山茶油是从油茶树种子中榨取所得,是我国特有的木本植物油脂,其脂肪酸组成与橄榄油相似,被誉为“东方橄榄油”[1]。它含有丰富的不饱和脂肪酸以及天然抗氧化剂,如角鲨烯、植物淄醇、脂溶性维生素、皂苷等物质,能起到降低甘油三酯、胆固醇从而预防心脏病、高血压等作用[2]。茶油因其高品质和高营养价值的特性,成为中国特有的高端食用植物油。一些不法商贩为牟取利益,在茶油中掺入其他食用油以次充好,其中最常用于掺伪的廉价食用油为大豆油,其次为玉米油[3]。目前,传统的感官检测以及气相色谱法[4-5]、液相色谱法[6-7]和核磁共振波谱法[8-9]等检测食用油掺伪的方法存在检测程序繁琐、检测时间长以及具有破坏性等一系列弊端。

近些年,光谱检测技术因其具有简便、无损、现场快速检测等优点,被广泛应用于食用油的检测分析[10]。例如,拉曼光谱是一种以拉曼散射效应为基础的光谱技术,可以通过提供待测物质的官能团信息来判断其种类。通过采集样本的光谱数据,并结合化学计量学、机器学习方法建模,达到预测未知样本成分的目的。

DU等[11]通过近红外光谱与偏最小二乘法(partial least squares,PLS)对茶油掺伪玉米油、菜籽油和葵花籽油进行掺伪分析,模型决定系数R2均高于0.995,预测均方根误差(root mean square error of prediction,RMSEP)均低于4.98,表明偏最小二乘回归可以有效用于茶油的掺伪检测。BARROS等[12]利用拉曼光谱仪定量检测橄榄油中大豆油的掺伪含量,并对比发现区间偏最小二乘法所建立模型效果相较于偏最小二乘法更佳。莫欣欣等[13]针对总掺伪为1%～50%的茶油的三元掺伪检测进行研究,基于最小二乘支持向量机(least squares-support vector machine,LS-SVM)的最优模型相关系数Rp及预测均方根误差RMSEP分别为0.963～0.993及1.5%～2.1%。昝佳睿等[14]在利用高光谱技术实现对红茶茶多酚含量快速检测时,引入粒子群算法优化(particle swarm optimization,PSO)最小二乘支持向量机,结果证明该模型效果优于最小二乘回归等其他模型,引入优化算法提高了模型的预测精度。

目前,茶油掺伪检测在光谱技术方面已有一些研究,但其掺伪检测研究远不如橄榄油成熟。大部分掺伪研究集中在二元体系,即只掺伪一种食用油。然而,近些年一些不法商家开始采用不同比例组合的掺伪油来规避检测,这种多样性的掺伪油组合比例导致掺伪检测难度增加。

本研究的主要目的是在拉曼光谱与变量筛选算法的基础上,通过比较不同的谱图预处理、建模方法及不同优化算法组合所建立模型的优劣,寻找出最佳掺伪检测方法,实现对植物油三元体系掺伪的快速定量检测。

1 材料与方法

1.1 试验材料

金龙鱼大豆油、长寿花玉米油以及4种不同品牌、不同产地的纯茶油(纳福汇有机山茶油、金浩纯茶籽油、千岁好有机山茶油、得尔乐山茶油均符合GB/T 11765—2018),均购于京东超市。试验期间,所有样品均在保质期内。

将大豆油及玉米油按比例掺入纯茶油中,获取掺伪茶油样本。掺伪样本的总掺伪为1%～90%(体积分数,下同),分为低、中、高浓度掺伪。当总掺伪浓度为1%～10%时,大豆油和玉米油掺伪浓度梯度为2.5%;总掺伪浓度为10%～40%时,浓度梯度为5%;掺伪浓度为40%～90%时,浓度梯度为10%,共获得49个掺伪样本。样品配制好后通过离心振荡10 min,室温避光条件下静置6 h,以消除气泡的影响。

1.2 仪器参数与光谱数据的获取

采用便携式拉曼光谱分析仪(北京鉴知技术有限公司)采集掺伪茶油的拉曼光谱过程中,仪器具体参数如下:激光功率设置为100 mW,积分时间设置为3 000 ms,扫描次数设置为8次,间隔时间为1 s。便携式拉曼光谱仪采集的拉曼光谱为110～1 880 cm-1,激发波长为1 064 nm,光谱分辨率8 cm-1,每份样品采集3次拉曼光谱并取平均光谱进行分析,按照4∶1比率随机分配为校正集和预测集。所有数据均通过PyCharm2023.2.1进行处理与分析。

