基于近紅外光譜的橄欖油品質鑒別方法研究

劉國海，韓蔚強，江 輝

江蘇大學電氣信息工程學院，江蘇 鎮江 212013

基于近紅外光譜的橄欖油品質鑒別方法研究

劉國海，韓蔚強，江 輝

江蘇大學電氣信息工程學院，江蘇 鎮江 212013

目前市面上銷售的橄欖油主要分為特級初榨橄欖油和普通初榨橄欖油兩類，為了鑒別兩種不同品質的橄欖油，提出了一種應用siPLS-IRIV-PCA算法的橄欖油品質鑒別的新方法?；陂蠙煊偷慕t外光譜數據，應用聯合區間偏最小二乘法(siPLS)對橄欖油的近紅外光譜進行了波長區間優選，使用交叉驗證均方根誤差(RMSECV)評估模型的性能并選擇最優波長區間，通過迭代保留信息變量(IRIV)算法從最優波長區間中選擇特征波長，根據選擇的特征波長構建主成分分析(PCA)模型。對90組特級初榨橄欖油和90組普通橄欖油樣本進行了判別鑒定。PCA將1 427個波長變量作為輸入變量，前兩個主成分貢獻率為51.891 8%和26.473 2%；siPLS-PCA將408個波長變量作為輸入變量，前兩個主成分貢獻率為56.039 1%和36.235 5%；siPLS-IRIV-PCA將6個波長變量作為輸入變量，前兩個主成分貢獻率為66.347 6%和32.304 3%。結果表明，與PCA和siPLS-PCA鑒別方法相比，siPLS-IRIV-PCA具有最佳的鑒別性能。

近紅外光譜；橄欖油；聯合區間偏最小二乘法；迭代保留信息變量；主成分分析

引 言

橄欖油是由新鮮的油橄欖果實直接冷榨而成的，不經加熱和化學處理，保留了天然營養成分。

目前市面上銷售的橄欖油主要分為特級初榨橄欖油和普通橄欖油兩類。一些學者基于近紅外光譜運用一些方法對橄欖油做了一些研究[1-2]。文獻[1]在采集的光譜數據上用判別分析對橄欖油進行了品質鑒別；有研究在采集的光譜數據上建立高斯混合模型對橄欖油進行了品質鑒別。文獻[2]在采集的光譜數據上選擇特征波長，在特征波長上建立LDA和SIMCA模型對橄欖油進行了品質鑒別。

運用siPLS[3-6]對橄欖油的近紅外光譜進行了波長區間優選，然后通過IRIV再次對波長區間優選出特征波長，接著利用PCA對90組特級初榨橄欖油和90組普通橄欖油進行了分類。

1 實驗部分

1.1 樣品制備

歐麗薇蘭特級初榨橄欖油、歐麗薇蘭普通橄欖油，均購于超市。

取特級初榨橄欖油90份樣本，取普通橄欖油90份樣本，每份樣本均為0.8 mL。

1.2 近紅外光譜采集與光譜預處理

取上述樣品0.8 mL于比色皿，用ANTARIS Ⅱ近紅外光譜儀進行光譜采集，掃描范圍4 000～10 000 cm-1，分辨率4 cm-1，每個樣品重復測定3次后取平均值。實驗溫度26°，特級初榨橄欖油與普通橄欖油原始光譜如圖1。由于樣品光譜曲線在尾部有較大噪聲, 選10 001.03～4 501.041cm-1波段的光譜用于分析，一共1 427個波長變量。選用的光譜需要進行光譜預處理來消除噪聲，采用標準正態變量校正(SNV)預處理方法。去除尾部噪聲并SNV預處理后的光譜圖如圖2所示。

