应用共轴双脉冲激光诱导击穿光谱(DP-LIBS)技术对食用植物油中重金属Cr含量进行快速定量检测。采用二通道高精度光谱仪采集样品的激光诱导击穿光谱(LIBS),根据LIBS在420~430 nm波段范围确定Cr元素的三条原子谱线 (Cr I 425.39 nm、Cr I 427.43 nm、Cr I 428.87 nm)、CN分子谱线 (CN 421.49 nm)及Ca原子谱线 (Ca II 422.64 nm);然后利用竞争性自适应重加权采样(CARS)方法筛选Cr元素的特征变量及相关影响变量,并应用最小二乘支持向量机(LSSVM) 建立Cr含量的定标模型。结果表明:经CARS方法优选后,波长变量个数由 132个减少为10个,变量压缩率为92.42%;CARS-LSSVM定标模型的相关系数、校正均方根误差及预测均方根误差分别为0.9926、5.287×10 -6和5.860×10 -6,预测集样品的平均相对误差为8.55%,优于单变量及五变量LSSVM定标模型。DP-LIBS技术定量检测食用植物油中的Cr含量具有一定的可行性,CARS方法可以有效筛选Cr元素的特征变量及相关影响变量,剔除冗余及噪声变量,从而有效降低了基体效应对分析元素的影响,提高了LIBS分析的预测精度。

利用共线双脉冲激光诱导击穿光谱 (LIBS)对溶液中的乐果含量进行定量检测。 采用圆柱形桐木木片对农药乐果进行富集, 然后利用双通道高精度光谱仪获取样本在206.28~481.77 nm波段范围的LIBS光谱。 选用4条磷元素谱线(P Ⅰ 213.618 nm, P Ⅰ 214.91 nm, P Ⅰ 253.56 nm, P Ⅰ 255.325 nm)为分析线, 碳元素谱线(C Ⅰ 247.856 nm)为内标线, 应用单变量线性拟合及最小二乘支持向量机(LSSVM)方法分别建立溶液中乐果含量的单变量定标模型、 LSSVM定标模型及基于内标法的LSSVM定标模型, 并进行比较。 三个定标模型中, 基于内标法的LSSVM定标模型性能最优, LSSVM定标模型性能次之, 而单变量定标模型性能最差。 结果表明, 共线双脉冲LIBS技术结合LSSVM及内标法可以用于溶液中的乐果含量定量检测, 所建立的定标模型的决定系数为0.999 7, 训练集和验证集的平均相对误差分别为11.24%及12.01%。 LSSVM方法及内标法均能在一定程度上改善定标模型的性能, 提高预测精度。

利用近红外光谱技术对食用植物油中的腐霉利进行定性检测研究。 以国家标准规定的腐霉利最大残留限量为界线, 将不同腐霉利含量的食用植物油样本分为合格组和不合格组。 采用QualitySpec台式近红外光谱仪采集两类样本的光谱, 利用无信息变量消除 (UVE)和子窗口重排分析(SPA)方法进行波长变量筛选, 并应用线性判别分析(LDA)、 偏最小二乘-线性判别分析(PLS-LDA)及判别偏最小二乘(DPLS)方法建立两类样本的分类模型。 结果表明, 近红外光谱技术可以对两类样本进行分类。 UVE方法可以有效筛选有用波长变量, 提高分类模型的性能。 UVE-DPLS所建立的分类模型性能最优, 其预测集样本的分类正确率、 灵敏度及特异性分别为98.7%, 95.0%和100.0%。

采用可见/近红外光谱技术结合化学计量学方法对油茶籽油三元体系掺假进行定量检测研究。 将菜籽油和花生油按不同比例掺入纯油茶籽油中, 获得掺假样本。 采集纯油茶籽油及掺假样本在350~1 800 nm范围内的可见/近红外光谱数据, 随机分为校正集和预测集, 并从不同建模波段、 预处理方法及建模方法角度对掺假预测模型进行优化。 研究结果表明, 菜籽油、 花生油和总掺伪量的最优建模波段及预处理方法分别为750~1 770, 900~1 770 , 870~1 770 nm和多元散射校正(MSC)、 标准归一化处理(SNV)和二阶微分, 而最优的建模方法均为最小二乘支持向量机(LSSVM)。 对于最优掺假模型, 菜籽油、 花生油和总掺伪量的预测集相关系数(Rp)和预测均方根误差(RMSEP)分别为0.963, 0.982, 0.993和2.1%, 1.5%, 1.8%。 由此可见, 可见/近红外光谱技术结合化学计量学方法可以用于油茶籽油的三元体系掺假定量检测。

