一種摻假牛奶的紅外光譜識別方法

2023-12-11 17:45:17 2

一種摻假牛奶的紅外光譜識別方法
【專利摘要】本發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技術採集樣品的紅外光譜圖，通過建立SIMCA和PLS模型對摻假物進行定性識別和定量分析。根據本發明，尿素和葡萄糖摻假物質濃度為0.10～1.00%時，該方法對尿素和葡萄糖摻假物的識別率均為100%。當摻假物濃度為0.01～0.10%時，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於82%，效果良好。對於尿素和葡萄糖摻假物質，模型預測值和實測值的相關性良好，所建的模型具有良好的預測能力，能夠用於牛奶中摻雜多種物質的定量分析。
【專利說明】一種摻假牛奶的紅外光譜識別方法
【【技術領域】】
[0001]本發明涉及自動化檢測技術，特別是涉及摻假牛奶的紅外光譜檢測方法。
【【背景技術】】
[0002]近年來我國乳製品摻假事件頻發，嚴重擾亂了乳品市場秩序，常規的單一摻假物檢測方法已經不能滿足層出不窮的摻假物質檢測要求。作為牛奶內部成分檢測的國標方法主要是化學法，但是這種分析方法耗時較長，成本較高，因此後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，但是該方法重複性較差，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幹擾，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來檢測牛奶中的成分，該方法雖然能夠快速準確的檢測牛奶中的成分，但是該方法的缺點在於不能夠精確的檢測出來牛奶中特定組分的含量，因此不適用於摻假牛奶的鑑別檢驗。
[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行定性判定後，還進行定量判定，該方法雖然能夠定量檢測出牛奶中摻羊奶的情況，但是僅當摻假成分的重量百分比大於或等於5%時，才能夠實現一定的檢測精度。
[0004]針對現有技術的上述缺陷，本發明摻假牛奶紅外光譜識別方法利用ATR-FTIR技術結合SIMCA模式識別方法建立摻假奶識別模型，對摻假物進行定性識別，並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，進一步對摻假物含量進行精確分析，為實現乳製品快速摻假識別提供一條有效的途徑。
【
【發明內容】
】
[0005][要解決的技術問題]
[0006]本發明的目的是提供一種摻假牛奶紅外光譜識別方法。
[0007][技術方案]
[0008]本發明是通過下述技術方案實現的。
[0009]本發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、摻假牛奶樣品的製備
[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範圍內稱量間隔為0.25mg、2.50mg~25.0Omg範圍內稱量間隔為2.50mg、25.0Omg~250.0Omg範圍內稱量間隔為25.0Omg，然後分別將它們溶於25mL牛奶中，製備得到濃度以g/mL計0.001~0.01%,0.01~0.10%與0.10~1.00%的系列摻假牛奶樣品；
[0013]B、紅外光譜採集
[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，以空氣為背景，在環境溫度18~22°C下，在波數範圍4000~650CHT1內以解析度4CHT1掃描32次，採集紅外光譜圖，重複採集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，初步選取兩個光譜區域900-1700(^1和2850-2990(^1作為建模特徵向量；經過基線校正和Savitzky-Goaly多項式9點平滑處理,採用交互驗證法對純牛奶、摻尿素牛奶和摻葡萄糖牛奶樣品進行PCA分析，得到前三個主成分的三維得分圖；[0017]D、SIMCA識別模型的檢驗
[0018]在上述兩個光譜區域內，利用變量的模型內貢獻率、預測樣品與模型間距離、模型對預測樣品的識別率和拒絕率對該SIMCA識別模型進行評價和檢驗；
[0019]E、摻假牛奶PLS回歸分析模型的建立
[0020]通過光譜數據處理、特徵波長選取、主成分數選取進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；通過模型的預測值和實測值間的相關性對所建模型的預測能力進行評價，確定所建的模型具有良好的預測能力，能夠用於牛奶中摻尿素和葡萄糖定量分析。
[0021]根據本發明的一種優選實施方式，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]根據本發明的一種優選實施方式，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0.01 %。
