采用近红外光谱技术,结合主成分分析方法,研究区分6种植物油脂的测定方法.用不同品种和不同产地的油料制备植物油,其中32种大豆、34种花生、28种菜籽和12种棉籽,采集不同厂家生产的20种棕榈油和12种米糠油样品.测定6种植物油脂138个样品的近红外透射光谱.以植物油脂的光谱信息作变量,应用NIRCal5.2软件进行光谱预处理及主成分分析,随机取2/3的样品作定标集,1/3作验证集,选取负荷量差别较大的7 个主成分进行得分比较.结果显示,138个样品被识别为相互独立的6组,分类精度1O0%,验证准确率100%.
河南工业大学学报(自然科学版)Journal of Henan University of Technology (Natural Science Edition)Vol.29,No.5Oct.2008第29卷第5期2008年10月 第5期李娟等:近红外光谱法主成分分析6种植物油脂的研究19 文章编号:1673-2383(2008)05-0018-04 近红外光谱法主成分分析6种植物油脂的研究 李 娟,范 璐*1,邓德文2,周展明3,吴存荣',唐怀建 (1.河南工业大学化学化工学院,河南郑州450001; 2.瑞士步琪实验室仪器公司司中国市场部,上海200030;3.河南工业大学粮油食品学院,河南郑州450001) 摘要:采用近红外光谱技术,结合主成分分析方法,研究区分6种植物油脂的测定方法.用不同品种和不同产地的油料制备植物油,其中32种大豆、34种花生、28种菜籽和12种棉籽,采集不同厂家生产的20种棕榈油和12种米糠油样品.测定6种植物油脂138个样品的近红外透射光谱.以植物油脂的光谱信息作变量,应用NIRCal5.2软件进行光谱预处理及主成分分析,随机取2/3的样品作定标集,1/3作验证集,选取负荷量差别较大的7个主成分进行得分比较.结果显示,138个样品被识别为相互独立的6组,分类精度100%,验证准确率100%. 关键词:近红外光谱;主成分分析;植物油脂 中图分类号:TS225.1 文献标识码:B 0 前言 近红外光谱技术是近年来发展很快的一种快速检测技术,利用有机化合物在800~2500 nm波长范围内的特征吸收,分析测定物质的组成及其组分含量,具有快速、高效、无损、无污染、无需前处理、可在线检测及多组分同时测定等优点,在农业、食品、医药、化工、石油等领域获得空前的发展. 目前,油脂调和油的出现使植物油脂的识别研究越来越迫切,但仍没有合适的鉴别与定量方法.油脂结构中的—CH,一和一C=C一对近红外光谱中的合频信息有较大贡献,而一CH,一和一C三C一的数量变化是不同种类油脂中的脂肪酸主要差异,即碳链长度和不饱和度差异构成油脂的组成不同.近红外光谱在油脂识别方面,国外有相关的报道. Hong2等将红外光谱信息结合化学计量学方法对食用油脂进行了判别分析.XiaoruWang等用衰减全反射中红外光谱、光纤漫反射 ( 收稿日期:2008-05-22 ) ( 基金项目:河南工业大学专项基金项目(07XJC001) ) ( 作者简介:李娟(1982-),女,河南新乡人,硕士研究生,主要研究方向为食品分析. ) ( *通讯作者 ) 近红外光谱结合统计学方法分析了掺有豆油的山茶油,表明这两种方法能用于识别山茶油和掺杂有豆油的山茶油. Ernst Lankmayr4)等综合了紫外一可见光谱、近红外光谱和傅立叶变换红外光谱的特征信息,结合化学计量学方法对南瓜籽油进行了归类. 近红外光谱中的倍频和合频削弱了近红外光谱的特征性,简单的数据处理无法解决光谱之间差异小的问题,需要结合主成分分析等化学计量学方法进行数据处理.主成分分析是多元统计中的一种数据压缩技术,在不丢失主要光谱信息的前提下选择为数较少的新变量来代替原来较多的变量,解决了由于谱带的重叠而无法分析的困难5.因此,作者采用近红外光谱对油料品种各异的花生油、大豆油、棉籽油、菜籽油、米糠油以及棕榈油等6种植物油脂进行主成分分析. 材料与方法 1.1 仪器与试剂 NIRFlex N-500 型近红外光谱仪:瑞士步琪公司;2mm的石英玻璃样品池;超声波振荡仪:上海声彦超声波仪器有限公司;NIRCal5.2数据处理软件. 1.2 样品及制备 收集不同品种的大豆32种、花生34种、菜籽28种和棉籽12种,依照GB/T14488.1一93油料种籽含油量测定法提取植物油.20种棕榈油和12种米糠油样品取自不同的油脂公司. 1.3 实验方法 1.3.1 测定方法 近红外透射光谱仪的测定条件:仪器预热稳定后,将样品加入液体样品池,40C预热2 min,扫描范围4000~10 000 cm,分辨率8cm',扫描次数16. 