利用紧凑型低分辨率近红外设备精确检测初榨橄榄油中种子油掺假的方法

《Journal of Food Measurement and Characterization》:Accurate detection of seed oil adulteration in virgin olive oil with a compact low-resolution NIR device

【字体: 大 中 小 】 时间:2026年05月31日 来源:Journal of Food Measurement and Characterization 3.3

编辑推荐:

  摘要:初榨橄榄油(EVOO)因其卓越的感官品质和健康益处而受到全球重视。然而,其高昂的市场价值和需求使其成为掺假的主要目标,特别是被低成本种子油掺假,这引发了重大的社会经济和健康问题。目前检测掺假的官方方法严重依赖色谱技术,这些方法劳动密集、对环境不友好且不适

  
摘要:初榨橄榄油(EVOO)因其卓越的感官品质和健康益处而受到全球重视。然而,其高昂的市场价值和需求使其成为掺假的主要目标,特别是被低成本种子油掺假,这引发了重大的社会经济和健康问题。目前检测掺假的官方方法严重依赖色谱技术,这些方法劳动密集、对环境不友好且不适合实时应用。本研究提出了一种将近红外(NIR)光谱与先进机器学习算法相结合的新颖方法,以解决这些局限性。该方法在掺入了五种常见种子油(玉米油、葵花籽油、高油酸葵花籽油、菜籽油和大豆油)且浓度各异的EVOO样品上进行了测试。研究人员使用主成分分析(PCA)处理NIR光谱,并利用多种分类模型(包括决策树、线性判别分析、朴素贝叶斯、支持向量机和K最近邻)进行分析。其中,K最近邻模型在准确率、精确率、召回率和F1分数方面始终表现出最佳性能。该系统展示了高达96%的高识别率,并以1.2%的平均预测误差高效量化了掺杂物。这种方法为传统方法提供了一种快速、经济且环境可持续的替代方案,具有在工业环境中实现实时在线应用的潜力。未来的研究将侧重于增强数据预处理工作流程并开发标准化校准模型,以进一步优化该方法,促进其在橄榄油行业的广泛采用。

论文解读

一、 研究背景与意义
初榨橄榄油(EVOO)因其独特的感官特性和健康益处在全球范围内备受推崇。然而,由于其产量受气候影响大、生产成本高,导致其市场价格居高不下。这种高利润空间催生了商业欺诈行为,不法分子常将廉价的植物油(如玉米油、葵花籽油等)混入EVOO中以牟取暴利。这种掺假不仅损害了消费者权益,破坏了市场秩序,还可能在加热烹饪过程中因脂肪酸组成不同而产生有害残留物,带来食品安全隐患。
目前,行业内检测橄榄油掺假的官方标准方法主要依赖于气相色谱或液相色谱等色谱技术。虽然这些方法准确度高,但存在显著的局限性:它们通常耗时较长、操作繁琐,需要使用有毒的化学试剂进行样品前处理,既对环境不友好,也难以满足现代工业生产中对实时、在线质量控制的需求。因此,开发一种快速、无损、环保且低成本的新型检测技术显得尤为迫切。在此背景下,研究人员开展了利用紧凑型低分辨率近红外(NIR)光谱技术结合化学计量学与机器学习算法的检测研究,旨在克服传统方法的弊端,建立一种高效的掺假识别与定量模型。
二、 主要关键技术方法
为实现上述目标,研究人员设计了一套严谨的实验流程。在样本构建方面,研究采用了23份经由国际橄榄油理事会(IOC)认可实验室验证的真实初榨橄榄油样本,并与市售的5种常见种子油(玉米、葵花籽、高油酸葵花籽、油菜籽、大豆)进行混合,制备了涵盖10%至50%不同掺假浓度的125份混合样本及5份纯种子油样本,构建了包含153份样本的多样化数据集。
在数据采集环节,研究使用了工作波段为855 nm至1890 nm的微型近红外光谱仪,配合卤灯光源和光学玻璃样品池搭建了检测平台。针对获取的光谱数据,研究人员首先进行了吸光度计算与基线校正,随后计算了光谱的一阶导数以提取特征变化。为了降低数据维度并观察样本分布,研究应用了主成分分析(PCA)。最后,在建模阶段,研究人员比较了五种经典的机器学习算法——决策树(DT)、线性判别分析(LDA)、朴素贝叶斯(NB)、支持向量机(SVM)和K最近邻(KNN)——在区分纯橄榄油与掺假油方面的性能差异,并采用留一法交叉验证(LOOCV)确保模型的鲁棒性。
三、 研究结果
评估类可分离性使用PCA
研究人员首先对预处理后的导数光谱进行了主成分分析。结果显示,前三个主成分(PC1、PC2、PC3)能够解释数据中超过95%的方差。通过载荷分析发现,约1200 nm、1400 nm和1700 nm附近的波长是区分不同油品的关键区域,这些区域对应着油类中C-H、O-H和C=O官能团的分子振动。在得分图中,不同掺假油呈现出不同的聚类特征:大豆油和葵花籽油因光谱差异明显,聚类效果最好,易于区分;而高油酸葵花籽油由于脂肪酸构成与橄榄油高度相似,其纯样本与掺假样本在图谱上存在显著重叠,分离难度最大;玉米油和菜籽油则表现出中等程度的分离效果。这表明,虽然整体趋势可行,但对于化学成分相近的掺杂物,仍需依赖更精细的算法进行判别。
分类算法性能评估
在分类模型的对比中,K最近邻(KNN)算法在所有类型的掺假检测中均展现出最优的综合性能。具体而言,对于玉米油掺假,KNN的准确率达到了96%;对于大豆油掺假,准确率为93%。即使是对于最具挑战性的高油酸葵花籽油,KNN也实现了75%的F1分数,优于其他对比模型。相比之下,支持向量机(SVM)在本研究的数据集上表现不佳,准确率仅为51%。这一结果证明,KNN算法能够有效利用高维光谱数据中的局部相似性来捕捉非线性边界,非常适合此类掺假识别任务。
四、 总结与结论
通过系统的实验研究与数据分析,研究人员得出了明确的结论。研究表明,将紧凑型低分辨率NIR光谱与KNN机器学习算法相结合,是一种极具潜力的橄榄油掺假检测方案。该方法不仅能够以高达96%的识别率准确辨别出是否发生掺假,还能以约1.2%的平均误差有效量化掺入的低浓度种子油含量。相比于传统的色谱法,该技术具有快速、低成本和环境友好的显著优势,非常适合于工业生产线上的实时在线监测。尽管对于高油酸葵花籽油这类化学成分类似的复杂掺假场景仍存在一定挑战,但这项研究为橄榄油行业的品质控制提供了一个坚实的技术基础。未来,通过优化数据预处理流程和建立标准化的校准模型,该技术的应用范围和准确性有望得到进一步提升。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号