·kg-1时，梯度为20.0 g·kg-1;总掺杂量的质量分数范围为150.0 ～500.0 g·kg-1时，梯度为 50.0 g·kg-1，因此共有15个掺伪质量分数.在每个掺伪质量分数下，分别配制3个掺假油茶籽油样本，且3个样本中的大豆油和菜籽油质量分数各不相同，共获得45个掺有大豆油和菜籽油的油茶籽油样本.按照2∶1比例将48个油茶籽油样本和45个掺假油茶籽油样本随机分配到校正集和预测集，即校正集样本62个，预测集样本31个.

1.2.2 光谱采集

将样本放置于4 mm宽度的石英比色皿中，采用QualitySpec光谱仪以全透射方式采集样本的光谱.样本光谱采集前，以空石英比色皿为参比对光谱仪进行校正.样本光谱采集时间和平均次数分别为68 ms和50次.样本光谱以log(1/T)表示，T为光谱透射率.

1.2.3 变量选择及建模

CARS方法是由中南大学梁逸曾教授等人提出的一种变量筛选新方法［19］.该方法中，通过自适应重加权采样技术并以PLS回归系数绝对值为标准进行变量筛选，获取一系列较优的变量子集.对变量子集进行交叉验证建模，最优的变量子集则根据交互验证均方根误差(RMSECV)值最小原则确定.

本研究中，采用CARS方法对样本光谱的波长变量进行筛选，应用PLS方法分别建立油茶籽油中掺杂大豆油、菜籽油及大豆油和菜籽油总含量的掺假定量检测模型，并与经连续投影算法(SPA)及无信息变量消除(UVE)方法变量筛选后的PLS掺假定量检测模型进行比较.对于CARS变量选择方法，其可提取的最大因子数由蒙特卡罗(MC)交叉验证确定，MC采样次数为50次.对于SPA变量选择方法，最大和最小的可选波长变量数分别设为30和1，并以交叉验证建模选择最优波长组合.对于UVE变量选择方法，变量稳定性阈值为所加入的1 001个随机噪声变量中最大稳定性绝对值的99%.SPA和UVE变量选择方法的具体原理与步骤参见文献［20-22］.CARS，UVE，SPA 变量选择方法和PLS方法均在Matlab R2014a里运行完成.

2 结果与分析

2.1 光谱分析

试验样本的光谱分析如图1所示，由图可知，纯油茶籽油和掺假油茶籽油的样本光谱在700～1 800 nm波段范围内基本一致，无法通过肉眼区分;但在350～700 nm波段范围内存在较为明显的差别，该差别主要是由于样本之间的颜色深浅造成.此外，样本光谱在长波近红外区域(1 000～1 800 nm)存在较强的吸收，光谱波峰较为明显;而在短波近红外区域(780～1 000 nm)无明显吸收，光谱较为平坦.为排除样本颜色对检测结果的影响，去除样本光谱的可见光波段(350～779 nm)，不用于后续的分析.同时，为了不丢失有用的光谱信息，样本光谱的短波近红外波段(780～1 000 nm)保留.因此，后续的分析在780～1 780 nm光谱波长范围内进行(光谱仪末端噪声大，去除20 nm波段范围)，该波段范围内共有1 001个波长变量.

图1 样本的可见/近红外光谱

2.2 大豆油掺伪量检测

本试验中，大豆油的掺伪质量分数范围为3.0～360.1 g·kg-1.采用 CARS方法筛选样本光谱中与大豆油相关的光谱波长变量，结果如图2所示.由图可知，采样次数由1增加到5时，被选择波长变量数迅速下降，而后，随着采样次数增加，被选择波长变量数缓慢减少;RMSECV值随着采样次数的增加(即被选择波长变量数逐渐减少)先下降而后上升，表明CARS变量筛选过程中先剔除与大豆油无关的冗余波长变量使得RMSECV值下降，而后开始剔除与大豆油相关的波长变量导致RMSECV值上升;“*”所对应的位置为30次采样，此时RMSECV值最小，所选择的波长变量组合最优，共有25个波长变量被选择.

图2 大豆油掺伪量检测的CARS变量筛选结果

经CARS变量筛选后，采用PLS方法建立油茶籽油中大豆油掺伪量的定量检测模型，并与经SPA及UVE变量筛选的PLS模型性能进行比较.表1为不同变量选择方法的油茶籽油中大豆油掺伪量检测的PLS建模结果.从表1可以看出，与全波段PLS模型相比，CARS-PLS模型的波长变量数由1 001个减少为25个，而交互验证相关系数及预测集相关系数却由0.935，0.920 上升为 0.967，0.950，RMSECV及RMSEP由 29.7，33.9 g·kg-1下降为 21.3，24.5 g·kg-1，模型性能得到有效提高.对于SPAPLS和UVE-PLS模型，其交互验证相关系数及RMSECV分别为0.970，0.973 和 20.7，19.3 g·kg-1，略优于CARS-PLS模型;但预测集相关系数及RMSEP分别 0.922，0.941 和 33.8，29.0 g·kg-1，劣于CARS-PLS模型，表明SPA-PLS及UVE-PLS模型的稳定性不如CARS-PLS模型.

