一种食用油中反式油酸含量检测方法及装置转让专利
申请号 : CN201710694300.8
文献号 : CN107389657B
文献日 : 2019-12-17
发明人 : 孙通 , 王晓 , 刘木华 , 莫欣欣
申请人 : 江西农业大学
摘要 :
权利要求 :
1.一种食用油中反式油酸含量检测方法,其特征在于:包括以下步骤:S1:收集不同种类、品牌、产地及容量的桶装食用油样本N1,N2,N3……Nn;
S2:将桶装食用油样本(15)N1置于检测台(4)的中心,激光器(11)产生的激光光束经分束器(10)后,90%的激光能量照射到样本N1上,拉曼散射光经样本N1底部及检测台(4),由凸透镜(7)汇聚后进入光纤(3),最后由拉曼光谱仪(1)检测,其光谱记为S1;为校正激光能量波动的影响,激光光束经分束器(10)后,10%的激光能量经反射镜(13),进入能量计(14),检测激光能量,其值记为I1,并与参考设定值I进行比较;若|(I1-I)/I|<0.06,则将作为系数对光谱S1进行校正,即 校正后样本N1光谱记为S1’;若|(I1-I)/I|>0.06,则重新采集光谱;采用温湿度计(9)测量环境温度和相对湿度,记为T1和H1;采用超声波传感器(12)测量样本N1桶的宽度,记为W1;
S3:对于样本N2,N3……Nn,按照步骤S2进行光谱采集、激光能量波动校正及温湿度与桶宽度测定;校正后的光谱分别记为S2’,S3’……Sn’,环境温度分别记为T2、T3……Tn,相对湿度分别记为H2、H3……Hn,宽度分别记为W2、W3……Wn;
S4:对光谱进行预处理,消除荧光及背景噪声的影响;
对于光谱S1’,S2’……Sn’,求其平均光谱,记为Sa’=(S1'+S2'+…+Sn')/n;对于光谱Sa’,选取所有波峰两侧的最低点,采用多项式y=d1xk+d2xk-1+…+dkx+d0对选取的最低点进行拟合,拟合后获得的光谱曲线记为P;
S5:对于光谱S1’,S2’……Sn’,分别减去光谱P,经此校正后,光谱分别记为S1”,S2”……Sn”;
S6:为获取反式油酸的拉曼特征光谱,在20℃和50%相对湿度环境下按照步骤S2分别获取油酸和反式油酸标准品的光谱,记为OS’和OT’;其次,按步骤S4中光谱Sa’的处理方式,分别对光谱OS’和OT’的波峰两侧的最低点进行拟合,获得光谱拟合曲线分别记为PS和PT;
将光谱OS’减去PS,OT’减去PT,校正后的光谱分别记为OS”和OT”;将光谱OT”减去OS”,获得的光谱记为OT”’,选取拉曼强度最大的6个波峰作为反式油酸的拉曼特征光谱,其特征峰位置分别记为λ1-20,λ2-20,λ3-20,λ4-20,λ5-20,λ6-20;
S7:消除环境温度变化对特征峰位置的影响
①为校正环境温度对拉曼特征峰的影响,对于样本N1,在50%相对湿度下,分别在0℃、
4℃、8℃、12℃、16℃、20℃、24℃、28℃、32℃、36℃、40℃、44℃、48℃及52℃环境温度下按照步骤S2采集光谱,其光谱分别记为S1_0、S1_4、S1_8、S1_12、S1_16、S1_20、S1_24、S1_28、S1_
32、S1_36、S1_40、S1_44、S1_48及S1_52;
②对于特征峰λ1,由于光谱S1_20的采集温度为20℃,其特征峰位置没有出现左移或右移,为λ1-20;对于S1_0、S1_4……及S1_52光谱,其特征峰λ1位置出现左移或右移,对于S1_0、S1_4……及S1_52光谱,以特征峰λ1-20为中心,辨识其左移或右移后的特征峰位置,分别记为λ1-0,λ1-4,…,λ1-52;对于特征峰λ2,λ3,λ4,λ5,λ6,按照上述方法辨识其左移或右移后的特征峰位置,分别记为λ2-0,λ2-4,…,λ2-52,λ3-0,λ3-4,…,λ3-52,λ4-0,λ4-4,…,λ4-52,λ5-0,λ5-4,…,λ5-52及λ6-0,λ6-4,…,λ6-52;
S8:采用人工神经网络建立特征峰位置与环境温度之间的关系;
以温度作为人工神经网络的输入,6个特征峰位置作为输出,然后以上述数据对人工神经网络模型进行训练,训练完成后的人工神经网络模型记为ANN_T;
S9:对食用油容量进行校正;
