蜂蜜質量的近紅外光譜分析技術研究.pdf

1、蜂蜜是具有重要營養(yǎng)價值和醫(yī)療保健作用的天然食品。對蜂蜜質量的檢測一般包括理化參數分析、品種鑒別、產地鑒別和真?zhèn)螜z測。高效、快速、低成本檢測蜂蜜質量是有效監(jiān)控蜂蜜質量的前提條件之一。近紅外光譜技術具有高效、快速、低成本和綠色環(huán)保等常規(guī)分析方法無可比擬的優(yōu)點。開展蜂蜜質量近紅外光譜分析技術研究對保證蜂蜜質量、保護消費者權益和保障蜂蜜產業(yè)健康發(fā)展具有重要意義。本課題的主要研究內容及得到的結論如下:
　　 (1)研究了薄膜袋透反射、樣品

2、杯透反射和樣本池透射三種不同方式下采集的蜂蜜近紅外光譜的重復性，確定樣品杯透反射光譜和樣本池透射光譜重復性好。進一步比較這兩種方式下采集的光譜所建模型的預測能力后，確定樣品杯透反射方式為蜂蜜近紅外光譜采集的較合理方式。
　　 (2)通過考察掃描次數和分辨率對光譜響應特性和對模型預測能力的影響，確定采集蜂蜜近紅外光譜時，掃描次數取32次、分辨率取8cm-1為宜。
　　 (3)用近紅外光譜結合偏最小二乘法(PLS)對蜂蜜的1

3、2個主要理化參數值進行了定量分析。這12個理化參數包括可溶性固形物含量(SSC)、水分、還原糖、pH值、總酸度、電導率、果糖、葡萄糖、蔗糖、麥芽糖、果糖/葡萄糖和葡萄糖/水。PLS模型對蜂蜜中SSC、水分、還原糖和果糖/葡萄糖的定量分析結果好:驗證集預測均方根誤差(RMSEP)依次為0.1795、0.1696、1.5270和0.0344，真實值和模型預測值的相關系數(Rp)依次為0.9989、0.9989、0.9191和0.9749。對

4、其它8個理化參數用蒙特卡羅交互檢驗法(MCCV)剔除奇異樣本，再用競爭性自適應重加權采樣(CARS)變量選擇法結合PLS回歸來優(yōu)化模型，優(yōu)化后的PLS模型的預測能力都有明顯提高。優(yōu)化后模型對蜂蜜pH值、總酸度、電導率、果糖、葡萄糖、蔗糖、麥芽糖和葡萄糖/水的RMSEP分別為0.1196、0.4674、2.6827、0.4955、0.5704、0.5711、0.2578和0.0394，Rp分別為0.9058、0.9083、0.9679、0

5、.9845、0.9879、0.9386、0.9586和0.9809。
　　 (4)選擇4200～5400cm-1的光譜范圍，分別采用馬氏距離判別分析法(MD-DA)、偏最小二乘判別分析法(PLSDA)和徑向基函數神經網絡法（RBFNN）對5個品種（蘋果、油菜、棗花、枸杞和荊條）蜂蜜進行植物來源的判別分析。MD-DA模型和RBFNN模型對驗證集的判別總正確率都達到了94.0％，而PLSDA模型只有78.0％。表明近紅外光譜結合MD

6、-DA法或RBFNN法具有快速識別蜂蜜品種的潛力。
　　 (5)光譜用小波變換(WT)進行變量壓縮和濾噪。結合濾波前后的光譜信息，分別用RBFNN和PLSDA建立了蘋果蜜產地和油菜蜜產地的判別模型，并對驗證集進行預測。對蘋果蜜，PLSDA、WT-PLSDA、RBFNN和WT-RBFNN模型對驗證集的判別總正確率都為96.2％;對油菜蜜，PLSDA、WT-PLSDA、RBFNN和WT-RBFNN模型對驗證集的判別總正確率分別86.

7、4％、90.9％、81.8％和86.4％。結果表明:不同品種蜂蜜的產地判別，同樣的建模方法所得預測結果會存在較大差異;線性的WT-PLSDA模型比非線性的WT-RBFNN模型可能更適于蜂蜜產地判別;近紅外光譜技術具有快速識別蜂蜜產地的潛力。
　　 (6)真蜂蜜樣本中分別摻入高果玉米糖漿(HFCS)、甜菜糖漿(BS)、麥芽糖漿(MS)及這三種糖漿的混合物，采集摻假前后蜂蜜樣本的近紅外光譜。分別用距離匹配法(DM)、MD-DA和PL

8、SDA法對真假蜜進行定性判別分析，結果表明PLSDA模型的判別結果最好:驗證集的判別總正確率依次為82.4％、90.2％、90.2％和80.4％。當分別用這三種判別方法對摻假物類型進行判別分析時，只有DM模型和MD-DA模型能較好地識別MS摻假物，驗證集的判別正確率都為82.4％。用PLS回歸法對不同摻假物的摻假量進行定量分析的結果表明:同一蜂蜜樣本摻假，摻假物的定量分析結果好，但這不具現實意義;同一品種或不同品種蜂蜜摻假，只有MS摻假

9、物的定量分析結果較好。
　　 (7)真蜂蜜樣本中摻入果糖和葡萄糖的混合溶液，采集真蜂蜜與摻假蜜的近紅外光譜。用WT對光譜進行變量壓縮和去噪，選擇徑向基核函數(RBF)作為最小二乘支持向量機(LS-SVM)算法的內核函數，用網格搜索法尋優(yōu)，得到回歸誤差的權重(γ)和RBF核的核參數(σ2)分別為222.822和45.170。建立的LSSVM模型對驗證集的判別總正確率為95.1％，高于支持向量機算法(SVM)、反向傳播人工神經網絡法