圖1 原始光譜

圖2 去除尾部噪聲并SNV預處理后的光譜圖

1.3 IRIV方法

迭代保留信息變量(IRIV)方法[7]由云永歡、王為婷等人提出。光譜數據矩陣中樣本數為行，波長變量數為列。設置一個判別變量，1～90位設為1，代表特級初榨橄欖油；91～180位設為2，代表普通橄欖油。運用偏最小二乘法作為IRIV的多元校正方法，其中特級初榨橄欖油樣本前72個樣本作為訓練集，后18個樣本作為驗證集；普通橄欖油前72個樣本作為訓練集，后18個樣本作為驗證集。IRIV方法流程圖如圖3。

圖3 IRIV方法流程圖

1.4 軟件

所有的算法都是在Window7 64位系統下用MATLAB7.0實現。ANTARIS Ⅱ近紅外光譜儀進行光譜數據采集。一些常用的算法是由N?rgaard L等[8-9]開發。

2 結果與討論

2.1 siPLS模型建立

光譜預處理后運用siPLS進行波長區間優選。同樣設置一個判別變量，1～90位設為1，代表特級初榨橄欖油；91～180位設為2，代表普通橄欖油。采用交叉驗證均方根誤差(RMSECV)評估模型的性能并選擇最優波長區間。最優波長區間如圖4所示。表1為光譜區間數10～25對應的siPLS模型RMSECV值。我們選擇7 251.035～6 861.484，6 464.22～6 074.67，5 283.999～4 501.041 cm-1波長區間，一共408個波長變量。

圖4 siPLS選擇最優波長區間

表1 波長區間對應RMSECV值(10～25)

2.2 PCA鑒別模型建立

近紅外光譜儀采集的光譜去除尾部噪聲后，將10 001.03～4 501.041 cm-1波段的光譜預處理后作為PCA的輸入變量。

結合圖5與表2可知，主成分1和主成分2累計貢獻率為78.365%，選擇了1 427個波長變量，特級初榨橄欖油樣本和普通橄欖油樣本重疊嚴重，樣本點分布松散，聚集度不高。由此可知，將1 427個波長變量全部作為輸入變量，不僅加大了計算量，而且很難區分兩種橄欖油樣本。

圖5 主成分得分圖

2.3 siPLS-PCA鑒別模型建立

通過siPLS進行波長區間優選，選擇7 251.035～6 861.484，6 464.22～6 074.67，5 283.999～4 501.041 cm-1波數區間，一共408個波數變量作為PCA的輸入變量。

主成分得分圖見圖6。結合圖6與表2可知，特級初榨橄欖油，普通橄欖油明顯區分在圖像兩邊，主成分一主成分2累計貢獻率為92.274 6%，選擇了408個波長變量，可以初步區分特級初榨橄欖油和普通橄欖油，樣本點較密集。但將408個波長變量作為輸入變量，計算量仍然較大，且主成分1和主成分2累計貢獻率不高。

2.4 siPLS-IRIV-PCA鑒別模型建立

運用siPLS選擇最優波數區間，通過IRIV對最優波數區間內波數進行優選，從408個波數中提取了6個特征波數，為7 073.616，7 023.476，6 379.368，6 267.517，4 890.591，4 836.594 cm-1。

圖6 主成分得分圖

將提取的6個特征波數作為PCA的輸入變量，主成分得分圖見圖7。由圖7與表2可知，特級初榨橄欖油聚集于圖7左上方，普通橄欖油聚集于圖7右下方，主成分1和主成分2累計貢獻率達到98.651 9%，特級初榨橄欖油和普通橄欖油各自的樣本點分布更加密集，聚集度高，可以明顯區分兩種不同品質橄欖油。說明運用siPLS-IRIV-PCA可以大大降低波數變量個數，明顯區分兩種不同品質橄欖油。

圖7 主成分得分圖

PCA，siPLS-PCA，siPLS-IRIV-PCA三種模型波數變量、主成分貢獻率比較如表2所示。siPLS-IRIV-PCA主成分1和主成分2累計貢獻率最高，同時選擇的變量數最少，結合圖7表明siPLS-IRIV-PCA具有最佳的鑒別性能。