[0023]根據本發明的一種優選實施方式，所述紅外光譜識別方法的識別率是95%以上。
[0024]下面將更詳細地描述本發明。
[0025]本發明的摻假牛奶紅外光譜識別方法利用ATR-FTIR技術結合SMCA(softindependent modeling of glass analogy)模式識別方法建立摻假牛奶識別模型,對摻假物進行定性識別並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，進一步對摻假物含量進行精確分析。
[0026]本發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、摻假牛奶樣品的製備
[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範圍內稱量間隔為0.25mg、2.50mg~25.0Omg範圍內稱量間隔為2.50mg、25.0Omg~250.0Omg範圍內稱量間隔為25.0Omg，然後分別將它們溶於25mL牛奶中，製備得到濃度以g/mL計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成分的雜質，例如尿素和葡萄糖，利用ATR-FTIR技術採集樣品的紅外光譜圖，通過建立SMCA和PLS模型對摻假物進行定性識別和定量分析。
[0031]B、紅外光譜採集
[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，以空氣為背景，在環境溫度18~22°C下，在波數範圍4000~650CHT1內以解析度4CHT1掃描32次，採集紅外光譜圖，重複採集5次，其平均紅外光譜圖作為該樣品的紅外光譜圖。
[0033]本發明使用的紅外光譜儀是目前市場上銷售的產品，也是現有實驗室通常使用的儀器設備。所述的紅外光譜圖是採用常規方法採集的。
[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，初步選取兩個光譜區域900-1700(^1和2850-2990(^1作為建模特徵向量；經過基線校正和Savitzky-Goaly多項式9點平滑處理,採用交互驗證法對純牛奶、摻尿素牛奶和摻葡萄糖牛奶樣品進行PCA(principal component analysis)分析,得到前三個主成分的三維得分圖；
[0036]通過光譜數據的預處理，特徵波長區域和主成分數選擇優化的建模數據。特徵波長區域的選擇是通過對摻假牛奶和摻假物紅外光譜圖的分析並結合所建模型的效果確定的，例如以900-160001^+1655-170001^+2850-29900^1為特徵向量，通過自動基線校正和Savitzky-Goaly多項式9點平滑處理，採用交互驗證法對樣品進行PCA分析並建立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，模型對預測集樣品的識別率和拒絕率均大於87%，效果良好。
[0037]將原始光譜區域進行自動基線校正和Savitzky-Goaly多項式9點平滑法處理，並通過特徵向量和主成分數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域 900-150001^+1655-17000^1 和 900-150001^+2850-29900^1 進行自動基線校正和Savitzky-Goaly多項式9點平滑法處理，主成分數分別為7、6得到。尿素和葡萄糖模型的預測值和實測值的R2分別為0.945,0.942，預測效果良好。這些都說明了利用中紅外光譜技術結合化學計量學方法是對牛奶摻假進行定性識別、定量分析的有效途徑，同時也為牛奶中其它摻假物的檢測提供了借鑑。
[0038]上述特徵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並結合模型的效果來確定建模的波數區域。由於牛奶中含大量的水，水有很強的中紅外信號，會對其他組分的信號產生影響，不利於模型的建立，因此首先考慮將水的相應吸收區域去除，同時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，所以也應該將其去除。
[0040]在此基礎上分析牛奶中主要成分以及摻假物質的信號區域，選取相應的波數區域作為初步建模的特徵向量，通過不斷地建模，再依據所建模型的效果進行逐步優化，最後確定最佳的建模光譜區域。自動基線校正和其他數據處理都是對原始光譜(全譜)進行處理的。最佳主成分數是在建模時根據模型的效果即RMSECV、RMSEC、R2值的大小來選擇，從而使得選擇的主成分數建立的模型效果最優。
[0041 ] D、SIMCA識別模型的檢驗
[0042]在上述兩個光譜區域內，利用變量的模型內貢獻率、預測樣品與模型間距離、模型對預測樣品的識別率和拒絕率對該SIMCA識別模型進行評價和檢驗；