①获取市面上常用的各个容量的食用油桶,其容量分别记为L1、L2、L3……Lm,清洗干净;选取最大容量食用油样本N,将N样本开封,将其食用油倒入食用油桶L1中,并在20℃和
50%相对湿度环境下按照步骤S2进行光谱采集,其光谱记为SL1,并采用超声波传感器测定食用油桶L1的宽度,记为WL1;光谱采集结束后,食用油桶L1的食用油倒回样本N中;对于食用油桶L2、L3……Lm,按照上述方法采集其光谱和宽度,分别记为SL2、SL3……SLn和WL2、WL3……WLm;
②将光谱SL1、SL2……SLm,均分别减去步骤S4中的光谱曲线P,以消除荧光及背景噪声等影响;校正后,光谱分别记为SL1’、SL2’……SLm’;
③对于SL1’、SL2’……SLm’,分别提取特征峰位置λ1-20的拉曼强度,分别记为Iλ1-L1,-bW
Iλ1-L2,…,Iλ1-Lm;采用函数I=ae +c将其拉曼强度I与食用油桶的宽度W进行拟合,其中a、b、c为函数系数;拟合后获得的校正函数记为 其中a1、b1、c1为具体的系数;
按照上述方法,分别获得λ2-20,λ3-20,λ4-20,λ5-20,λ6-20与宽度W的函数关系,分别记为其中a2、b2、c2、a3、b3、c3、a4、b4、c4、a5、b5、c5、a6、b6、c6分别为上述对应校正函数的具体系数;
S10:对于样本N1,将其环境温度T1输入ANN_T模型,获得温度校正后的6个特征峰位置,分别记为λ1-N1,λ2-N1,λ3-N1,λ4-N1,λ5-N1,λ6-N1;对于样本N1光谱S1”,提取上述6个特征峰的拉曼强度,分别记为Iλ1-N1,Iλ2-N1,Iλ3-N1,Iλ4-N1,Iλ5-N1,Iλ6-N1,然后把上述6个拉曼特征峰的强度进行光程校正,即将特征峰强度除以步骤S9获得的相应的系数e-bW,光程校正后的特征峰强度分别为
S11:对于样本N2,N3……Nn,按照步骤S10的方法进行温度校正及光程校正;经温度校正及光程校正后,6个拉曼特征峰的强度分别记为IC_λ1~IC_λ6,以区分未经温度校正及光程校正的6个拉曼特征峰的强度标记Iλ1~Iλ6;
S12:采用国家标准方法GB 5009.257-2016测定样本N1-Nn中的真实反式油酸含量;
S13:将温度和湿度一起作为一个变量T1/4*H1/3加入反式油酸回归模型,以反式油酸含量为因变量Y,经温度和光程校正后的6个特征峰的拉曼强度IC_λ1~IC_λ6及T1/4*H1/3为自变量,利用多元线性回归对N个样本的数据进行拟合,建立食用油中反式油酸含量的预测模型,其预测模型如下:
Y=A1*IC_λ1+A2*IC_λ2+A3*IC_λ3+A4*IC_λ4+A5*IC_λ5+A6*IC_λ6+A7*(T1/4*H1/3)+B其中A1-A7为预测模型的系数,IC_λ1~IC_λ6为经校正后的6个相应特征峰的拉曼强度,B为预测模型的截距,Y为反式油酸含量预测值;
S14:对于待测食用油样本C,按照步骤S2进行光谱采集、激光能量波动校正及温湿度与桶宽度测定;校正后的光谱记为SC’,环境温度记为TC,湿度分别记为HC,宽度记为WC;将光谱SC’进行荧光及背景噪声校正,即SC’减去P,校正后光谱记为SC”;将环境温度TC输入ANN_T模型,获得温度校正后的6个特征峰位置,分别记为λ1-C,λ2-C,λ3-C,λ4-C,λ5-C,λ6-C;提取上述6个特征峰的拉曼强度,分别记为Iλ1-C,Iλ2-C,Iλ3-C,Iλ4-C,Iλ5-C,Iλ6-C,然后把上述6个拉曼特征峰的强度进行光程校正,即将特征峰强度除以步骤S9获得的相应的系数e-bW;然后,将光程校正后的特征峰强度
及TC1/4*HC1/3代入预测模型中,即可获得待测食用油样本C的反式油酸含量,实现其快速检测。