1.3 研究方法

基于拉曼光谱的茶油掺伪检测主要包括:拉曼光谱采集、光谱预处理、特征波段选取、选择定量建模方法等步骤,具体流程如图1所示。

1.4 建模方法及算法原理

1.4.1 偏最小二乘回归

偏最小二乘回归是一种基于主成分分析和多元线性回归构建数学模型的方法,旨在寻找光谱信息与食用油掺伪浓度之间的线性数学关系。其所建立模型能从海量光谱数据中有效探寻不同光谱波段的信息,从而达到量化掺伪浓度的目的。

1.4.2 支持向量机参数优化

支持向量机是一种基于统计学理论的机器学习方法,通过对有限样本信息的学习,拟合出输入变量和输出变量之间的数学模型。相比于其他方法,SVM在小样本和非线性模式识别中具有一定优势[15],它对数据的拟合效果较好,具有很好的泛化能力,在回归预测方面有较高的准确率。但其模型性能表现主要依赖于模型的参数配置,通过参数优化提高不同数据集在模型上的性能表现,从而获得更好的结果。

网格搜索是一种参数寻优手段,将搜索参数划分成网格,通过遍历网格中的所有参数组合来寻找最优参数。当参数的搜索范围足够大且间距足够小时,网格搜索能找到全局最优解。

粒子群算法优化属于启发式算法。该算法通过设计粒子来模拟鸟群捕食行为,将种群中个体的觅食类比为搜索过程中用较优可行解取代较差可行解的寻优迭代过程[16]。相较于其他算法,粒子群算法不必遍历所有参数组合,而是通过设计粒子的行为模式来实现参数优化,具有进化时间短、寻优精度高等优点。图2为粒子群算法优化支持向量机的具体流程。

1.5 模型评估指标

本研究采用决定系数(R2)均方根误差(root mean square error,RMSE)作为茶油掺伪检测模型的评估指标。决定系数R2用于评价样本的真实值与预测值的关联性。决定系数R2越趋近于1,代表模型效果越好,其真实值与预测值的关联性就越强。

均方根误差RMSE是所建模型的真实值与预测值间的偏差。其数值与所建模型的优劣有较大的关联,均方根误差数值越趋近于于0,代表所建立模型预测效果越好,即预测值就越接近于真实值。R2和RMSE的基本定义式如公式(1)和公式(2)所示:

(1)

(2)

式中:N代表样本个数;yi代表待测样品的真实值;代表待测样品的预测值;代表yi的平均值。

2 结果与分析

2.1 谱图结果分析

植物油的主要成分为脂肪酸和甘油三酯,不同种类食用油的区别主要体现在不饱和脂肪酸含量上,对应拉曼谱图中的不同特征峰强度。图3为纯茶油及掺入大豆油与玉米油的掺伪茶油的初始光谱。由图3可见,不同拉曼位移处的特征峰对应食用油中的不同官能团,主要集中在800～1 800 cm-1,而光谱初始和末尾波段几乎不含特征峰。与同体积的纯茶油相比,随着大豆油和玉米油在掺伪茶油中所占比例增加,不饱和脂肪酸含量降低,对应图中不同拉曼特征峰的相对强度上升。

从局部放大图可以观察到,不同掺伪浓度的混合样品具有相似的峰型,谱图区别较小。若根据初始谱图直接判断是否掺伪具有一定难度,为了达到区分浓度的目的,需要结合化学计量学和机器学习建立对应回归模型。掺有不同比例的大豆油、玉米油引起的光谱图强度差异,可作为后续定量建模分析的依据。

2.2 谱图预处理

在使用拉曼光谱仪采集样品光谱数据时,光谱采集易受到样品本身物理性质、仪器本身噪音以及环境因素等影响。为了消除这些因素引起的光谱变异,并提取出光谱中的隐藏信息,在分析光谱数据前需要进行适当的光谱预处理。

本文采用一阶微分、二阶微分、标准正态变换(standard normal variate,SNV)以及多元散射校正(multiplicative scatter correction,MSC)4种预处理方法。一阶微分和二阶微分能有效消除基线和其他背景的干扰,提高光谱分辨率。标准正态变换和多元散射校正能消除由于颗粒分布不均及颗粒大小不同所产生的散射对光谱的影响[17]。图4展示了经过一阶微分、二阶微分、MSC、SNV 4种预处理后的光谱图。通过光谱预处理,可以更好凸显样品中的特征信息,为后续光谱分析提供更可靠的基础。

