一種摻假牛奶的紅外光譜識別方法
【專利摘要】本發(fā)明涉及一種摻假牛奶的紅外光譜檢測方法。該方法以純牛奶為研究對象，分別如尿素和葡萄糖，利用ATR-FTIR技術(shù)采集樣品的紅外光譜圖，通過建立SIMCA和PLS模型對摻假物進(jìn)行定性識別和定量分析。根據(jù)本發(fā)明，尿素和葡萄糖摻假物質(zhì)濃度為0.10～1.00%時(shí)，該方法對尿素和葡萄糖摻假物的識別率均為100%。當(dāng)摻假物濃度為0.01～0.10%時(shí)，最佳模型對牛奶與摻尿素和葡萄糖牛奶的識別率和拒絕率均大于82%，效果良好。對于尿素和葡萄糖摻假物質(zhì)，模型預(yù)測值和實(shí)測值的相關(guān)性良好，所建的模型具有良好的預(yù)測能力，能夠用于牛奶中摻雜多種物質(zhì)的定量分析。
【專利說明】一種摻假牛奶的紅外光譜識別方法
【【技術(shù)領(lǐng)域】】
[0001]本發(fā)明涉及自動(dòng)化檢測技術(shù)，特別是涉及摻假牛奶的紅外光譜檢測方法。
【【背景技術(shù)】】
[0002]近年來我國乳制品摻假事件頻發(fā)，嚴(yán)重?cái)_亂了乳品市場秩序，常規(guī)的單一摻假物檢測方法已經(jīng)不能滿足層出不窮的摻假物質(zhì)檢測要求。作為牛奶內(nèi)部成分檢測的國標(biāo)方法主要是化學(xué)法，但是這種分析方法耗時(shí)較長，成本較高，因此后來針對該缺陷提出了中紅外光譜法、近紅外光譜分析法和超聲波分析法來檢測牛奶成分。超聲波分析法能夠一次性檢測出來牛奶中的多種組分，但是該方法重復(fù)性較差，檢測精度也不高。近紅外光譜分析方法無法避免牛奶成分的背景干擾，測量精確度不高。CN 101769866A公開了一種牛奶成分的檢測裝置 和方法，其中記載了利用超聲波和近紅外光譜分析技術(shù)來檢測牛奶中的成分，該方法雖然能夠快速準(zhǔn)確的檢測牛奶中的成分，但是該方法的缺點(diǎn)在于不能夠精確的檢測出來牛奶中特定組分的含量，因此不適用于摻假牛奶的鑒別檢驗(yàn)。
[0003]CN 101929951B公開了一種牛奶中摻羊奶的近紅外光譜辨別方法，該方法使用近紅外光譜辨別方法來對牛奶中摻羊奶先進(jìn)行定性判定后，還進(jìn)行定量判定，該方法雖然能夠定量檢測出牛奶中摻羊奶的情況，但是僅當(dāng)摻假成分的重量百分比大于或等于5%時(shí)，才能夠?qū)崿F(xiàn)一定的檢測精度。
[0004]針對現(xiàn)有技術(shù)的上述缺陷，本發(fā)明摻假牛奶紅外光譜識別方法利用ATR-FTIR技術(shù)結(jié)合SIMCA模式識別方法建立摻假奶識別模型，對摻假物進(jìn)行定性識別，并確定模型可識別的摻假檢測限。利用PLS回歸方法建立摻假物定量分析模型，進(jìn)一步對摻假物含量進(jìn)行精確分析，為實(shí)現(xiàn)乳制品快速摻假識別提供一條有效的途徑。
【
【發(fā)明內(nèi)容】
】
[0005][要解決的技術(shù)問題]
[0006]本發(fā)明的目的是提供一種摻假牛奶紅外光譜識別方法。
[0007][技術(shù)方案]
[0008]本發(fā)明是通過下述技術(shù)方案實(shí)現(xiàn)的。
[0009]本發(fā)明涉及一種摻假牛奶的紅外光譜識別方法。
[0010]該紅外光譜識別方法包括如下步驟:
[0011]A、摻假牛奶樣品的制備
[0012]分別按照下述方式稱取系列尿素和葡萄糖樣品:0.25mg~2.50mg范圍內(nèi)稱量間隔為0.25mg、2.50mg~25.0Omg范圍內(nèi)稱量間隔為2.50mg、25.0Omg~250.0Omg范圍內(nèi)稱量間隔為25.0Omg，然后分別將它們?nèi)苡?5mL牛奶中，制備得到濃度以g/mL計(jì)0.001~0.01%,0.01~0.10%與0.10~1.00%的系列摻假牛奶樣品；