2.根据权利要求1所述的一种食用油中反式油酸含量检测方法,其特征在于:检测装置包括拉曼光谱仪(1)、计算机(2)、光纤(3)和检测台(4),所述计算机(2)与所述拉曼光谱仪(1)连接,所述拉曼光谱仪(1)与所述光纤(3)连接,所述光纤(3)与所述检测台(4)连接;所述检测台(4)内部设有固定套筒(5)和固定支架II(6),所述固定套筒(5)由所述固定支架II(6)固定在所述检测台(4)内部;所述固定套筒(5)内由上到下安装有凸透镜(7)和固定支架I(8),所述固定支架I(8)固定所述光纤(3);所述检测台(4)上方右侧放置温湿度计(9),所述检测台(4)左上方依次设有为分束器(10)和1064nm激光器(11),所述激光器(11)上方放置超声波传感器(12);所述分束器(10)上方有反射镜(13),所述反射镜(13)左侧设有能量计(14),所述检测台(4)上方放置桶装食用样本(15)。
说明书 :
一种食用油中反式油酸含量检测方法及装置
技术领域
背景技术
用过量会对人体健康产生诸多危害,如促进动脉硬化,诱发心血管疾病和糖尿病,影响儿童
生长发育和神经系统疾病等。
等缺点,不能实现快速检测。
射效应产生的分子振动光谱,不同的分子结构具有不同的分子振动光谱,根据光谱位置及
强度可定量检测物质浓度。
发明内容
声、光程距离、及环境温度与湿度的影响进行校正,放宽了方法的检测条件,扩大了检测方
法的应用范围,并提高反式油酸的检测精度。
汇聚后进入光纤3,最后由拉曼光谱仪1检测,其光谱记为S1;为校正激光能量波动的影响,
激光光束经分束器10后,10%的激光能量经反射镜13,进入能量计14,检测激光能量,其值
记为I1,并与参考设定值I进行比较;若|(I1-I)/I|<0.06,则将 作为系数对光谱S1进
行校正,即 校正后样本N1光谱记为S1’;若|(I1-I)/I|>0.06,则重新采集光谱;
采用温湿度计(9)测量环境温度和相对湿度,记为T1和H1;采用超声波传感器12测量样本N1
桶的宽度,记为W1;
和PT;将光谱OS’减去PS,OT’减去PT,校正后的光谱分别记为OS”和OT”;将光谱OT”减去OS”,获得的光谱记为OT”’,选取拉曼强度最大的6个波峰作为反式油酸的拉曼特征光谱,其特征峰位置分别记为λ1-20,λ2-20,λ3-20,λ4-20,λ5-20,λ6-20;
28、S1_32、S1_36、S1_40、S1_44、S1_48及S1_52;
℃和50%相对湿度环境下按照步骤S2进行光谱采集,其光谱记为SL1,并采用超声波传感器
测定食用油桶L1的宽度,记为WL1;光谱采集结束后,食用油桶L1的食用油倒回样本N中;对
于食用油桶L2、L3……Lm,按照上述方法采集其光谱和宽度,分别记为SL2、SL3……SLn和
WL2、WL3……WLm;
数;按照上述方法,分别获得λ2-20,λ3-20,λ4-20,λ5-20,λ6-20与宽度W的函数关系,分别记为其
中a2、b2、c2、a3、b3、c3、a4、b4、c4、a5、b5、c5、a6、b6、c6分别为上述对应校正函数的具体系数;
型,其预测模型如下:
将光谱SC’进行荧光及背景噪声校正,即SC’减去P,校正后光谱记为SC”;将环境温度TC输入ANN_T模型,获得温度校正后的6个特征峰位置,分别记为λ1-C,λ2-C,λ3-C,λ4-C,λ5-C,λ6-C;提取上述6个特征峰的拉曼强度,分别记为Iλ1-C,Iλ2-C,Iλ3-C,Iλ4-C,Iλ5-C,Iλ6-C,然后把上述6个拉曼特征峰的强度进行光程校正,即将特征峰强度除以步骤S9获得的相应的系数e-bW;然后,将
光程校正后的特征峰强度
及TC1/4*HC1/3代入预测模型中,即可获得待测食用油样本C的反式
油酸含量,实现其快速检测。
所述光纤3与所述检测台4连接;所述检测台4内部设有固定套筒5和固定支架II6,所述固定
套筒5由所述固定支架II6固定在所述检测台4内部;所述固定套筒5内由上到下安装有凸透
镜7和固定支架I8,所述固定支架I8固定所述光纤3;所述检测台4上方右侧放置温湿度计9,
所述检测台4左上方依次设有为分束器10和1064nm激光器11,所述1064nm激光器11上方放
置超声波传感器12;所述分束器10上方有反射镜13,所述反射镜13左侧设有能量计14,所述
检测台4上方放置桶装食用油样本15。
境温度与湿度的影响,放宽了检测条件,扩大了检测应用范围,并大大提高反式油酸的检测
精度。
附图说明
具体实施方式
及检测台4,由凸透镜7汇聚后进入光纤3,最后由拉曼光谱仪1检测,其光谱记为S1。与此同
时,为校正激光能量波动的影响,激光光束经分束器10后,10%的激光能量经反射镜13,进