表1 大豆油掺伪量检测的PLS建模结果

2.3 菜籽油掺伪量检测

本试验中，菜籽油的掺伪质量分数范围为3.0～300.0 g·kg-1.采用CARS方法筛选样本光谱中与菜籽油相关的光谱波长变量，检测结果如图3所示.

图3 油茶籽油中菜籽油掺伪量检测的CARS变量筛选结果

图中，被选择波长变量数及RMSECV随采样次数增加的变化趋势与图2中的结果类似;“*”所对应的位置为25次采样，即RMSECV值最小，该变量选择结果最优，共有48个波长变量被选择.

经CARS变量筛选后，采用PLS方法建立油茶籽油中菜籽油掺伪量的定量检测模型，并与经SPA及UVE变量筛选的PLS模型性能进行比较，结果如表2所示.从表2可知，CARS-PLS模型性能优于全波段PLS模型，建模波长变量数由1 001个减少为48个，但交互验证相关系数及预测集相关系数却由0.831，0.875 上升为 0.869，0.928，RMSECV及RMSEP由44.8，37.4 g·kg-1下降为39.8，29.0 g·kg-1.与SPA-PLS及UVE-PLS模型相比，CARS-PLS模型的校正集及预测集结果均较优.

表2 菜籽油掺伪量检测的PLS建模结果

2.4 大豆油与菜籽油混掺伪量检测

图4 大豆油与菜籽油混掺伪量检测的CARS变量筛选结果

本试验中，大豆油与菜籽油的混掺伪质量分数范围为10.0～500.0 g·kg-1.采用CARS方法筛选样本光谱中和大豆油与菜籽油相关的光谱波长变量，结果如图4所示.

从图4中可知，在波长变量筛选过程中，26次采样的结果最优，即“*”所对应的位置，此时RMSECV值最小，共有42个相关波长变量被选择.

经CARS变量筛选后，采用PLS方法建立油茶籽油中大豆油与菜籽油混掺伪量的定量检测模型，并与经SPA及UVE变量筛选的PLS模型性能进行比较，结果如表3所示.从表3可知，与全波段PLS，SPA-PLS及UVE-PLS模型相比，CARS-PLS的模型性能最优，其交互验证相关系数、预测集相关系数、RMSECV及RMSEP分别为0.979，0.980和31.1，30.8 g·kg-1.

分析上述结果可知，不论是大豆油、菜籽油还是大豆油及菜籽油掺伪检测，CARS-PLS所建立的模型性能均优于全波段PLS，SPA-PLS及UVE-PLS模型，表明CARS方法是一种有效的波长变量选择方法，可以筛选出有用信息波长变量，而剔除冗余波长变量.

表3 大豆油与菜籽油混掺伪量检测的PLS建模结果

3 结论

本研究利用可见/近红外光谱分析技术联合CARS方法对油茶籽油中掺杂大豆油及菜籽油进行检测研究.结果表明，可见/近红外联合CARS方法可以分别检测油茶籽油中的大豆油、菜籽油掺伪量及大豆油与菜籽油混掺伪量.大豆油、菜籽油及大豆油与菜籽油总和的CARS-PLS掺伪量模型的预测集相关系数和RMSEP分别为0.950，0.928，0.980和24.5，29.0，30.8 g·kg-1.此外，CARS-PLS 模型性能优于全波段PLS，SPA-PLS及UVE-PLS.CARS方法是一种有效的波长变量选择方法，可以剔除冗余波长变量.

References)

［1］Nie P C，Wu D，Sun D W，et al.Potential of visible and near infrared spectroscopy and pattern recognition for rapid quantification of notoginseng powder with adulterants［J］.Sensors，2013，13(10):13820-13834.

［2］陈 嘉，刘 嘉，马雅钦，等.葛粉掺假的近红外漫反射光谱快速检测［J］.食品科学，2014，35(8):133-136.

Chen Jia，Liu Jia，Ma Yaqin，et al.Rapid detection of kudzu starch adulteration by near-infrared diffuse reflectance spectroscopy［J］.Food Science，2014，35(8):133-136.(in Chinese)

［3］Haughey S A，Galvin-King P，Ho Y C，et al.The feasibility of using near infrared and Raman spectroscopic techniques to detect fraudulent adulteration of chili powders with Sudan dye［J］.Food Control，2015，48:75-83.

［4］Chen H，Tan C，Wu T，et al.Discrimination between authentic and adulterated liquors by near-infrared spectroscopy and ensemble classification［J］.Spectrochimica Acta Part A:Molecular and Biomolecular Spectroscopy，2014，130:245-249.

［5］Zhang L G，Zhang X，Ni L J，et al.Rapid identification of adulterated cow milk by non-linear pattern recognition methods based on near infrared spectroscopy［J］.Food Chemistry，2014，145:342-348.

［6］王右军，朱大洲，屠振华，等.CCD短波近红外光谱快速检测牛奶中掺假物质的研究［J］.食品科学，2009，30(6):135-138.