表2 不同模型波數變量、主成分貢獻率比較

3 結 論

通過分析近紅外光譜數據，運用PCA，siPLS-PCA，siPLS-IRIV-PCA方法，建立了特級初榨橄欖油與普通橄欖油的鑒別模型。結果表明，siPLS-IRIV-PCA對特級初榨橄欖油與普通橄欖油鑒別效果最好，為橄欖油品質鑒別提供了一種全新的方法。

[1] Sun Xiaodan, Li Xinhui, Shi Weimin, et al.Journal of Pingdingshan University, 2015, (5): 57.

[2] Sinelli N, Casale M, Di E V, et al.Food Research International, 2010, 43: 2126.

[3] Hui Jiang, Guohai Liu, Congli Mei, et al.Anal.Bioanal.Chem., 2012, 404: 603.

[4] Jiang Hui, Liu Guohai, Mei Congli, et al.Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2012, 97: 277.

[5] GUO Zhi-ming, ZHAO Jie-wen, CHEN Quan-sheng, et al(郭志明, 趙杰文, 陳全勝, 等).Optics and Precision Engineering(光學精密工程), 2009, 17(8): 1839.

[6] LIN Fen-fang, CHEN Zhu-lu, WANG Ke, et al(林芬芳, 陳祝爐, 王 珂, 等).Journal of Infrared and Millimeter Waves(紅外與毫米波學報), 2009, 28(4): 277.

[7] Yong-Huan Yun, Wei-Ting Wang, Min-Li Tan, et al.Analytica Chimica Acta, 2014, 807: 36.

[8] Nφrgaard L, Saudland A, Wagner J, et al.Appl.Spectrosc., 2000, 54: 413.

[9] Leardi R, Nφrgaard L.J.Chemometric, 2004, 18: 486.

(Received Jun.19, 2015; accepted Nov.3, 2015)

Study on Quality Identification of Olive Oil Based on Near Infrared Spectra

LIU Guo-hai，HAN Wei-qiang，JIANG Hui

School of Electrical and Information Engineering，Jiangsu University，Zhenjiang 212013，China

Currently on the market, the sale of olive oil is mainly divided into extra virgin olive oil and common virgin olive oil.In order to identify the qualities of two different olive oils, a new method to identify the quality of olive oil with siPLS-IRIV-PCA algorithm is developed.Based on the near infrared spectral data of olive oil, the efficient spectral subintervals are selected with a synergy interval partial least squares (siPLS).The performance of the model is evaluated by using the root mean square error of cross-validation (RMSECV).The characteristic wavelengths are selected from the efficient spectral subintervals by iteratively retains informative variables (IRIV) algorithm.Principal component analysis (PCA) model is constructed based on the selected characteristic wavelengths.The samples of 90 groups of extra virgin olive oil and 90 groups of common olive oil are identified.PCA uses 1 427 wavelength variables as input variables and the contribution rates of the first two principal components are 51.891 8% and 26.473 2% respectively.siPLS-PCA uses 408 wavelength variables as input variables and the contribution rates of the first two principal components are 56.039 1% and 36.2355%.siPLS-IRIV-PCA uses 6 wavelength variables as input variables and the contribution rates of the first two principal components are 66.347 6% and 32.3043%.The result shows that, compared with PCA and siPLS-PCA, siPLS-IRIV-PCA has the best identification performance.The method is simple and convenient and has a high identification degree which offers a new approach to identify the quality of olive oil.

Near infrared spectroscopy; Olive oil; siPLS; IRIV; PCA

2015-06-19，

2015-11-03

國家自然科學基金項目(31271875)，江蘇省自然科學青年基金項目(BK20140538)和中國博士后科學基金項目(2014M550273)資助

劉國海，1964年生，江蘇大學電氣信息工程學院教授 e-mail：ghliu@ujs.edu.cn

O657.3

A

10.3964/j.issn.1000-0593(2016)09-2798-04