2.3 特征波段选取

竞争性自适应重加权(competitive adaptive reweighted sampling,CARS)是一种基于迭代统计信息的变量选择算法,结合了蒙特卡洛采样与PLS模型回归系数。该算法通过自适应加权采样,保留PLS模型中回归系数绝对值权重较大的点,去除权值较小的点,形成一个新的子集,再基于新的子集建立PLS模型,经过多次迭代计算,选择PLS模型中交互验证均方根误差(root mean square error of cross validation,RMSECV)最小的子集中的波长作为特征波长[18]。

图5为CARS算法筛选原始谱图特征光谱波段过程,采用十折交叉验证,最大迭代次数为51次。由图5可知,随着迭代次数的增加,特征波段数量呈现先急降后缓降趋势,表现出CARS算法提取特征波长从粗选到细选的过程;RMSECV值整体呈现先变小后变大的趋势,其原因为迭代前期无关变量的剔除会增加模型精度,迭代后期随着部分有效信息被剔除,模型精度又下降。当迭代次数为22次时,RMSECV值最小,此时对应为最佳筛选波段,波段数量由原来256个减少为29个,CARS算法保证了去除冗余光谱信息的同时提高了数据的可靠性。

2.4 校正模型的建立与预测

在不同光谱预处理和特征波段选取方法的条件下,即大豆油、玉米油、茶油在原始谱图及一阶微分、二阶微分、MSC、SNV的预处理条件下,采用CARS算法进行特征波段选取后,分别采用偏最小二乘回归、网格搜索及粒子群2种不同类型的算法优化的支持向量机建立混合油样本中大豆油、玉米油及茶油的掺伪预测模型,并比较3种建模方法所建立的模型的优劣。表1是PLS、GS-SVM及PSO-SVM方法建立的掺伪检测模型的评价指标。

由表1可以看出,采用拉曼光谱检测技术结合PLS或SVM实现对茶油掺伪大豆油、玉米油定量预测结果均较好。在4种不同的预处理方法中,MSC和SNV对预测精度均有一定的提升,其原因可能是MSC、SNV方法能有效消除散射影响,增强了光谱的信噪比;一阶微分、二阶微分对预测精度既有提升也有下降,其原因可能是在消除基线漂移、提高光谱分辨率的同时,光谱图的变形增加了噪声对光谱数据的干扰。通过比较3种建模方法所建立预测模型,可以发现3种建模方法均有较高的预测精度,但经过网格搜索法和粒子群算法优化后,SVM的性能略优于PLS。在实际运行过程中,3种建模方法有其各自的优劣。PLS能通过矩阵快速找到掺伪浓度与光谱信息之间的相关性;GS-SVM能遍历所有参数组合以达到较高精度,但其受参数空间大小影响从而计算成本较高;PSO-SVM不受参数空间影响,能通过全局搜索找到更复杂的组合,但算法逻辑较为复杂。

通过对预测集的评估发现,在大豆油定量预测中,预测集精度最高为SNV-PSO-SVM模型,其预测集决定系数R2最高为0.998 6,预测集RMSEP为2.73%。对于玉米油,SNV-GS-SVM模型展现出最佳效果,预测集决定系数R2最高为0.999 4,预测集RMSEP为1.62%。而在茶油的定量预测中,SNV-PSO-SVM模型效果最佳,R2为0.999 9,RMSEP为0.40%。

大豆油、玉米油、茶油在最佳预处理方法下3种模型的预测结果如图6所示,3种模型的预测结果均展现出较高精度。样本点分布在图中y=x的直线附近,即预测值接近真实值,这表明模型具有较高的预测精度。大豆油、玉米油、茶油的最优预测模型在校正集和预测集上的决定系数R2接近1,同时RMSE很小,这说明预测效果较好。

结合拉曼光谱法的便捷、快速、可现场检测的优点,大豆油、玉米油和茶油的最佳预测模型具有较高的实际应用价值,可以推广到实践中。

3 结论

利用便携式拉曼光谱仪结合偏最小二乘回归和支持向量机对茶油中掺入大豆油和玉米油的三元体系掺伪进行了定量检测研究,并从不同预处理方法、建模方法及优化算法角度对掺伪预测模型进行了优化。研究结果表明,大豆油、玉米油及茶油最优的预处理方法均为SNV,而基于算法优化的支持向量机模型效果优于偏最小二乘回归。大豆油、玉米油和茶油的最优预测模型分别为PSO-SVM、GS-SVM、PSO-SVM,其预测集决定系数R2分别0.998 6、0.999 4、0.999 9,预测均方根误差RMSEP分别为2.73%、1.62%、0.40%。通过对不同预处理方法、建模方法及优化算法的优劣比较,探寻出了最优的模型组合,具有较高的预测精度,可适用于茶油的三元体系掺伪的快速无损定量检测。

