一种掺假牛奶的红外光谱识别方法
【专利摘要】本发明涉及一种掺假牛奶的红外光谱检测方法。该方法以纯牛奶为研究对象，分别如尿素和葡萄糖，利用ATR-FTIR技术采集样品的红外光谱图，通过建立SIMCA和PLS模型对掺假物进行定性识别和定量分析。根据本发明，尿素和葡萄糖掺假物质浓度为0.10～1.00%时，该方法对尿素和葡萄糖掺假物的识别率均为100%。当掺假物浓度为0.01～0.10%时，最佳模型对牛奶与掺尿素和葡萄糖牛奶的识别率和拒绝率均大于82%，效果良好。对于尿素和葡萄糖掺假物质，模型预测值和实测值的相关性良好，所建的模型具有良好的预测能力，能够用于牛奶中掺杂多种物质的定量分析。
【专利说明】一种掺假牛奶的红外光谱识别方法
【【技术领域】】
[0001]本发明涉及自动化检测技术，特别是涉及掺假牛奶的红外光谱检测方法。
【【背景技术】】
[0002]近年来我国乳制品掺假事件频发，严重扰乱了乳品市场秩序，常规的单一掺假物检测方法已经不能满足层出不穷的掺假物质检测要求。作为牛奶内部成分检测的国标方法主要是化学法，但是这种分析方法耗时较长，成本较高，因此后来针对该缺陷提出了中红外光谱法、近红外光谱分析法和超声波分析法来检测牛奶成分。超声波分析法能够一次性检测出来牛奶中的多种组分，但是该方法重复性较差，检测精度也不高。近红外光谱分析方法无法避免牛奶成分的背景干扰，测量精确度不高。CN 101769866A公开了一种牛奶成分的检测装置 和方法，其中记载了利用超声波和近红外光谱分析技术来检测牛奶中的成分，该方法虽然能够快速准确的检测牛奶中的成分，但是该方法的缺点在于不能够精确的检测出来牛奶中特定组分的含量，因此不适用于掺假牛奶的鉴别检验。
[0003]CN 101929951B公开了一种牛奶中掺羊奶的近红外光谱辨别方法，该方法使用近红外光谱辨别方法来对牛奶中掺羊奶先进行定性判定后，还进行定量判定，该方法虽然能够定量检测出牛奶中掺羊奶的情况，但是仅当掺假成分的重量百分比大于或等于5%时，才能够实现一定的检测精度。
[0004]针对现有技术的上述缺陷，本发明掺假牛奶红外光谱识别方法利用ATR-FTIR技术结合SIMCA模式识别方法建立掺假奶识别模型，对掺假物进行定性识别，并确定模型可识别的掺假检测限。利用PLS回归方法建立掺假物定量分析模型，进一步对掺假物含量进行精确分析，为实现乳制品快速掺假识别提供一条有效的途径。
【
【发明内容】
】
[0005][要解决的技术问题]
[0006]本发明的目的是提供一种掺假牛奶红外光谱识别方法。
[0007][技术方案]
[0008]本发明是通过下述技术方案实现的。
[0009]本发明涉及一种掺假牛奶的红外光谱识别方法。
[0010]该红外光谱识别方法包括如下步骤:
[0011]A、掺假牛奶样品的制备
[0012]分别按照下述方式称取系列尿素和葡萄糖样品:0.25mg~2.50mg范围内称量间隔为0.25mg、2.50mg~25.0Omg范围内称量间隔为2.50mg、25.0Omg~250.0Omg范围内称量间隔为25.0Omg，然后分别将它们溶于25mL牛奶中，制备得到浓度以g/mL计0.001~0.01%,0.01~0.10%与0.10~1.00%的系列掺假牛奶样品；
[0013]B、红外光谱采集
[0014]将步骤A得到的掺假牛奶样品在温度18~22°C水浴锅中保持0.4~0.6h，取ImL掺假牛奶样品放入红外光谱仪的样品槽内，以空气为背景，在环境温度18~22°C下，在波数范围4000~650CHT1内以分辨率4CHT1扫描32次，采集红外光谱图，重复采集5次，其平均红外光谱图作为该样品的红外光谱图；
[0015]C、掺假牛奶SMCA识别模型的建立
