[发明专利]一种基于近红外光谱的葡萄籽油掺假鉴别方法

说明书

技术领域

本发明涉及葡萄籽油掺假的鉴别领域，特别是一种基于近红外光谱的葡萄籽油掺假鉴别方法。

背景技术

葡萄籽油含有亚油酸、多酚醇、生育酚与原花青素等多种功能成分，具有抗衰老、增强免疫力、促进生长发育、消除血清胆固醇、治疗心血管疾病等多种功效，其具有的营养和医药价值使葡萄籽油成为一种高级保健食用油。由于葡萄籽油市场价格较高，受利益驱动的不法分子常将廉价食用油掺入葡萄籽油中。为了保证葡萄籽油的品质，维护保护消费者的权益，寻找一种能够快速检测和鉴别葡萄籽油掺伪的方法具有重要的意义。

目前针对于葡萄籽油的掺假的检测的方法主要有，酶联免疫吸附检测法，试条法，PCR技术，基因芯片等方法，但是存在实验过程繁杂，操作复杂，需要添加化学试剂等缺点。因此，有必要寻找一种更加简单、快速的掺假葡萄籽油鉴别方法。近红外光谱分析技术是一种绿色无损的快速检测技术，无需样品预处理，不用破坏样品，有望成为一种简单快捷的葡萄籽油掺假的鉴别方法。

近红外光谱仪（Near Infrared Spectrum Instrument，NIRS）是介于可见光（Vis）和中红外（MIR）之间的电磁辐射波，近红外光谱区定义为780-2526nm的区域，是人们在吸收光谱中发现的第一个非可见光区。近红外光谱区与有机分子中含氢基团（O-H、N-H、C-H）振动的合频和各级倍频的吸收区一致，通过扫描样品的近红外光谱，可以得到样品中有机分子含氢基团的特征信息，而且利用近红外光谱技术分析样品具有方便、快速、高效、准确和成本较低，不破坏样品，不消耗化学试剂，不污染环境，仪器便携等优点，因此该技术受到越来越多人的青睐。

然而全光谱数据存在波长点众多、数据叠加严重等特性，这些特性会影响基于数据的掺假鉴别模型的精度和速度，甚至导致不可行。光谱数据进行波长选择剔除无信息波长和干扰波长，能有效避免模型过度拟合，建立一个稳健性高、易解释、高精度的校正模型，极大改进模型的预测性能。因此，运用萤火虫算法能有效的提取出最优的波长组合，但提取出的波长组合的数据间仍存在较高的共线性，利用连续投影法对萤火虫算法优选出的波长组合进行二次优选，最终得到最优的几个波长点。在实际工作中，只需要知道样品的类别和质量等级，并不需要知道样品中含有的组分数和其含量的问题，这时候需要模式识别法。近红外光谱的定性依据主要是光谱本身，因为光谱反映了真实样品的组成和结构信息，相同或者近似的样品有着相同或相近的光谱。近年来，由于ELM算具有法容易使用、计算量小、优异的泛化性能等特点广泛应用到近红外光谱的分析中。

发明内容

有鉴于此，本发明的目的是提出一种基于近红外光谱的葡萄籽油掺假鉴别方法，利用FA-SPA方法对采集的近红外光谱进行波长优选，再利用优选后的波长建立ELM模型实现对于葡萄籽油掺假的鉴别，有利于打击葡萄籽油掺假的行为。

本发明采用以下方案实现：一种基于近红外光谱的葡萄籽油掺假鉴别方法，具体包括以下步骤：

步骤S1：收集纯的葡萄籽油和掺入不同含量的大豆油、花生油、玉米油、葵花油的葡萄籽油作为样本；

步骤S2：把样本进行近红外光谱扫描，采集其近红外光谱的全波段图谱，并剔除异常的样本数据；其中波段扫描范围为：1000-2300nm；

步骤S3：根据纯的葡萄籽油和掺入大豆油、花生油、玉米油、葵花油的葡萄籽油在近红外区的倍频及合频吸收峰，利用萤火虫算法（firefly algorithm，FA）对近红外光谱波长变量进行初步优选，再通过连续投影法（successive projections algorithm，SPA）进行波长的二次优选，将最终优选的波长变量作为极限学习机（extreme learning machine，ELM）建模的输入变量，得到FA-SPA-ELM判别模型；

步骤S4：对于未知的待检测样品，扫描其近红外光谱，利用步骤S3建立好的FA-SPA-ELM判别模型，预测其所属类别。

进一步地，步骤S3中，所述初步优选，筛选出710个波长。

进一步地，步骤S3中，所述二次优选，筛选出17个波长。

与现有技术相比，本发明有以下有益效果：本发明检测速度快，FA-SPA-ELM能够快速鉴别葡萄籽油掺假的种类，并且具有高精度、操作简单等优点，具有良好的应用前景。

附图说明

图1为本发明实施例中所述纯的葡萄籽油和掺入不同含量的大豆油、花生油、玉米油、葵花油的葡萄籽油样品的近红外原始吸收光谱图。