[0013]B、紅外光譜采集
[0014]將步驟A得到的摻假牛奶樣品在溫度18~22°C水浴鍋中保持0.4~0.6h，取ImL摻假牛奶樣品放入紅外光譜儀的樣品槽內(nèi)，以空氣為背景，在環(huán)境溫度18~22°C下，在波數(shù)范圍4000~650CHT1內(nèi)以分辨率4CHT1掃描32次，采集紅外光譜圖，重復(fù)采集5次，其平均紅外光譜圖作為該樣品的紅外光譜圖；
[0015]C、摻假牛奶SMCA識別模型的建立
[0016]對尿素和葡萄糖兩種摻假物與所述摻假牛奶樣品紅外光譜圖的分析，初步選取兩個(gè)光譜區(qū)域900-1700(^1和2850-2990(^1作為建模特征向量；經(jīng)過基線校正和Savitzky-Goaly多項(xiàng)式9點(diǎn)平滑處理,采用交互驗(yàn)證法對純牛奶、摻尿素牛奶和摻葡萄糖牛奶樣品進(jìn)行PCA分析，得到前三個(gè)主成分的三維得分圖；[0017]D、SIMCA識別模型的檢驗(yàn)
[0018]在上述兩個(gè)光譜區(qū)域內(nèi)，利用變量的模型內(nèi)貢獻(xiàn)率、預(yù)測樣品與模型間距離、模型對預(yù)測樣品的識別率和拒絕率對該SIMCA識別模型進(jìn)行評價(jià)和檢驗(yàn)；
[0019]E、摻假牛奶PLS回歸分析模型的建立
[0020]通過光譜數(shù)據(jù)處理、特征波長選取、主成分?jǐn)?shù)選取進(jìn)行摻尿素和葡萄糖牛奶的PLS回歸分析，建立摻假牛奶定量分析模型；通過模型的預(yù)測值和實(shí)測值間的相關(guān)性對所建模型的預(yù)測能力進(jìn)行評價(jià)，確定所建的模型具有良好的預(yù)測能力，能夠用于牛奶中摻尿素和葡萄糖定量分析。
[0021]根據(jù)本發(fā)明的一種優(yōu)選實(shí)施方式，在尿素和葡萄糖PLS回歸模型中，尿素定量模型的R2是0.954，RMSECV是0.012，葡萄糖定量模型的R2是0.954，RMSECV是0.014。
[0022]根據(jù)本發(fā)明的一種優(yōu)選實(shí)施方式，所述紅外光譜識別方法的識別下限即摻假物濃度為以g/mL計(jì)0.01 %。
[0023]根據(jù)本發(fā)明的一種優(yōu)選實(shí)施方式，所述紅外光譜識別方法的識別率是95%以上。
[0024]下面將更詳細(xì)地描述本發(fā)明。
[0025]本發(fā)明的摻假牛奶紅外光譜識別方法利用ATR-FTIR技術(shù)結(jié)合SMCA(softindependent modeling of glass analogy)模式識別方法建立摻假牛奶識別模型,對摻假物進(jìn)行定性識別并確定模型可識別的摻假檢測限。利用PLS回歸方法建立摻假物定量分析模型，進(jìn)一步對摻假物含量進(jìn)行精確分析。
[0026]本發(fā)明涉及一種摻假牛奶的紅外光譜識別方法。
[0027]該紅外光譜識別方法包括如下步驟:
[0028]A、摻假牛奶樣品的制備
[0029]分別按照下述方式稱取系列尿素和葡萄糖樣品:0.25mg~2.50mg范圍內(nèi)稱量間隔為0.25mg、2.50mg~25.0Omg范圍內(nèi)稱量間隔為2.50mg、25.0Omg~250.0Omg范圍內(nèi)稱量間隔為25.0Omg，然后分別將它們?nèi)苡?5mL牛奶中，制備得到濃度以g/mL計(jì)0.001~