[0016]对尿素和葡萄糖两种掺假物与所述掺假牛奶样品红外光谱图的分析，初步选取两个光谱区域900-1700(^1和2850-2990(^1作为建模特征向量；经过基线校正和Savitzky-Goaly多项式9点平滑处理,采用交互验证法对纯牛奶、掺尿素牛奶和掺葡萄糖牛奶样品进行PCA分析，得到前三个主成分的三维得分图；[0017]D、SIMCA识别模型的检验
[0018]在上述两个光谱区域内，利用变量的模型内贡献率、预测样品与模型间距离、模型对预测样品的识别率和拒绝率对该SIMCA识别模型进行评价和检验；
[0019]E、掺假牛奶PLS回归分析模型的建立
[0020]通过光谱数据处理、特征波长选取、主成分数选取进行掺尿素和葡萄糖牛奶的PLS回归分析，建立掺假牛奶定量分析模型；通过模型的预测值和实测值间的相关性对所建模型的预测能力进行评价，确定所建的模型具有良好的预测能力，能够用于牛奶中掺尿素和葡萄糖定量分析。
[0021]根据本发明的一种优选实施方式，在尿素和葡萄糖PLS回归模型中，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]根据本发明的一种优选实施方式，所述红外光谱识别方法的识别下限即掺假物浓度为以g/mL计0.01 %。
[0023]根据本发明的一种优选实施方式，所述红外光谱识别方法的识别率是95%以上。
[0024]下面将更详细地描述本发明。
[0025]本发明的掺假牛奶红外光谱识别方法利用ATR-FTIR技术结合SMCA(softindependent modeling of glass analogy)模式识别方法建立掺假牛奶识别模型,对掺假物进行定性识别并确定模型可识别的掺假检测限。利用PLS回归方法建立掺假物定量分析模型，进一步对掺假物含量进行精确分析。
[0026]本发明涉及一种掺假牛奶的红外光谱识别方法。
[0027]该红外光谱识别方法包括如下步骤:
[0028]A、掺假牛奶样品的制备
[0029]分别按照下述方式称取系列尿素和葡萄糖样品:0.25mg~2.50mg范围内称量间隔为0.25mg、2.50mg~25.0Omg范围内称量间隔为2.50mg、25.0Omg~250.0Omg范围内称量间隔为25.0Omg，然后分别将它们溶于25mL牛奶中，制备得到浓度以g/mL计0.001~
0.01%、0.01~0.10%与0.10~1.00%的系列掺假牛奶样品；
[0030]以纯牛奶为研究对象，分别掺入不同浓度的单独成分的杂质，例如尿素和葡萄糖，利用ATR-FTIR技术采集样品的红外光谱图，通过建立SMCA和PLS模型对掺假物进行定性识别和定量分析。
[0031]B、红外光谱采集
[0032]将步骤A得到的掺假牛奶样品在温度18~22°C水浴锅中保持0.4~0.6h，取ImL掺假牛奶样品放入红外光谱仪的样品槽内，以空气为背景，在环境温度18~22°C下，在波数范围4000~650CHT1内以分辨率4CHT1扫描32次，采集红外光谱图，重复采集5次，其平均红外光谱图作为该样品的红外光谱图。
[0033]本发明使用的红外光谱仪是目前市场上销售的产品，也是现有实验室通常使用的仪器设备。所述的红外光谱图是采用常规方法采集的。
[0034]C、掺假牛奶SMCA识别模型的建立
[0035]对尿素和葡萄糖两种掺假物与所述掺假牛奶样品红外光谱图的分析，初步选取两个光谱区域900-1700(^1和2850-2990(^1作为建模特征向量；经过基线校正和Savitzky-Goaly多项式9点平滑处理,采用交互验证法对纯牛奶、掺尿素牛奶和掺葡萄糖牛奶样品进行PCA(principal component analysis)分析,得到前三个主成分的三维得分图；