1.3.2 数据处理方法 用NIRCal-5.2软件处理数据.首先选择处理方法为CLU(聚类分析),采用求导等数学方法对光谱进行预处理.运用主成分分析法,确定第一主成分 PC1 和第二主成分 PC2,然后对光谱进行数据标准化处理和微分计算,去除对聚类分析贡献小的因素.138个样品中随机取2/3作定标集,1/3作验证集.选择定性方法,用 NIRCal-5.2软件进行计算,即得到定标与验证的结果. 2 结果与讨论 2.1 NIR 光谱图的归属 NIR 光谱中含有很多的交叠的键吸收峰.光谱范围4500~4800cm是顺式双键的—C-H伸缩振动组合频,此范围的峰强度随着总的不饱和度的增加而增加;在5500~6 000 cm光谱范围的吸收峰是由油脂中的CH,,—CH, 和一CH=CH一官能团的一C一H伸缩振动的第一组合频产生的;在7100~7400 cm'光谱范围是由油脂中的一CH,和一CH,官能团的—C一H伸缩振动的二级倍频产生的;在8000~9 000cm 光谱范围是由油脂中的—CH,,-CH, 和一CH=CH一官能团的—C—H的伸缩振动的第二组合频产生的.不同油脂所包含的一CH,和一CH=CH一吸收基团的不同,产生不同的交叠吸收峰,从而对识别不同的油脂产生了大的影响.而所有的脂肪酸中均含有一个一CH, ,因此一CH,吸收基团对识别不同的油脂影响很小.图1是6种植物油的近红外透射光谱图.由于各种油脂的结构非常相似,谱图中的吸收峰重叠在一起,用常规方法6种油脂之间无法区分,尝试借助于主成分分析法等化学计量学手段对其进行处理. 图1 6种植物油脂的 NIR 光谱图 2.2 NIR 光谱数据的预处理 近红外光谱往往包含一些与待测样品性质无关的因素,如样品的状态、光的散射、杂散光及仪器响应等的影响,导致近红外光谱的基线飘移和光谱的不重复.因此对原始光谱进行预处理是非常必要的.一般的预处理方法有平滑、扣减、微分、归一化和标准化等.在本试验中先对原始数据进行ncl标准化处理(Normalization by Closure *),然后采用微分法进行一阶求导.预处理后的谱图如图2所示.经过处理的谱图特征性更加清晰,其中以5600~5 800 cm和4400~4800 cm两个光谱范围的吸收最为明显,即卜C=C一和一C一H键的伸缩振动第一组合频最明显,这也反映了油脂脂肪酸的特征结构—C=C一基团. 图2 6种植物油脂近红外光谱预处理谱图 经过光谱预处理,各个样品的光谱之间的特性差异显现出来,可通过属性残差来观察聚类的效果.属性残差是原始特性和预计特性之间的差异.如果残差全部为零,则表示所有的光谱图被正确的聚类;残差为+1,表示一个光谱图没有被聚类,即没有被识别;残差为-1,表示一个光谱图被错误的聚类,即识别错误.经过数学方法处理,定标集和验证集共138个样品的属性残差为0,因此定标集和验证集的错误识别与没有被识别的样品数都为0,即全部被准确聚类与识别.由此可见,其分类精度为100%,且验证准确度为100%.在分类的过程中,各种油脂光谱特性的一致性参数为0.043,干涉性参数为1.034,油脂光谱的特性一致性和干涉性越小越好,说明了每个油脂种类的样品谱图都分布集中,且各个类别之间的独 立性强,但是由于不同种类油脂之间的性质差异很小,因此互相之间有一定的干涉性,所以特性干涉性参数高于1. 2.3 主成分分析方法 主成分分析方法是聚类分析的手段之一.在NIRCal5.2软件中,聚类分析通过运用主成分分析对不同的油脂进行分析,从而得到较好的聚类范围.以菜籽油、大豆油、花生油、米糠油、棉籽油和棕榈油等6种植物油脂的光谱信息为变量,采用主成分分析法计算,选取负荷量差别较大的几个主成分可反映原变量的信息,使得原来多维空间的大部分信息可由几个主成分组成的低维(二 维或三维)空间表现出来.样品种类经主成分分析处理得到各变量在15个主成分中的负荷量.主要主成分用于定标中改造谱图和测定谱图残差,主成分1~7的各变量得分值差异较大,而主成分8~15的各变量得分差异非常小,不利于聚类分析,因此主要主成分选择7.主要主成分选的越多,定标中所允许的残差越小;次要主成分选择1或2,用于将不同的物质分开以及求出样品点的区域半径.聚类是根据次要主成分的选择而定的,而次要主成分在主要主成分中选取,选择的原则是能显示物质的清楚分离以及主成分的得分有好的重复性. 