Wang Youjun，Zhu Dazhou，Tu Zhenhua，et al.Study on rapid determination of adulterated components in milk by charger-coupled device shortwave near-infrared spectrometer［J］.Food Science，2009，30(6):135-138.(in Chinese)

［7］屠振华，朱大洲，籍保平，等.基于近红外光谱技术的蜂蜜掺假识别［J］.农业工程学报，2011，27(11):382-387.

Tu Zhenhua，Zhu Dazhou，Ji Baoping，et al.Adulteration detection of honey based on near-infrared spectroscopy［J］.Transactions of the CSAE，2011，27(11):382-387.(in Chinese)

［8］Mignani A G，Ciaccheri L，Ottevaere H，et al.Visible and near-infrared absorption spectroscopy by an integrating sphere and optical fibers for quantifying and discriminating the adulteration of extra virgin olive oil from Tuscany［J］.Analytical and Bioanalytical Chemistry，2011，399(3):1315-1324.

［9］庄小丽，相玉红，强 洪，等.近红外光谱和化学计量学方法用于橄榄油品质分析与掺杂量检测［J］.光谱学与光谱分析，2010，30(4):933-936.

Zhuang Xiaoli，Xiang Yuhong，Qiang Hong，et al.Quality analysis of olive oil and quantification detection of adulteration in olive oil by near-infrared spectrometry and chemometrics［J］.Spectroscopy and Spectral Analysis，2010，30(4):933-936.(in Chinese)

［10］Christy A A，Kasemsumran S，Du Y，et al.The detection and quantification of adulteration in olive oil by near-infrared spectroscopy and chemometrics［J］.Analytical Sciences，2004，20(6):935-940.

［11］Ozdemir D，Ozturk B.Near infrared spectroscopic determination of olive oil adulteration with sunflower and corn oil［J］.Journal of Food and Drug Analysis，2007，15(1):40-47.

［12］Ozturk B，Yalcin A，Ozdemir D.Determination of olive oil adulteration with vegetable oils by near infrared spectroscopy coupled with multivariate calibration［J］.Journal of Near Infrared Spectroscopy，2010，18(3):191-201.

［13］翁欣欣，陆 峰，王传现，等.近红外光谱-BP神经网络-PLS法用于橄榄油掺杂分析［J］.光谱学与光谱分析，2009，29(12):3283-3287.

Weng Xinxin，Lu Feng，Wang Chuanxian，et al.Discriminating and quantifying potential adulteration in virgin olive oil by near infrared spectroscopy with BP-ANN and PLS［J］.Spectroscopy and Spectral Analysis，2009，29(12):3283-3287.(in Chinese)

［14］Yang H，Irudayaraj J.Comparison of near-infrared，fouriertransform-infrared，and fouriertransform-raman methods for determining olive pomace oil adulteration in extra virgin olive oil［J］.Journal of the American OilChemists'Society，2001，78(9):889-895.

［15］张菊华，朱向荣，尚雪波，等.近红外光谱结合偏最小二乘法用于纯茶油中掺伪菜籽油和大豆油的定量分析［J］.食品工业科技，2012，33(3):334-336.

Zhang Juhua，Zhu Xiangrong，Shang Xuebo， et al.Quantification analysis of camellia oils adulteration with rapeseed oil and soybean oil by combining near infrared spectroscopy and partial-least-squares［J］.Science and Technology of Food Industry，2012，33(3):334-336.(in Chinese)

［16］Wang L，Lee F S C，Wang X，et al.Feasibility study of quantifying and discriminating soybean oil adulteration in camellia oils by attenuated total reflectance MIR and fiber optic diffuse reflectance NIR［J］.Food Chemistry，2006，95:529-536.

［17］Li S，Zhu X，Zhang J，et al.Authentication of pure camellia oil by using near infrared spectroscopy and pattern recognition techniques［J］.Journal of Food Science，2012，77(4):C374-C380.

［18］孙 通，胡 田，许文丽，等.基于UVE-GA变量优选的油茶籽油可见/近红外光谱掺假鉴别［J］.中国油脂，2013，38(10):75-79.

Sun Tong，Hu Tian，Xu Wenli，et al.Adulteration discrimination of camellia seed oil by Vis/NIR spectra and UVE-GA method［J］.China Oils and Fats，2013，38(10):75-79.(in Chinese)

［19］Li H，Liang Y，Xu Q，et al.Key wavelengths screening using competitive adaptive reweighted sampling method for multivariate calibration［J］.Analytica Chimica Acta，2009，648(1):77-84.

［20］Centner V，Massart D L，de Noord O E，et al.Elimination of uninformative variables for multivariate calibration［J］.Analytical Chemistry，1996，68(21):3851-3858.

［21］Ara jo M C U，Saldanha T C B，Galv o R K H，et al.The successive projections algorithm for variable selection in spectroscopic multicomponent analysis［J］.Chemometrics and Intelligent Laboratory Systems，2001，57(2):65-73.

［22］Galvao R K H，Araujo M C U，Fragoso W D，et al.A variable elimination method to improve the parsimony of MLR models using the successive projections algorithm［J］.Chemometrics and Intelligent Laboratory Systems，2008，92(1):83-91.