参考文献

[1] 陈燕, 张笑, 邱思慧, 等. 茶油掺伪检测技术研究进展[J]. 中国粮油学报, 2023, 38(4):159-169.CHEN Y, ZHANG X, QIU S H, et al. Progress in detection methods of camellia oil adulteration[J]. Journal of the Chinese Cereals and Oils Association, 2023, 38(4):159-169.

[2] WANG X Q, ZENG Q M, VERARDO V, et al. Fatty acid and sterol composition of tea seed oils: Their comparison by the “FancyTiles” approach[J]. Food Chemistry, 2017, 233:302-310.

[3] SHI T, WU G C, JIN Q Z, et al. Camellia oil authentication: A comparative analysis and recent analytical techniques developed for its assessment. A review[J]. Trends in Food Science &Technology, 2020, 97:88-99.

[4] PAN F G, YANG E Q, CHEN X M, et al. Identification of adulterated evening primrose oil based on GC-MS and FT-IR combined with chemometrics[J]. European Journal of Lipid Science and Technology, 2022,124(10):2200066.

[5] TROYA F, LERMA-GARCA M J, HERRERO-MARTNEZ J M, et al. Classification of vegetable oils according to their botanical origin using n-alkane profiles established by GC-MS[J]. Food Chemistry, 2015, 167:36-39.

[6] ZHAO X, MA F, LI P W, et al. Simultaneous determination of isoflavones and resveratrols for adulteration detection of soybean and peanut oils by mixed-mode SPE LC-MS/MS[J]. Food Chemistry, 2015, 176:465-471.

[7] CRIADO-NAVARRO I, MENA-BRAVO A, CALDERN-SANTIAGO M, et al. Determination of glycerophospholipids in vegetable edible oils: Proof of concept to discriminate olive oil categories[J]. Food Chemistry, 2019, 299:125136.

[8] TRUZZI E, MARCHETTI L, BENVENUTI S, et al. Novel strategy for the recognition of adulterant vegetable oils in essential oils commonly used in food industries by applying 13C NMR spectroscopy[J]. Journal of Agricultural and Food Chemistry, 2021, 69(29):8276-8286.

[9] ANCORA D, MILAVEC J, A, et al. Sensitivity of proton NMR relaxation and proton NMR diffusion measurements to olive oil adulterations with vegetable oils[J]. Journal of Agricultural and Food Chemistry, 2021, 69(41):12081-12088.

[10] ZHANG X L, YANG J, LIN T, et al. Food and agro-product quality evaluation based on spectroscopy and deep learning: A review[J]. Trends in Food Science &Technology, 2021, 112:431-441.

[11] DU Q W, ZHU M T, SHI T, et al. Adulteration detection of corn oil, rapeseed oil and sunflower oil in Camellia oil by in situ diffuse reflectance near-infrared spectroscopy and chemometrics[J]. Food Control, 2021, 121:107577.

[12] BARROS I H A S, PAIXO L S, NASCIMENTO M H C, et al. Use of portable Raman spectroscopy in the quality control of extra virgin olive oil and adulterated compound oils[J]. Vibrational Spectroscopy, 2021, 116:103299.

[13] 莫欣欣, 周莹, 孙通, 等. 可见/近红外光谱的油茶籽油三元体系掺假检测模型优化[J]. 光谱学与光谱分析, 2016, 36(12):3881-3884.MO X X, ZHOU Y, SUN T, et al. Model optimization of ternary system adulteration detection in camellia oil based on visible/near infrared spectroscopy[J]. Spectroscopy and Spectral Analysis, 2016, 36(12):3881-3884.

[14] 昝佳睿, 刘翠玲, 凌彩金, 等. 基于高光谱技术的红茶茶多酚可视化研究[J]. 食品安全质量检测学报, 2023, 14(5):37-44.ZAN J R, LIU C L, LING C J, et al. Study on visualization of black tea polyphenols based on hyperspectral technology[J]. Journal of Food Safety &Quality, 2023, 14(5):37-44.

