引言
由于特级初榨橄榄油(EVOO)具有极高的商业价值且频繁掺入来源不明且未经监管的油类,其掺假检测一直是持续的技术挑战。在我们消费的所有食用油类型中,EVOO因其营养上有利的甾醇和脂肪酸谱而备受推崇[1]。抗氧化剂、维生素、具有抗炎特性的多酚、生育酚以及色素(类胡萝卜素和叶绿素)等营养物质的存在使其对健康极具益处,可预防心脏和肥胖相关问题[2], [3], [4]。由于缺乏快速、可现场部署的检测和溯源工具,掺假的EVOO得以渗入供应链,导致公众健康问题和巨大的经济损失。因此,EVOO认证需要先进的传感和分析系统,不仅能够检测掺假,还能识别具体的掺杂物,从而支持溯源和执法。
传统的色谱技术如气相色谱(GC)、气相色谱-质谱联用(GC-MS)[5], [6]、液相色谱(LC)和高性能液相色谱(HPLC)[7], [8]可为掺假检测提供精确的成分分析,但需要昂贵的仪器、专业人员、繁重的制备工作以及有机溶剂,使其不适合快速或现场检测[9]。先进的先进光学和电学传感方法,包括近红外光谱(NIRS)、傅里叶变换近红外光谱(FT-NIRS)[10]、傅里叶变换红外光谱(FTIR)[11], [12]、核磁共振(NMRS)、激光诱导击穿光谱(LIBS)[13], [14]、中红外光谱(MIRS)、拉曼光谱、紫外-可见/可见-近红外(UV-VIS/VIS-NIR)以及气相色谱电子鼻系统(FGC E-nose)[15]已被引入以解决这些局限。然而,NIRS存在波段重叠问题且需要大量校准[16], [17], [18], [19], [20], [21], [22], [23], [24], [25],而核磁共振(1H, 13C, 31P)虽然检测限低,但成本高昂且容易出现谱线重叠问题[9], [26], [27]。此外,拉曼光谱具有良好的分子特异性,但受荧光干扰和高仪器成本的阻碍[28], [29], [30], [31]。再者,UV-VIS/VIS-NIR方法通常需要样品预处理和昂贵的仪器[32], [33], [34], [35]。荧光光谱法通过利用叶绿素、类胡萝卜素和酚类等化合物的天然荧光,提供了一种有效的EVOO认证方式[32], [36], [37]。这些荧光物质会产生特征发射模式,例如在405 nm激发下叶绿素在670 nm处的峰[14],该模式因掺入精炼橄榄油、棕榈油、油渣油和豆油等掺杂物而明显变化,因为这些掺杂物具有不同的激发-发射特性[32]。尽管荧光光谱法提供了快速、灵敏且无损的分析,但其使用通常受限于昂贵的实验室仪器[9]。
便携式分析技术的最新进展推动了智能手机仪器在光学传感应用中的发展趋势[38], [39], [40], [41], [42], [56]。高分辨率成像传感器、嵌入式处理能力和无线通信功能的集成使智能手机能够作为低成本的便携式分析平台,用于实时监测[43], [44], [45], [57], [58]。遵循这一趋势,基于智能手机的传感方法越来越多地应用于食品认证和质量监控,特别是食用油掺假检测。在这些方法中,分析依赖于光与物质的相互作用,以图像或视频的形式捕获。这些光学响应随后被转换为定量特征,如基于RGB的描述符或比色参数,用于计算分析[46], [47]。
对于数据解释,传统实验室光谱系统和基于智能手机的光学传感平台通常都依赖于多元统计和化学计量建模技术。线性回归、主成分分析(PCA)和偏最小二乘(PLS)回归等方法被广泛用于利用提取的光学特征进行掺假检测和浓度预测[14]。这些方法在受控实验条件下表现令人满意,特别是对于涉及单一已知掺假物的二元混合物。然而,在实际的油类认证场景中,当掺假物未知或表现出非线性光学响应行为时,其性能往往受限。在这种情况下,传统化学计量模型通常仅限于定量估算,而非可靠的掺假物类型识别,而后者对于溯源和真实性验证至关重要。
为解决这些局限性,基于机器学习的分析框架最近引起了光学传感数据分析领域的广泛关注[49], [50], [51], [59], [60], [61], [62]。机器学习技术能够从光谱和基于图像的数据集中提取高维和非线性模式,从而在统一的预测框架内实现掺假物类型的同时分类和掺假程度的估算。近期的便携式荧光平台越来越多地采用机器学习和深度学习框架来解决光谱重叠和非线性响应问题[52], [53]。因此,将机器学习与基于智能手机的荧光传感平台相结合,可能成为油类掺假认证的有前景的解决方案,能够在单一便携式流程中实现掺假物识别和定量分析。
本文介绍了一种极具性价比且可现场部署的基于智能手机的即时荧光成像平台,用于EVOO认证。采用405 nm激光(5mW,一级类)作为激发源,配合紧凑的智能手机CMOS探测器,可采集荧光发射数据。将机器学习与所提议系统相结合,解决了迄今为止采用的掺假评估方法的不足(补充文档中的表S1详细比较了本工作与其他相关文献)。从捕获的图像中提取RGB特征,训练并评估多种机器学习模型,以在单一便携式流程中实现掺假物识别及掺假物定量。针对30个样本的现场测试证明了所开发系统的实际应用性,且具有极高的准确性。通过开发并将定制智能手机应用程序与系统集成功能,增强了EVOO掺假测量的用户可及性。准确识别特定的掺假物提供了关于掺假油可能地理起源的洞察,提供了关于真实性和来源的额外信息。
Arnab Talukder|Md. Sadik Al Rayhan|Mohiminur Rahman Ifty|Md. Tanjim Joarder|Md. Arafat Hossain|Md. Rafiqul Islam|Protik Chandra Biswas