0.01%、0.01~0.10%與0.10~1.00%的系列摻假牛奶樣品；
[0030]以純牛奶為研究對象，分別摻入不同濃度的單獨(dú)成分的雜質(zhì)，例如尿素和葡萄糖，利用ATR-FTIR技術(shù)采集樣品的紅外光譜圖，通過建立SMCA和PLS模型對摻假物進(jìn)行定性識別和定量分析。
[0031]B、紅外光譜采集
[0032]將步驟A得到的摻假牛奶樣品在溫度18~22°C水浴鍋中保持0.4~0.6h，取ImL摻假牛奶樣品放入紅外光譜儀的樣品槽內(nèi)，以空氣為背景，在環(huán)境溫度18~22°C下，在波數(shù)范圍4000~650CHT1內(nèi)以分辨率4CHT1掃描32次，采集紅外光譜圖，重復(fù)采集5次，其平均紅外光譜圖作為該樣品的紅外光譜圖。
[0033]本發(fā)明使用的紅外光譜儀是目前市場上銷售的產(chǎn)品，也是現(xiàn)有實(shí)驗(yàn)室通常使用的儀器設(shè)備。所述的紅外光譜圖是采用常規(guī)方法采集的。
[0034]C、摻假牛奶SMCA識別模型的建立
[0035]對尿素和葡萄糖兩種摻假物與所述摻假牛奶樣品紅外光譜圖的分析，初步選取兩個(gè)光譜區(qū)域900-1700(^1和2850-2990(^1作為建模特征向量；經(jīng)過基線校正和Savitzky-Goaly多項(xiàng)式9點(diǎn)平滑處理,采用交互驗(yàn)證法對純牛奶、摻尿素牛奶和摻葡萄糖牛奶樣品進(jìn)行PCA(principal component analysis)分析,得到前三個(gè)主成分的三維得分圖；
[0036]通過光譜數(shù)據(jù)的預(yù)處理，特征波長區(qū)域和主成分?jǐn)?shù)選擇優(yōu)化的建模數(shù)據(jù)。特征波長區(qū)域的選擇是通過對摻假牛奶和摻假物紅外光譜圖的分析并結(jié)合所建模型的效果確定的，例如以900-160001^+1655-170001^+2850-29900^1為特征向量，通過自動(dòng)基線校正和Savitzky-Goaly多項(xiàng)式9點(diǎn)平滑處理，采用交互驗(yàn)證法對樣品進(jìn)行PCA分析并建立SMCA模型。其中模型對摻假物的可識別檢測限為0.01%,在5%顯著性水平下，模型對預(yù)測集樣品的識別率和拒絕率均大于87%，效果良好。
[0037]將原始光譜區(qū)域進(jìn)行自動(dòng)基線校正和Savitzky-Goaly多項(xiàng)式9點(diǎn)平滑法處理，并通過特征向量和主成分?jǐn)?shù)的選取建立摻假物的PLS定量分析模型，例如將尿素和葡萄糖最佳模型分別在光譜區(qū)域 900-150001^+1655-17000^1 和 900-150001^+2850-29900^1 進(jìn)行自動(dòng)基線校正和Savitzky-Goaly多項(xiàng)式9點(diǎn)平滑法處理，主成分?jǐn)?shù)分別為7、6得到。尿素和葡萄糖模型的預(yù)測值和實(shí)測值的R2分別為0.945,0.942，預(yù)測效果良好。這些都說明了利用中紅外光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)方法是對牛奶摻假進(jìn)行定性識別、定量分析的有效途徑，同時(shí)也為牛奶中其它摻假物的檢測提供了借鑒。
[0038]上述特征峰值是通過如下方法確定的:
[0039]建模的過程主要是通過對紅外光譜圖吸收信號的分析并結(jié)合模型的效果來確定建模的波數(shù)區(qū)域。由于牛奶中含大量的水，水有很強(qiáng)的中紅外信號，會(huì)對其他組分的信號產(chǎn)生影響，不利于模型的建立，因此首先考慮將水的相應(yīng)吸收區(qū)域去除，同時(shí)譜圖中還常常包含空氣中二氧化碳的信號，它不是樣品本身所含有的，所以也應(yīng)該將其去除。