[0036]通过光谱数据的预处理，特征波长区域和主成分数选择优化的建模数据。特征波长区域的选择是通过对掺假牛奶和掺假物红外光谱图的分析并结合所建模型的效果确定的，例如以900-160001^+1655-170001^+2850-29900^1为特征向量，通过自动基线校正和Savitzky-Goaly多项式9点平滑处理，采用交互验证法对样品进行PCA分析并建立SMCA模型。其中模型对掺假物的可识别检测限为0.01%,在5%显著性水平下，模型对预测集样品的识别率和拒绝率均大于87%，效果良好。
[0037]将原始光谱区域进行自动基线校正和Savitzky-Goaly多项式9点平滑法处理，并通过特征向量和主成分数的选取建立掺假物的PLS定量分析模型，例如将尿素和葡萄糖最佳模型分别在光谱区域 900-150001^+1655-17000^1 和 900-150001^+2850-29900^1 进行自动基线校正和Savitzky-Goaly多项式9点平滑法处理，主成分数分别为7、6得到。尿素和葡萄糖模型的预测值和实测值的R2分别为0.945,0.942，预测效果良好。这些都说明了利用中红外光谱技术结合化学计量学方法是对牛奶掺假进行定性识别、定量分析的有效途径，同时也为牛奶中其它掺假物的检测提供了借鉴。
[0038]上述特征峰值是通过如下方法确定的:
[0039]建模的过程主要是通过对红外光谱图吸收信号的分析并结合模型的效果来确定建模的波数区域。由于牛奶中含大量的水，水有很强的中红外信号，会对其他组分的信号产生影响，不利于模型的建立，因此首先考虑将水的相应吸收区域去除，同时谱图中还常常包含空气中二氧化碳的信号，它不是样品本身所含有的，所以也应该将其去除。
[0040]在此基础上分析牛奶中主要成分以及掺假物质的信号区域，选取相应的波数区域作为初步建模的特征向量，通过不断地建模，再依据所建模型的效果进行逐步优化，最后确定最佳的建模光谱区域。自动基线校正和其他数据处理都是对原始光谱(全谱)进行处理的。最佳主成分数是在建模时根据模型的效果即RMSECV、RMSEC、R2值的大小来选择，从而使得选择的主成分数建立的模型效果最优。
[0041 ] D、SIMCA识别模型的检验
[0042]在上述两个光谱区域内，利用变量的模型内贡献率、预测样品与模型间距离、模型对预测样品的识别率和拒绝率对该SIMCA识别模型进行评价和检验；
[0043]E、掺假牛奶PLS回归分析模型的建立
[0044]通过光谱数据处理、特征波长选取、主成分数选取进行掺尿素和葡萄糖牛奶的PLS回归分析，建立掺假牛奶定量分析模型；通过模型的预测值和实测值间的相关性对所建模型的预测能力进行评价，确定所建的模型具有良好的预测能力，能够用于牛奶中掺尿素和葡萄糖定量分析。
[0045]在尿素和葡萄糖PLS回归模型中，尿素的R2是0.954，RMSECV是0.012，葡萄糖的R2 是 0.954，RMSECV 是 0.014。
[0046]本申请的方法先通过SMCA定性识别模型的建立对掺假牛奶进行定性分析，确定是否掺假及为何种掺假物，再通过PLS模型建立对掺假牛奶进行进一步精确分析，确定具体掺假物含量。
[0047]本发明建立的模型对尿素和葡萄糖两种掺假物的识别下限值为以g/mL计0.01%。
[0048]本发明红外光谱识别方法对尿素和葡萄糖两种掺假物的识别率是95%以上。
[0049][有益效果]
[0050]本发明的有益效果是:按照本发明的技术方案，当尿素和葡萄糖等掺假物质浓度为0.10%-1.00%时，该方法建立的识别模型对尿素和葡萄糖掺假物的识别率均为100%。当掺假物浓度为0.01%-0.10%时，最佳模型对三类牛奶的识别率和拒绝率均大于82%，效果良好。同时，对于尿素和葡萄糖等掺假物质而言，模型的预测值和实测值的相关性良好，所建的模型具有良好的预测能力，能够用于牛奶中掺杂多种物质的定量分析。