[0043]E、摻假牛奶PLS回歸分析模型的建立
[0044]通過光譜數據處理、特徵波長選取、主成分數選取進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；通過模型的預測值和實測值間的相關性對所建模型的預測能力進行評價，確定所建的模型具有良好的預測能力，能夠用於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行進一步精確分析，確定具體摻假物含量。
[0047]本發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0.01%。
[0048]本發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]本發明的有益效果是:按照本發明的技術方案，當尿素和葡萄糖等摻假物質濃度為0.10%-1.00%時，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%。當摻假物濃度為0.01%-0.10%時，最佳模型對三類牛奶的識別率和拒絕率均大於82%，效果良好。同時，對於尿素和葡萄糖等摻假物質而言，模型的預測值和實測值的相關性良好，所建的模型具有良好的預測能力，能夠用於牛奶中摻雜多種物質的定量分析。
【【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是不同濃度範圍牛奶的PCA得分圖；
[0054]圖4是模型優化後PCA分布圖；
[0055]圖5是SIMCA模型中特徵向量的模型內貢獻率；
[0056]圖6是預測集樣品的Si vs Hi ；
[0057]圖7是摻尿素和葡萄糖模型的RMSE-PCs ；
[0058]圖8是模型預測值和實測值相關性。
【【具體實施方式】】
[0059]實施例1:
[0060](1)摻假樣品的製備
[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，分別定容於25mL容量瓶中，製備得到0.01~0.10%(w/v)、
0.10~1.00%(w/v)兩個濃度範圍的摻尿素和葡萄糖摻假樣品。得到的摻假樣品在採集紅外光譜前放置於2-4°C冰箱中保存。
[0062]表1: 二種樣品/[目息
【權利要求】
1.一種摻假牛奶的紅外光譜識別及定量方法，其特徵在於該方法包括如下步驟: A、摻假牛奶樣品的製備 分別按照下述方式稱取系列尿素和葡萄糖樣品:0.25mg~2.50mg範圍內稱量間隔為0.25mg、2.50mg~25.0Omg範圍內稱量間隔為2.50mg、25.0Omg~250.0Omg範圍內稱量間隔為25.0Omg，然後分別將它們溶於25mL牛奶中，製備得到濃度以g/mL計0.001~0.01%、0.01~0.10%與0.10~1.00%的系列摻假牛奶樣品； B、紅外光譜採集 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，以空氣為背景，在環境溫度18~22°C下，在波數範圍4000~650CHT1內以解析度4CHT1掃描32次，採集紅外光譜圖，重複採集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，初步選取兩個光譜區域900-1700( ^1和2850-2990(^1作為建模特徵向量；經過基線校正和Savitzky-Goaly多項式9點平滑處理,採用交互驗證法對純牛奶、摻尿素牛奶和摻葡萄糖牛奶樣品進行PCA分析，得到前三個主成分的三維得分圖； D、SIMCA識別模型的檢驗 在上述兩個光譜區域內，利用變量的模型內貢獻率、預測樣品與模型間距離、模型對預測樣品的識別率和拒絕率對該SIMCA識別模型進行評價和檢驗； E、摻假牛奶PLS回歸分析模型的建立 通過光譜數據處理、特徵波長選取、主成分數選取進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；通過模型的預測值和實測值間的相關性對所建模型的預測能力進行評價，確定所建的模型具有良好的預測能力，能夠用於牛奶中摻尿素和葡萄糖定量分析。
2.根據權利要求1所述的摻假牛奶紅外光譜識別方法，其特徵在於在尿素和葡萄糖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.根據權利要求1所述的摻假牛奶紅外光譜識別方法，其特徵在於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0.01 %。
4.根據權利要求4所述的摻假牛奶紅外光譜識別方法，其特徵在於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 優先權日:2013年10月8日
【發明者】顧小紅, 穆海波, 趙建新, 殷秀秀, 胡博 申請人:江南大學