[0040]在此基礎(chǔ)上分析牛奶中主要成分以及摻假物質(zhì)的信號區(qū)域，選取相應(yīng)的波數(shù)區(qū)域作為初步建模的特征向量，通過不斷地建模，再依據(jù)所建模型的效果進(jìn)行逐步優(yōu)化，最后確定最佳的建模光譜區(qū)域。自動(dòng)基線校正和其他數(shù)據(jù)處理都是對原始光譜(全譜)進(jìn)行處理的。最佳主成分?jǐn)?shù)是在建模時(shí)根據(jù)模型的效果即RMSECV、RMSEC、R2值的大小來選擇，從而使得選擇的主成分?jǐn)?shù)建立的模型效果最優(yōu)。
[0041 ] D、SIMCA識別模型的檢驗(yàn)
[0042]在上述兩個(gè)光譜區(qū)域內(nèi)，利用變量的模型內(nèi)貢獻(xiàn)率、預(yù)測樣品與模型間距離、模型對預(yù)測樣品的識別率和拒絕率對該SIMCA識別模型進(jìn)行評價(jià)和檢驗(yàn)；
[0043]E、摻假牛奶PLS回歸分析模型的建立
[0044]通過光譜數(shù)據(jù)處理、特征波長選取、主成分?jǐn)?shù)選取進(jìn)行摻尿素和葡萄糖牛奶的PLS回歸分析，建立摻假牛奶定量分析模型；通過模型的預(yù)測值和實(shí)測值間的相關(guān)性對所建模型的預(yù)測能力進(jìn)行評價(jià)，確定所建的模型具有良好的預(yù)測能力，能夠用于牛奶中摻尿素和葡萄糖定量分析。
[0045]在尿素和葡萄糖PLS回歸模型中，尿素的R2是0.954，RMSECV是0.012，葡萄糖的R2 是 0.954，RMSECV 是 0.014。
[0046]本申請的方法先通過SMCA定性識別模型的建立對摻假牛奶進(jìn)行定性分析，確定是否摻假及為何種摻假物，再通過PLS模型建立對摻假牛奶進(jìn)行進(jìn)一步精確分析，確定具體摻假物含量。
[0047]本發(fā)明建立的模型對尿素和葡萄糖兩種摻假物的識別下限值為以g/mL計(jì)0.01%。
[0048]本發(fā)明紅外光譜識別方法對尿素和葡萄糖兩種摻假物的識別率是95%以上。
[0049][有益效果]
[0050]本發(fā)明的有益效果是:按照本發(fā)明的技術(shù)方案，當(dāng)尿素和葡萄糖等摻假物質(zhì)濃度為0.10%-1.00%時(shí)，該方法建立的識別模型對尿素和葡萄糖摻假物的識別率均為100%。當(dāng)摻假物濃度為0.01%-0.10%時(shí)，最佳模型對三類牛奶的識別率和拒絕率均大于82%，效果良好。同時(shí)，對于尿素和葡萄糖等摻假物質(zhì)而言，模型的預(yù)測值和實(shí)測值的相關(guān)性良好，所建的模型具有良好的預(yù)測能力，能夠用于牛奶中摻雜多種物質(zhì)的定量分析。
【【專利附圖】

【附圖說明】】
[0051]圖1是葡萄糖和尿素的紅外光譜圖；
[0052]圖2是摻假牛奶的紅外光譜圖；
[0053]圖3是不同濃度范圍牛奶的PCA得分圖；
[0054]圖4是模型優(yōu)化后PCA分布圖；
[0055]圖5是SIMCA模型中特征向量的模型內(nèi)貢獻(xiàn)率；
[0056]圖6是預(yù)測集樣品的Si vs Hi ；
[0057]圖7是摻尿素和葡萄糖模型的RMSE-PCs ；
[0058]圖8是模型預(yù)測值和實(shí)測值相關(guān)性。
【【具體實(shí)施方式】】
[0059]實(shí)施例1:
[0060](1)摻假樣品的制備
