油脂中的反式脂肪酸(TFA)有害人们的身体健康, 有必要对其含量进行监测。 共收集各类食用植物油样本79个, 涉及9个品种和27个品牌, 分配到校正集和预测集的样本数分别为53个和26个。 采用QE65000拉曼光谱仪采集79个样本的拉曼光谱, 利用自适应迭代惩罚最小二乘法去除样本拉曼光谱的荧光背景; 在此基础上, 采用多种归一化方法对样本拉曼光谱进行处理, 并对拉曼光谱的建模波数范围进行初选; 再利用竞争性自适应重加权采样(CARS)方法筛选与食用植物油TFA含量相关的光谱变量, 并应用偏最小二乘(PLS)回归将食用植物油TFA的特征变量光谱强度与气相色谱测定的TFA真实含量进行关联, 建立食用植物油中TFA含量的定量预测模型。 研究结果表明, 多种归一化方法中, 有4种归一化方法均能提高PLS定量预测模型的性能, 其中Area normalization方法的效果最优; 经建模波数范围初选, 波数范围由686~2 301 cm-1缩减为737~1 787 cm-1, 确定较优的建模波数范围为737~1 787 cm-1; 经CARS方法筛选, 共有31个光谱变量被选择, 其选择的光谱变量主要分布在1 265, 1 303, 1 442及1 658 cm-1拉曼振动峰附近, 且974 cm-1拉曼振动峰两侧均有光谱变量被选择; 此外, CARS方法的PLS建模结果优于常用的无信息变量消除及连续投影算法。 由此可知, 激光拉曼光谱技术结合化学计量学方法检测食用植物油中的TFA含量是可行的。 归一化方法、 建模波数范围初选及竞争性自适应重加权采样(CARS)方法能有效提高TFA定量预测模型的预测精度和稳定性, 优化后的TFA定量预测模型的校正集及预测集的相关系数和均方根误差分别为0.949, 0.953和0.188%, 0.191%。 与未优化的预测模型相比, 预测均方根误差由0.361%下降为0.191%, 下降幅度为47.1%; 建模所用的变量数由683个下降为31个, 仅占原变量数的4.54%。

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%。

为实现食用植物油中饱和脂肪酸、 油酸、 亚油酸含量的快速预测, 对一批纯食用油以及不同比例两两混合油共91个样品进行了拉曼光谱检测, 在800～2 000 cm-1范围内, 通过基于寻峰算法的自动确定支点的基线拟合方法, 对获得的光谱数据进行预处理, 提取八个特征峰作为拉曼光谱的特征值。 以这些特征值为输入, 以样品油中实际饱和脂肪酸、 油酸、 亚油酸含量为输出, 运用偏最小二乘回归(PLS)和多输出最小二乘支持向量回归机(MLS-SVR)方法, 分别建立了可以同时预测三种脂肪酸含量的数学模型, 结果表明MLS-SVR方法具有较好的效果。 将MLS-SVR模型的预测结果与气相色谱法结果相比较, 可得到三种脂肪酸的预测均方根误差分别为0.496 7%, 0.840 0%和1.019 9%, 相关系数分别为0.813 3, 0.999 2和0.998 1; 对未知样品三种脂肪酸的预测均方根误差不超过5%。 表明, 拉曼光谱和MLS-SVR相结合的食用油脂肪酸含量预测方法, 具有快速、 简便、 无损、 准确等优点, 为食用油脂肪酸含量分析提供了一种可行的方法。