采用激光诱导击穿光谱(LIBS)技术对大豆油中的铁(Fe)含量进行定量检测。 实验中用一系列不同Fe浓度的大豆油样品, 采用二通道高精度光谱仪采集其LIBS光谱信号。 根据样品LIBS谱线图, 确定了Fe的两个特征谱线404.58和406.36 nm, 并应用不同的一元回归方法对两个特征谱线分别建立一元指数回归定量分析模型、 一元线性回归定量分析模型和一元二次回归定量分析模型。 研究结果表明, Fe Ⅰ 404.58及Fe Ⅰ 406.36的一元指数、 一元线性及一元二次回归模型的预测平均相对误差分别为29.49%, 8.93%, 8.70%和28.95%, 8.63%, 8.44%。 Fe Ⅰ 406.36建立的回归模型预测结果优于Fe Ⅰ 404.58, 三个回归模型中一元二次回归模型性能最优。 由此可见, LIBS技术检测大豆油中的Fe元素具有一定的可行性, 一元二次回归定量分析模型可以有效提高Fe元素预测浓度的精度。

利用激光诱导击穿光谱(LIBS)技术对大豆油中的重金属Cr进行检测研究。 以松木木片对重金属Cr进行富集, 采用AvaSpec双通道高精度光谱仪在206.28~481.77 nm波段范围内采集松木木片样本的LIBS光谱, 利用无信息变量消除(UVE)方法筛选与重金属Cr相关的波长变量, 应用偏最小二乘(PLS)回归建立大豆油中重金属Cr的定标模型, 并与单变量及全波段PLS定标模型进行比较。 结果表明, 相比单变量及全波段PLS定标模型, UVE-PLS定标模型的性能更优, 其相关系数、 校正均方根误差、 交互验证均方根误差及预测均方根误差分别为0.990, 0.045, 0.050及0.054 mg·g-1。 经UVE变量筛选后, UVE-PLS定标模型所用的波长变量数仅为全波段PLS的2%。 由此可见, UVE是一种有效的波长变量筛选方法, 能有效筛选出与重金属Cr相关的波长变量。

采用激光诱导击穿光谱(LIBS)技术对大豆油中的铬(Cr)含量进行检测研究。以一系列Cr 含量不同的大豆油为样本，采用AvaSpec 双通道高精度光谱仪在206.28~481.77 nm 波段范围内采集LIBS 光谱。根据样本的LIBS 谱线图，确定Cr 元素的主要特征谱线，并对Cr 元素主要特征谱线应用线性回归或最小二乘支持向量机(LS-SVM)方法建立其单变量、二变量及多变量校正模型。利用建立的校正模型对样本Cr 含量进行预测。研究结果表明，二变量及多变量校正模型的性能优于单变量校正模型，LS-SVM 建立的多变量校正模型性能最优。对于单变量及二变量校正模型，预测样本的平均相对误差(RE)分别为14.16%和11.58%；而对于线性回归及LS-SVM 建立的多变量校正模型，预测样本的平均RE 分别为10.95%和4.97%。由此可见，LIBS 技术检测大豆油中的重金属Cr 含量具有一定的可行性，LS-SVM 方法可以有效提高校正模型的预测精度。

利用近红外光谱在不同光程下对山茶油中掺杂大豆油的掺伪量进行定量检测研究,着重分析光程对掺伪量检测精度的影响.将大豆油按一定质量分数掺入山茶油获取实验样本,掺伪质量分数范围为1%～50%.利用QualitySpec型光谱仪采集样本在不同光程(1,2,4,10 mm)下的透射光谱,通过对比不同建模方法、预处理方法及建模波段范围所建立的掺伪量定量预测模型,分析光程对掺伪量检测精度的影响.研究结果表明,光程由1 mm增加到4 mm时,掺伪量定量预测模型性能随着光程的增加而逐渐变好,检测精度逐步提高;光程由 4 mm增加到10 mm时,掺伪量定量预测模型性能变差,检测精度下降,4 mm为较优的光程.在1,2,4和10 mm下所建立的较优掺伪量定量预测模型的预测集决定系数(R2P)和预测均方根误差(RMSEP)分别为0.923,0.977,0.989,0.962和4.58%,2.54%,1.72%,3.20%。

为打击山茶油掺假，保障消费者的合法利益，利用近红外光谱和子窗口重排分析(SPA)对山茶油的复杂掺假(掺入大豆油、菜籽油、花生油及混合油)进行检测。采集85 个纯山茶油和315 个掺假山茶油样本的近红外光谱，利用SPA 变量选择方法对样本光谱的波长变量进行筛选，再由偏最小二乘-线性判别分析(PLS-LDA)建立山茶油掺假检测模型，并与竞争性自适应重加权算法(CARS)和无信息变量消除(UVE)变量选择方法的结果进行比较。研究结果表明，近红外光谱联合SPA 方法可以用于山茶油的复杂掺假检测，预测集样本的分类错误率、灵敏度及特异性分别为0、1和1。SPA 方法优于UVE 方法，与CARS方法相当，是一种有效的变量选择方法，能简化模型并提高模型的预测精度和稳定性。