入能量计14,检测激光能量,其值记为I1,并与参考设定值I进行比较。若|(I1-I)/I|<0.06,则将 作为系数对光谱S1进行校正,即 校正后样本N1光谱记为S1’;若|
(I1-I)/I|>0.06,则重新采集光谱。采用温湿度计9测量此时的环境温度和相对湿度,记为
T1和H1;采用超声波传感器12测量样本N1桶的宽度,记为W1。
40、S1_44、S1_48及S1_52。②对于特征峰λ1,由于光谱S1_20的采集度为20℃,其特征峰位置没有出现左移或右移,为λ1-20;对于S1_0、S1_4……及S1_52光谱,其特征峰λ1位置出现左移或右移,但幅度有限。因此,对于S1_0、S1_4……及S1_52光谱,以特征峰λ1-20为中心,根据经验分别辨识其左移或右移后的特征峰位置,分别记为λ1-0,λ1-4,…,λ1-52。对于特征峰λ2,λ3,λ4,λ5,λ6,按照上述方法辨识其左移或右移后的特征峰位置,分别记为λ2-0,λ2-4,…,λ2-52,λ3-0,λ3-4,…,λ3-52,λ4-0,λ4-4,…,λ4-52,λ5-0,λ5-4,…,λ5-52及λ6-0,λ6-4,…,λ6-52。
据对人工神经网络模型进行训练,训练完成后的人工神经网络模型记为ANN_T。
食用油桶,其容量分别记为L1、L2、L3……Lm,清洗干净。选取样本N(假定该样本容量为市面上常用的最大容量),将N样本开封,将其食用油倒入食用油桶L1中,并在20℃和50%相对湿
度环境下按照步骤(2)进行光谱采集,其光谱记为SL1,并采用超声波传感器测定食用油桶
L1的宽度,记为WL1;光谱采集结束后,食用油桶L1的食用油倒回样本N中。对于食用油桶L2、L3……Lm,按照上述方法采集其光谱和宽度,分别记为SL2、SL3……SLn和WL2、WL3……WLm。
②将光谱SL1、SL2……SLm,均分别减去步骤(4)中的光谱曲线P,以消除荧光及背景噪声等
影响;校正后,光谱分别记为SL1’、SL2’……SLm’。③对于SL1’、SL2’……SLm’,分别提取特征峰位置λ1-20的拉曼强度,分别记为Iλ1-L1,Iλ1-L2,…,Iλ1-Lm。采用函数I=ae-bW+c将其拉曼强度I与食用油桶的宽度W进行拟合,其中a、b、c为函数系数。拟合后获得的校正函数记为
其中a1、b1、c1为具体的系数。按照上述方法,分别获得λ2-20,λ3-20,λ4-20,λ5-20,
λ6-20与宽度W的函数关系,分别记为
其中a2、b2、c2、a3、b3、c3、a4、b4、c4、a5、b5、c5、a6、b6、c6分别为上述对应校正函数的具体系数。
征峰强度分别为
和光程校正后的6个特征峰的拉曼强度IC_λ1~IC_λ6及T1/4*H1/3为自变量,利用多元线性回归对N个样本的数据进行拟合,建立食用油中反式油酸含量的预测模型,其预测模型如下:
WC。将光谱SC’进行荧光及背景噪声校正,即SC’减去P(步骤(4)获得的拟合曲线),校正后光谱记为SC”。将环境温度TC输入ANN_T模型,获得温度校正后的6个特征峰位置,分别记为
λ1-C,λ2-C,λ3-C,λ4-C,λ5-C,λ6-C。提取上述6个特征峰的拉曼强度,分别记为Iλ1-C,Iλ2-C,Iλ3-C,Iλ4-C,Iλ5-C,Iλ6-C,然后把上述6个拉曼特征峰的强度进行光程校正,即将特征峰强度除以步骤(9)获得的相应的系数e-bW。然后,将光程校正后的特征峰强度
及TC1/4*HC1/3代入预测
模型中,即可获得待测食用油样本C的反式油酸含量,实现其快速检测。
所述光纤3与所述检测台4连接;所述检测台4内部设有固定套筒5和固定支架II6,所述固定
套筒5由所述固定支架II6固定在所述检测台4内部;所述固定套筒5内由上到下安装有凸透
镜7和固定支架I8,所述固定支架I8固定所述光纤3;所述检测台4上方右侧放置温湿度计9,
所述检测台4左上方依次设有为分束器10和1064nm激光器11,所述1064nm激光器11上方放
置超声波传感器12;所述分束器10上方有反射镜13,所述反射镜13左侧设有能量计14,所述
检测台4上方放置桶装食用油样本15。
所有变形,均应认为是本发明所要保护的范围。