王挥+宋菲+曹飞宇+赵松林

摘 要 根据不同油脂的红外光谱特性，建立偏最小二乘法（PLS）和反向传递神经网络（BP-ANN）判别分析模型，进行初榨椰子油中大豆油、玉米油、葵花籽油的掺假检测分析。结果发现，PLS和BP-ANN模型均具有较好的掺假检测分析能力，其中BP-ANN模型的分析效果最佳，其对初榨椰子油中大豆油、玉米油、葵花籽油进行掺假检测的准确率均达到了99.67%以上，该方法可用来进行初榨椰子油的掺假分析，具有分辨率高、快速、简便等特点。

关键词 初榨椰子油 ；红外光谱 ；掺假 ；油脂

中图分类号 TS225.1 文献标识码 A Doi：10.12008/j.issn.1009-2196.2017.05.013

Adulteration Detection of Virgin Coconut Oil Based

on Characteristics of Infrared Spectra

WANG Hui SONG Fei CAO Feiyu ZHAO Songlin

（Coconut Research Institute， CATAS / Engineering and Technology Research Center

for Coconut Deep Process of Hainan Province， Wenchang， Hainan 571339）

Abstract According to the infrared spectral characteristics of different oils， a partial least squares （ PLS） and a back propagation artificial neural network （BP-ANN） discriminant analysis model were established to analyze the adulteration of soybean oil， corn oil and sunflower oil in virgin coconut oil. The results showed that both PLS and BP-ANN models had a good ability of quantitative detection， and the adulteration analysis was better in the BP-ANN model than in the PLS model. According to the analysis of the BP-0ANN model， the adulteration detection accuracy for virgin coconut oil mixed with soybean oil， corn oil and sunflower oil were more than 99.7%. This method could be used for adulteration quantitative detection of virgin coconut oil， and it was of high resolution， fast and easy to operate.

Keywords virgin coconut oil ； infrared spectra； adulteration ； oils and fats

紅外光谱是由分子中基团原子间振动跃迁时吸收红外光所产生的，有机化合物的各种化学基团在红外区域都会出现相应的特征吸收峰，因此可以通过对红外区域吸收峰的位置、强度和形状进行分析，进而对被检测物的结构和官能团进行判别[1]。红外光谱分析因其具有灵敏度高、分辨率高、分析速度快、消耗样品少、不破坏样品等优点[2-4]，近年来，在食品品质的快速或在线检测分析中具有广泛的应用[5-7]，在食品真伪和产地的快速鉴别中尤其引人关注[8]。

本研究以傅里叶红外光谱分析技术为切入点，对比分析初榨椰子油、葵花籽油、玉米油和大豆油的红外光谱特性。在此基础上，进一步构建偏最小二乘法（PLS）和反向传递神经网络（BP-ANN）判别分析模型，对初榨椰子油中葵花籽油、玉米油和大豆油的掺假监测分析研究，以期通过模型的筛选与优化，筛选出一种基于红外光谱的初榨椰子油掺假检测分析方法。

1 材料和方法

1.1 材料

初榨椰子油，中国热带农业科学院椰子研究所提供；大豆油、葵花籽油、玉米油购于海口市某超市。

1.2 方法

1.2.1 掺假油样的制备

分别将大豆油、玉米油和葵花籽油掺入初榨椰子油，制备初榨椰子油掺大豆油、初榨椰子油掺玉米油和初榨椰子油掺葵花籽油的掺假油样。掺假浓度为1%～30%（g/g），共30个浓度梯度（以1%为间隔），设3次重复，每个掺假类别共有90个油样。超声波振荡30 min后，锡箔纸包裹，4℃冰箱中储放待测。

1.2.2 红外光谱采集

仪器设备：傅里叶红外仪；型号：Spectrum100；品牌：Perkin Elmer；技术参数[9]：扫描波数范围400～4 000 cm-1，扫描次数32次，分辨率4 cm-1，以空气为背景图，采用涂膜法进样，统一进样量为13 μL。

1.3 数据分析

采用Unscrambler9.7、Neuroshell2、Matlab、Origin等软件进行数据预处理和化学计量模型建立。采用平滑法（Smoothing）、归一化（Normalization）法、多元散射校正（MSC）、标准归一化（SNV）、导数（Derivatives）进行光谱的预处理。

2 结果与分析

2.1 初榨椰子油、葵花籽油、玉米油、大豆油红外光谱分析

初榨椰子油、大豆油、玉米油、葵花籽油的红外光谱见图1。由图1可知，在0～4 000 cm-1波数范围内，初榨椰子油与葵花籽油、玉米油和大豆油的红外光谱特性具有较高的相似度，随着扫描波长的增大，4种植物油均先后在720、1 200、1 500、2 900 cm-1附近出现红外峰，峰型相似。初榨椰子油与其他植物油红外光谱的最大区别是在3 008 cm-1处，大豆油、玉米油、葵花籽油的紅外光谱均出现了一个明显的肩峰，而初榨椰子油在此处的光谱较为平滑，并没有红外峰出现。此外，不同植物油的峰强也具有较大的差异。

有研究发现，顺式C=CH基团的伸缩振动是引起油脂在3 008 cm-1处出现红外峰的主要原因[10-11]。大豆油、玉米油、葵花籽油都是典型的不饱和性油脂，其脂肪酸中均含有大量的不饱和顺式C=CH基团，而初榨椰子油的饱和度在90%以上，所以其不饱和顺式C=CH基团的含量显著低于其他植物油，进而造成了初榨椰子油与其他植物油在3008 cm-1的峰型差异。此外，不同油脂的脂肪酸种类以及C-O、C=O、C-O-C等基团数量均具有较大差异，这种差异也就造成了不同油脂红外峰峰值的差异。油脂中还富含游离脂肪酸、维生素E、甾醇、色素及其他微量元素，也是造成不同油脂峰型差异的一个重要原因。