表1 各变量(油脂的光谱信息)在各主成分中的负荷量 变量(油脂的光谱信息) 主成分 1 2 3 4 5 6 7 菜籽油( rapeseed oil) 0.0143 0.168 -0.0522 0.0083 -0.0506 0.0305 0.00299 米糠油(ricebran oil) 0.0138 -0.117 -0.224 0.130 -0.0734 -0.127 -0.0546 棉籽油(cottonseed oil) -0.057 2 -0.112 0.018 0 -0.0940 0.119 -0.0140 0.0162 棕榈油(palm oil) 0.209 -0.0806 0.072 0 -0.0534 -0.053 1 0.0203 -0.0186 大豆油(soybean oil) -0.134 -0.0409 0.0555 -0.035 8 -0.0745 0.025 7 -0.0107 花生油(peanut oil) 0.00710 0.0296 0.0522 0.0718 0.121 -0.0176 0.045 8 变量在主成分中得分的绝对值越大就表明其特征性越显著.表1数据显示,菜籽油在主成分2上得分最高,大豆油和棕榈油在主成分1上的得分较高,花生油和棉籽油在主成分5上的得分最高,米糠油在主成分3上得分最高.从主成分得分可以看出,不同的变量在7个主成分上的得分都都不同程度的差异,这些差异将不同的变量区分开,从而使每一个变量之间相互独立.通过相互比较发现,主成分1与主成分2结合并加以计算可以将6个变量全部分开,由主成分1和主成分2构成的二维图如图3所示.图中的横坐标表示主成分1的得分值,纵坐标表示主成分2的得分值.138个植物油样品明显地聚类为互相独立的6组,分别代表菜籽油、棕榈油、大豆油、花生油、棉籽油和米糠油.因为这6类油脂在主成分1或主成分2上的得分值都有较大的差异,说明6类植物油在这两个主成分中的信息负荷量有明显的差异,因此可以完全分开.由主成分1、主成分2和主成分3构成的三维图如图4所示. 图3也是聚类的二维图图中各个样品所占的区域的半径就是公差半径,公差半径也决定于次要主成分的选择.公差半径是通过标准化距离计算而来的.NIRCal5.2软件包中被标准化的距离是马氏距离(The Mahalanobis distance).马氏距离在这里虚拟一个被标准化的得分即将原始得分 的平方和归一化,同时导致了主成分的拉伸或浓缩.将半径计算出来叠加到一起就得到了图3中的聚类图.如果一个样品的谱图落在了任一个半径内,就可以将此样品归入其所属的类中. 图3 6种植物油脂主成分分析图 PC1 图4 6种植物油脂主成分分析三维图 3 结论 采用近红外技术结合主成分分析方法对138个植物油脂样品进行分析检测,得到100%的分类精度和验证准确度.因此,用近红外光谱对不同的植物油脂进行聚类分析有一定的可行性.由于对原始数据进行预处理时,用不同的数学方法会产生不同的结果,合适的数据处理方法是解决问题的关键.由于植物油脂的多样性,组成的相似性和复杂性,还需要增加植物油脂品种以及探索更好的数据处理方法,进一步深入地研究. ( 参考文献: ) ( 陆婉珍.现代近红外光谱分析技术[M].北 京:中国石化出版社,2007:200-203. ) ( 12] Hong Y,Joseph I, Manish M P. Discriminantanalysis of edible oils and fats by FTIR,FT-NIR and FT-Raman s pectroscopy[J]. Food ) ( Chem, 2005,93:25-32. ) ( [3] Li Wang, Frank S C Lee, Xiaoru Wang, etal. Feasibility study o f quantifying a n d dis-crimination soybean o il adulteration in camel-lia oils by attenuated total reflectance MIRand fiber optic diffuse reflectanc e NIR [ J ] . Food Chem, 2006,95:526-536. ) ( 4 Ernst Lankmayr,Jan Mocak.. C hemometrical classification of pumpkin seed oil s usin g UV-Vis, NIR a nd FTIR spectra [J]. J BiochemBiophys Methods, 2004,61:95-106. ) ( [51 任玉林,邴春亭,逯家辉,等.近红外漫反射光谱的主成分分析[J].