论文部分内容阅读
本研究以油茶籽油原料,利用红外光谱技术研究其理化指标、营养指标、脂肪酸组成的快速测定方法,同时对压榨油茶籽油与浸出油茶籽油进行快速鉴别,用不同光谱数据预处理方法及建模方法建立定量模型和鉴别模型,并对模型进行验证和仿真应用,在此基础上研究油茶籽油基本指标和品质的快速检测。主要研究内容及结果如下:（1）为寻找油茶籽油理化指标的快速检测方法,本研究应用傅里叶红外光谱（FTIR）分析技术,结合人工神经方法,预测不同氧化层度油茶籽油的酸价、过氧化值和碘值。油茶籽油红外光谱经SG方法平滑,一阶导数等预处理。光谱数据和氧化指标实测值作为神经网络输入和输出,建立油茶籽油理化指标的定量模型。结果表明,酸价、过氧化值和碘值模型的相关系数（R）分别为0.9142、0.9649和0.9642;均方根差（RMSE）分别为0.1969 mgKOH/g、0.3926 mmol/kg和1.0105 gI2/100g。对模型进行仿真应用,酸价、过氧化值和碘值模型预测结果的相关系数（R）分别为0.9819、0.9930和0.9833,预测标准偏差（RMSEP）分别为0.2030 mgKOH/g、0.2418 mmol/kg和0.6028 gI2/100g。表明建立的模型可靠,预测效果好,能满足油茶籽油理化指标的快速检测要求。（2）以不同批次的油茶籽油为试验材料,用分光光度法测定油茶籽油中甾醇、维生素E和类胡萝卜素含量,利用偏最小二乘法（PLS）建立红外光谱数据与油茶籽油甾醇、维生素E和类胡萝卜素含量的定量模型并进行模型验证。结果表明:甾醇、维生素E和类胡萝卜素校正集相关系数（R）分别为0.9789、0.9801和0.949,交叉验证均方根误差（REMSECV）分别为42.38、25.64和0.84 mg/kg,对模型进行验证,上述3种成分预测集相关系数（R）依次分别为0.9934、0.9974和0.9590,预测均方根误差（RMSEP）分别为13.31、6.24和0.18 mg/kg,剩余预测偏差（RPD）分别为7.769、12.693和2.867。红外光谱法可作为一种快速、准确的方法用于测定油茶籽油甾醇、维生素E和类胡萝卜素含量。（3）以广东省各大油茶籽油企业提供的油茶籽油为试验材料,用气相色谱法测定油茶籽油中油酸、棕榈酸和亚油酸含量,同时测定油茶籽油的红外光谱。利用5种方法对红外光谱进行预处理,然后利用线性回归方法PLS、iPLS、siPLS和非线性回归方法SVM、ANN分别建立红外光谱数据与油茶籽油中油酸、棕榈酸和亚油酸含量的定量模型并进行模型验证。结果表明:当建立油酸定量回归模型时,SG平滑处理为最优预处理方法,采用ANN建立的油酸定量回归模型为最优模型,油酸ANN模型的验证集和预测集相关系数R分别为0.9987和0.9551,相对标准误差小于1%;当建立棕榈酸定量回归模型时,SNV为最优预处理方法,ANN棕榈酸定量模型为最优模型,棕榈酸ANN模型的验证集和预测集相关系数R分别为0.9451和0.9262,相对标准误差小于5%;当建立亚油酸定量分析模型时,SD为最优预处理方法,SVM和ANN亚油酸定量分析模型均为最优模型,亚油酸SVM模型的验证集和预测集相关系数分别为0.9976和0.9742,亚油酸ANN模型的验证集和预测集相关系数分别为0.9957和0.9816,两个模型的预测相对标准误差均小于1%。综上所述非线性建模方法更适合于油茶籽油脂肪酸含量回归模型,这表明油茶籽油脂肪酸含量与其红外吸收之间为非线性关系。（4）通过傅里叶变换红外光谱仪对大量压榨油茶籽油和浸出油茶籽油样品进行扫描,提取特征波段数据,运用Savitzky-Golay平滑（SG）、多元散射校正（MSC）、标准正态变换（SNV）、一阶导数（FD）和二阶导数（SD）方法对进行预处理,然后结合偏最小二乘法（partial least squares,PLS）、支持向量机（support vector machine,SVM）和BP神经网络（BP artificial neural network,BPANN）建立鉴别模型。结果表明,偏最小二乘法和BP人工神经网络建模时,SG平滑预处理方法最好,得到的SG-PLS和SG-BPANN两模型的验证集相关系数、验证集均方根误差、鉴别准确率分别为0.7679和0.9212、0.3226和0.2059、88.46%和100%;支持向量机建模宜采用的SNV预处理,建立的SNV-SVM模型验证集相关系数、验证集均方根误差和鉴别准确率分别为0.7614、0.8821、88.46%。因此,红外光谱技术用于鉴别压榨油茶籽油和浸出油茶籽油是可行的。为规范油茶籽油市场,维护消费者权益,提供了快速、准确的鉴别方法。