2.2 掺假初榨椰子油的红外光谱分析

以玉米油为例，分析红外光谱技术进行初榨椰子油掺假检测的可行性。图2为掺入不同质量分数玉米油后初榨椰子油的红外光谱（500～700 cm-1）变化。结果发现，随着掺混油类浓度的增加，红外光谱的吸收峰强度呈现出了逐步增大的趋势，且具有较强的规律性，表明掺假含量与红外光谱强度的变化之间具有一定的相关性，初步证明了该方法的可行性。

2.3 PLS模型建立与分析

PLS是多元统计数据分析方法，该方法综合了多元线性回归和主成分分析的优势，具有预测能力强、样本需求量少、模型相对简单等特点[8]，在无损定量分析中具有非常广泛的应用。本研究对同一掺假体系的90个初榨椰子油掺假样品进行红外分析，随机挑选60组红外光谱数据作为训练集，其余30组数据作为预测集，建立红外光谱与分类变量的PLS判别分析模型，考察训练集均方差根（RMSECV）、预测集均方差根（RMSEP）与主成分数之间的变化规律（图3～5），确定最优的分析光谱范围和预处理方法，预测结果见表1。预测结果显示，利用红外光谱数据建立PLS分析模型，能够达到识别初榨椰子油中食用油掺假的目的，其对初榨椰子油中大豆油、玉米油、葵花籽油进行掺假检测的准确率分别达到了96.03%、97.07%和94.47%。

2.4 BP-ANN模型建立与分析

利用BP-ANN建立浓度预测模型，首先采用小波变换处理，将原有的红外光谱信息进行了分解压缩，扩大有效信号的比重。经数据分析确定最佳网络结构的各层节点为输入层（100个）—隐含层（10个）—输出层（1个），学习方法为学习速率0.03，动量0.1，初始权重0.2，最小误差0.0001，作用函数为tanh。由表2可知，利用红外光谱数据建立BP-ANN分析模型，能够对初榨椰子油中大豆油、玉米油、葵花籽油进行准确的掺假检测，其准确率达99.67%以上。

2.5 模型验证与定量分析

利用BP-ANN模型对已知浓度的掺假样品进行检测分析，验证模型的定量检测分析能力，结果见表3（仅列举掺假浓度为4%、8%、12%、16%、20%、24%、28%的样品）。由表3可知，当掺假浓度大于4%时，BP-ANN模型具有较强的检测分析能力，预测浓度的相对误差普遍小于0.05，具有一定的实际应用价值。

3 结论

本研究对比分析了初榨椰子油、大豆油、玉米油、葵花籽油的红外光谱特性，建立了PLS和BP-ANN判别分析模型，进行初榨椰子油掺假检测分析研究。本研究结果表明，PLS和BP-ANN模型均具有较好的判别分析能力，其对初榨椰子油中大豆油、玉米油、葵花籽油进行掺假检测的准确率分别达到了96.03%、97.07%、94.47%和99.71%、99.72%和99.67%。由此可见，可以利用红外光谱结合BP-ANN模型进行初榨椰子油的掺假检测分析，该方法具有分辨率高、快速、简便等特点。

参考文献

[1] 褚小立，袁洪福，陆婉珍，等. 近红外分析中光谱预处理及波长选择方法进展与应用[J]. 化学进展，2004，16（4）： 528-542.

[2] Gozde G， Banu O. Detection of adulteration of extra-virgin olive oil by chemometric analysis of mid-infrared spectral data[J]. Food Chemistry，2009， 116（2）： 519-525.

[3] 李 娟，范 璐，毕艳兰，等. 红外、近红外光谱簇类独立软模式方法识别植物调和油脂[J]. 分析化学，2010，38（4）： 475-482.

[4] 郝 勇，孙旭东，高荣杰，等. 基于可见/近红外光谱与SIMCA和PLS-DA的脐橙品种识别[J]. 农业工程学报，2010，26（12）： 373-377.

[5] Dupuy N， Galtier O， Ollivier D. Comparison between NIR，MIR，concatenated NIR and MIR analysis and hierarchical PLS model Application to virgin olive oil analysis[J]. Analytica Chimica Acta， 2010， 666（1）： 23-31.

[6] Katayoun J， Maryam P. Discrimination of edible oils and fats by combination of multivariate patternrecognition and FT-IR spectroscopy： A comparative study between differentmodeling methods[J]. Spectrochimica Acta Part A： Molecular and Biomolecular Spectroscopy， 2013（104）：175-181.

[7] Galtier O，Dupuy N，Dréau Y L. Geographic origins and compositions of virgin olive oils determinate by chemometric analysis of NIR spectra[J]. Analytica Chimica Acta， 2007， 599（1）： 136-144.

[8] 褚小立，陆婉珍. 近五年我国近红外光谱分析技术研究与应用进展[J]. 光谱学与光谱分析，2014，34（10）：2 595-2 605.

[9] Che Man Y B， Setiowaty G. Determination of Anisidine value in thermally oxidized palm olein by fourier transform infrared spectroscopy[J]. JAOCS， 1999， 76（2）： 109-114.

[10] A M Marina， Y B Che Man. Virgin coconut oil： emerging functional food oil[J]. Trends in Food Science&Technology， 2009， 20（10）： 481-487.

[11] 张 琳，张黎明，李 燕，等. 偏最小二乘法在傅里叶变换红外光谱中的应用及进展[J]. 光谱学与光谱分析，2005，25（10）：1610-1613.