【【专利附图】
【附图说明】】
[0051]图1是葡萄糖和尿素的红外光谱图；
[0052]图2是掺假牛奶的红外光谱图；
[0053]图3是不同浓度范围牛奶的PCA得分图；
[0054]图4是模型优化后PCA分布图；
[0055]图5是SIMCA模型中特征向量的模型内贡献率；
[0056]图6是预测集样品的Si vs Hi ；
[0057]图7是掺尿素和葡萄糖模型的RMSE-PCs ；
[0058]图8是模型预测值和实测值相关性。
【【具体实施方式】】
[0059]实施例1:
[0060](1)掺假样品的制备
[0061]分别称取尿素和葡萄糖2.50mg~25.0Omg,每隔2.50mg取样；25.0Omg~250.0Omg,每隔25.0Omg取样，分别定容于25mL容量瓶中，制备得到0.01~0.10%(w/v)、
0.10~1.00%(w/v)两个浓度范围的掺尿素和葡萄糖掺假样品。得到的掺假样品在采集红外光谱前放置于2-4°C冰箱中保存。
[0062]表1: 二种样品/[目息
【权利要求】
1.一种掺假牛奶的红外光谱识别及定量方法，其特征在于该方法包括如下步骤: A、掺假牛奶样品的制备 分别按照下述方式称取系列尿素和葡萄糖样品:0.25mg~2.50mg范围内称量间隔为0.25mg、2.50mg~25.0Omg范围内称量间隔为2.50mg、25.0Omg~250.0Omg范围内称量间隔为25.0Omg，然后分别将它们溶于25mL牛奶中，制备得到浓度以g/mL计0.001~0.01%、0.01~0.10%与0.10~1.00%的系列掺假牛奶样品； B、红外光谱采集 将步骤A得到的掺假牛奶样品在温度18~22°C水浴锅中保持0.4~0.6h，取ImL掺假牛奶样品放入红外光谱仪的样品槽内，以空气为背景，在环境温度18~22°C下，在波数范围4000~650CHT1内以分辨率4CHT1扫描32次，采集红外光谱图，重复采集5次，其平均红外光谱图作为该样品的红外光谱图； C、建立掺假牛奶SMCA识别模型的建立 对尿素和葡萄糖两种掺假物与所述掺假牛奶样品红外光谱图的分析，初步选取两个光谱区域900-1700( ^1和2850-2990(^1作为建模特征向量；经过基线校正和Savitzky-Goaly多项式9点平滑处理,采用交互验证法对纯牛奶、掺尿素牛奶和掺葡萄糖牛奶样品进行PCA分析，得到前三个主成分的三维得分图； D、SIMCA识别模型的检验 在上述两个光谱区域内，利用变量的模型内贡献率、预测样品与模型间距离、模型对预测样品的识别率和拒绝率对该SIMCA识别模型进行评价和检验； E、掺假牛奶PLS回归分析模型的建立 通过光谱数据处理、特征波长选取、主成分数选取进行掺尿素和葡萄糖牛奶的PLS回归分析，建立掺假牛奶定量分析模型；通过模型的预测值和实测值间的相关性对所建模型的预测能力进行评价，确定所建的模型具有良好的预测能力，能够用于牛奶中掺尿素和葡萄糖定量分析。
2.根据权利要求1所述的掺假牛奶红外光谱识别方法，其特征在于在尿素和葡萄糖PLS回归模型中，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.根据权利要求1所述的掺假牛奶红外光谱识别方法，其特征在于所述红外光谱识别方法的识别下限即掺假物浓度为以g/mL计0.01 %。
4.根据权利要求4所述的掺假牛奶红外光谱识别方法，其特征在于所述红外光谱识别方法的识别率是95%以上。
【文档编号】G01N21/3577GK103543123SQ201310465123
【公开日】2014年1月29日 申请日期:2013年10月8日 优先权日:2013年10月8日
【发明者】顾小红, 穆海波, 赵建新, 殷秀秀, 胡博 申请人:江南大学