[0061]分別稱取尿素和葡萄糖2.50mg~25.0Omg,每隔2.50mg取樣；25.0Omg~250.0Omg,每隔25.0Omg取樣，分別定容于25mL容量瓶中，制備得到0.01~0.10%(w/v)、
0.10~1.00%(w/v)兩個(gè)濃度范圍的摻尿素和葡萄糖摻假樣品。得到的摻假樣品在采集紅外光譜前放置于2-4°C冰箱中保存。
[0062]表1: 二種樣品/[目息
【權(quán)利要求】
1.一種摻假牛奶的紅外光譜識別及定量方法，其特征在于該方法包括如下步驟: A、摻假牛奶樣品的制備 分別按照下述方式稱取系列尿素和葡萄糖樣品:0.25mg~2.50mg范圍內(nèi)稱量間隔為0.25mg、2.50mg~25.0Omg范圍內(nèi)稱量間隔為2.50mg、25.0Omg~250.0Omg范圍內(nèi)稱量間隔為25.0Omg，然后分別將它們?nèi)苡?5mL牛奶中，制備得到濃度以g/mL計(jì)0.001~0.01%、0.01~0.10%與0.10~1.00%的系列摻假牛奶樣品； B、紅外光譜采集 將步驟A得到的摻假牛奶樣品在溫度18~22°C水浴鍋中保持0.4~0.6h，取ImL摻假牛奶樣品放入紅外光譜儀的樣品槽內(nèi)，以空氣為背景，在環(huán)境溫度18~22°C下，在波數(shù)范圍4000~650CHT1內(nèi)以分辨率4CHT1掃描32次，采集紅外光譜圖，重復(fù)采集5次，其平均紅外光譜圖作為該樣品的紅外光譜圖； C、建立摻假牛奶SMCA識別模型的建立 對尿素和葡萄糖兩種摻假物與所述摻假牛奶樣品紅外光譜圖的分析，初步選取兩個(gè)光譜區(qū)域900-1700( ^1和2850-2990(^1作為建模特征向量；經(jīng)過基線校正和Savitzky-Goaly多項(xiàng)式9點(diǎn)平滑處理,采用交互驗(yàn)證法對純牛奶、摻尿素牛奶和摻葡萄糖牛奶樣品進(jìn)行PCA分析，得到前三個(gè)主成分的三維得分圖； D、SIMCA識別模型的檢驗(yàn) 在上述兩個(gè)光譜區(qū)域內(nèi)，利用變量的模型內(nèi)貢獻(xiàn)率、預(yù)測樣品與模型間距離、模型對預(yù)測樣品的識別率和拒絕率對該SIMCA識別模型進(jìn)行評價(jià)和檢驗(yàn)； E、摻假牛奶PLS回歸分析模型的建立 通過光譜數(shù)據(jù)處理、特征波長選取、主成分?jǐn)?shù)選取進(jìn)行摻尿素和葡萄糖牛奶的PLS回歸分析，建立摻假牛奶定量分析模型；通過模型的預(yù)測值和實(shí)測值間的相關(guān)性對所建模型的預(yù)測能力進(jìn)行評價(jià)，確定所建的模型具有良好的預(yù)測能力，能夠用于牛奶中摻尿素和葡萄糖定量分析。
2.根據(jù)權(quán)利要求1所述的摻假牛奶紅外光譜識別方法，其特征在于在尿素和葡萄糖PLS回歸模型中，尿素定量模型的R2是0.954，RMSECV是0.012，葡萄糖定量模型的R2是0.954，RMSECV 是0.014。
3.根據(jù)權(quán)利要求1所述的摻假牛奶紅外光譜識別方法，其特征在于所述紅外光譜識別方法的識別下限即摻假物濃度為以g/mL計(jì)0.01 %。
4.根據(jù)權(quán)利要求4所述的摻假牛奶紅外光譜識別方法，其特征在于所述紅外光譜識別方法的識別率是95%以上。
【文檔編號】G01N21/3577GK103543123SQ201310465123
【公開日】2014年1月29日 申請日期:2013年10月8日 優(yōu)先權(quán)日:2013年10月8日
【發(fā)明者】顧小紅, 穆海波, 趙建新, 殷秀秀, 胡博 申請人:江南大學(xué)