光谱学与光谱分 析,1996,16(6):31-35. ) ( 61 Hourant P, B aeten V , Morales M T,et al.Oil and fat classification by selected b ands ofnear-infrared spectroscopy [J1. AppliedSpectroscopy, 2000,54:1168-1174. ) PRINCIPAL COMPONENT ANALYSIS OF 6 KINDS OF VEGETABLE OILSAND FATS BY NEAR INFRARED SPECTROSCOPY LI Juan', FAN Lu*', DEMG De-wen’, ZHOU Zhan-ming’, WU Cun-rong’, TANG Huai-jian’ (1. College of Chemistry&Chemi-engineering, Henan University of Technology, Zhengzhou 450001, China; 2. Chinese marketing department of BUCHI Labortechnik AG, Shanghai 200030, China;3. School of Food Science and Technology, Henan University of Technology, Zhengzhou 450001,China) Abstract:An analytical procedure was developed to discriminate and analysis 138 vegetable oils using near-in-frared (NIR) spectroscopy and method of multivariate analysis that was principal component analysis (PCA).In the samples, 34 peanut oil, 32 soybean oil, 12 cottonseed oil and 28 rapeseed oil were extracted fromseeds, which were from different catalog and growing areas. 12 rice bran oil and 20 palm oil came from differ-ent oil plants. PCA and spectra pretreated using the cluster technique of NIRCal5.2 was able to classify thesamples as pure oil and fat based on their transmission spectra. The spectra information as variance was usedin the processing of spectra pretreated. PCA using 7 principal components was able to classify the sampleswhich 2/3 of samples were selected for calibration, the others for validation. The results show that the classifi-cation accuracy and validation accuracy were yielded about 100%. It means that all the samples were completeclustered in six distinct groups in the principal component analytical plot. Therefore, the NIR/PCA methodcould be used for discriminate different vegetable oils and fats. Key words: near infrared spectroscopy; principal component analysis; vegetable oil and fat
还剩2页未读,是否继续阅读?
瑞士步琦有限公司 BUCHI Labortechnik AG为您提供《植物油脂中主成分分析检测方案(近红外光谱仪)》,该方案主要用于食用植物油中理化分析检测,参考标准--,《植物油脂中主成分分析检测方案(近红外光谱仪)》用到的仪器有BUCHI 步琦 近红外光谱仪 N-500