[15] 王健峰, 张磊, 陈国兴, 等. 基于改进的网格搜索法的SVM参数优化[J]. 应用科技, 2012, 39(3):28-31.WANG J F, ZHANG L, CHEN G X, et al. A parameter optimization method for an SVM based on improved grid search algorithm[J]. Applied Science and Technology, 2012, 39(3):28-31.

[16] 李素, 袁志高, 王聪, 等. 群智能算法优化支持向量机参数综述[J]. 智能系统学报, 2018, 13(1):70-84.LI S, YUAN Z G, WANG C, et al. Optimization of support vector machine parameters based on group intelligence algorithm[J]. CAAI Transactions on Intelligent Systems, 2018, 13(1):70-84.

[17] 第五鹏瑶, 卞希慧, 王姿方, 等. 光谱预处理方法选择研究[J]. 光谱学与光谱分析, 2019, 39(9):2800-2806.DIWU P Y, BIAN X H, WANG Z F, et al. Study on the selection of spectral preprocessing methods[J]. Spectroscopy and Spectral Analysis, 2019, 39(9):2800-2806.

[18] 刘爽, 于海业, 朴兆佳, 等. 基于高光谱技术反演大豆生理信息的特征波长提取方法研究[J]. 光谱学与光谱分析, 2020, 40(11):3542-3548.LIU S, YU H Y, PIAO Z J, et al. Study on extracting characteristic wavelength of soybean physiological information based on hyperspectral technique[J]. Spectroscopy and Spectral Analysis, 2020, 40(11):3542-3548.

Raman spectroscopy detection of camellia oil adulteration in ternary system

GUO Jia1, GUO Yucong2, JIANG Hong3, LI Kaikai1*

1(College of Investigation, People’s Public Security University of China, Beijing 102600, China)2(Beijing National Research Center for Molecular Sciences, Institute of Chemistry, Chinese Academy of Sciences, Beijing 100190, China)3(Criminal Investigation Department, Gansu Police Vocational College, Lanzhou 730046, China)

ABSTRACT Camellia oil is often adulterated with other cheap cooking oils in the market.Raman spectroscopy was employed to quantitatively detect adulteration in the ternary system of camellia oil.The optimal multivariate adulteration detection model for soybean oil, corn oil, and camellia oil was determined by comparing the advantages and disadvantages of different preprocessing methods, modelling methods, and optimization algorithms.To eliminate the effect of external factors on the spectrum, four preprocessing methods were employed, including first-order differentiation, second-order differentiation, multiple scattering correction, and standard normal variation.The competitive adaptive reweighted sampling algorithm was employed to extract the characteristic spectral bands.The adulteration detection model for camellia oil was developed using partial least squares regression and support vector machine regression.The support vector machine was optimized using both grid search and particle swarm optimization algorithms.Among the preprocessing methods, the models based on standard normal variation yielded the most favorable outcomes.The particle swarm optimization-support vector machine (PSO-SVM) model proved to be highly effective in predicting soybean oil and camellia oil, while the grid search-support vector machine (GS-SVM) model demonstrated superior performance in predicting corn oil.The predicted coefficient of determination (R2) and the predicted root mean square error (RMSEP) for soybean oil, corn oil, and camellia oil were 0.998 6, 0.999 4, and 0.999 9, and 2.73%, 1.62%, and 0.40%, respectively.The study presented an optimal multivariate model for detecting adulteration in soybean oil, corn oil, and camellia oil.The support vector machine model, based on Raman spectral analysis and optimization algorithms, provides a valuable reference for non-destructive and rapid quantitative detection of camellia oil adulteration in the market.

Key words camellia oil; Raman spectroscopy; adulteration detection; partial least squares regression; particle swarm optimization; support vector machine

DOI：10.13995/j.cnki.11-1802/ts.038948

引用格式：郭佳,郭郁葱,姜红,等.拉曼光谱对茶油三元体系掺伪检测研究[J].食品与发酵工业,2024,50(22):327-333.GUO Jia,GUO Yucong,JIANG Hong, et al.Raman spectroscopy detection of camellia oil adulteration in ternary system[J].Food and Fermentation Industries,2024,50(22):327-333.

第一作者：本科生(李开开副教授为通信作者,E-mail:zlkk77@163.com)

基金项目：国家自然科学基金(22203104,42175133);中国人民公安大学刑事科学技术双一流创新研究专项(2023SYL06)

收稿日期：2024-02-23,改回日期:2024-04-23