可见/近红外光谱的葡萄籽油掺伪检测系统

葡萄籽油掺假种类繁多,手段隐蔽,成为食品安全检测的重要难点之一,为规范食用油市场,提供一种方便、可靠的葡萄籽油品质鉴别方法尤为重要。针对色谱和质谱等传统品质分析方法的耗时、试剂消耗大、专业性强等不足,以及实现无损分析的近红外光谱仪价格昂贵、操作环境要求高等缺点,研究设计一套低成本、高准确度的可见/近红外光谱仪检测系统来实现葡萄籽油品质掺假鉴别。首先,依托USB6500-Pro探测器搭建可见/近红外光谱仪硬件平台,并基于Qt设计一套简洁的人机交互界面,用以实现光谱数据的采集、处理以及葡萄籽油掺假鉴别结果的显示;其次,针对硬件和检测环境带来的光谱噪声,系统采用小波变换滤除噪声,减小光谱失真;最后,考虑到现有的基于机器学习的品质鉴别模型往往依赖已知的油类训练样本集来实现对不同掺假类别油类的预测,而利益驱使下层出不穷的掺假手段使得新的、未出现在原训练集中的掺假类别样本不断涌现,现有的品质鉴别方法将很难给出准确的判别结果。因此,研发的检测系统中设计一种能实现已知和新的掺假油品光谱的鉴别方法,该方法分为分类和校正两步:先用建模数据库中的训练集建立极限学习机(ELM)分类器模型,实现初步掺假类别的分类;然后再利用自动聚类算法对分类结果进一步校正。若与校正数据集产生一个聚类中心,则证明分类结果正确且属于建模数据库中的已知掺假类别;若产生两个聚类中心,则分类结果不正确,样本为新掺假类别,未出现在建模数据库中,最终得到准确的掺假类别结果。为检验系统性能,用搭建的可见/近红外光谱仪硬件平台采集了纯葡萄籽油和掺入不同比例的大豆油、玉米油、葵花籽油和调和油的葡萄籽油的5类光谱数据,每一类30组共计150组数据,将得到的可见/近红外光谱数据先进行小波阈值法去噪和多元散射校正(MSC)预处理后输入到设计的检测系统中。假定前4类作为建模数据库中的已知掺假类别以及第5类作为新掺假类别,先利用K-S算法将已知掺假类别的每类样本划分成训练集20组和测试集10组,用训练集共80组样本建立ELM分类模型,将40组测试集输入到ELM实现初步判别,判别结果再进一步聚类分析校正,只有一个聚类中心,说明了模型判别准确,且对已知类别能够100%识别;当30组新掺假类别样本输入到ELM模型时,均判别成了纯葡萄籽油,进一步聚类分析校正,产生了两个聚类中心点,说明ELM模型误判,定性判定第5类为新掺假类别。实验结果表明,研发的葡萄籽油掺伪检测系统操作简单、快速,不仅对已知掺假类别能够100%识别,而且对新掺假类别能够实现定性判别。     

近红外光谱法定性定量检测蜂蜜中掺入甜菜糖浆的可行性研究

为进一步检验近红外光谱技术(NIRS)快速检测蜂蜜掺假的能力,利用近红外光谱结合化学计量学方法对蜂蜜中掺入甜菜糖浆进行了定性和定量检测。偏最小二乘-判别分析法(PLS-DA)对真假蜂蜜预测集的判别总正确率为90.2%;不同判别方法对掺假量等级预测集的判别总正确率都低于33.3%;PLS回归只对同一蜂蜜样本掺假的定量分析结果满意：预测集真实值与预测值的相关系数(r)为0.982 9,预测均方差(RMSEP)为1.394 2,而对不同植物来源和同一植物来源的不同样本的掺假量的定量分析结果不满意。研究表明,蜂蜜中掺入甜菜糖浆后,NIRS可实现真假蜂蜜的快速鉴别,而不能实现掺假量等级的鉴别及掺假量的定量分析。     

蜂蜜真伪的近红外光谱鉴别研究

如何有效鉴别蜂蜜真伪是目前我国蜂产品质量控制的难题之一。提出了一种用傅里叶变换近红外光谱结合判别偏最小二乘法(DPLS)快速鉴别蜂蜜真伪的新方法。首先采集了71个商品蜜样品的近红外光谱数据,其中包括27个纯蜂蜜和44个掺假蜂蜜,然后5次随机划分建模集样本和验证集样本,并对建模样本进行不同光谱预处理,选择并优化不同波段范围和主成分数,用DPLS法建立了5组蜂蜜样本的真伪鉴别模型,外部交叉验证法预测模型。通过对结果进行比较分析,5组校正模型中真蜂蜜和掺假蜂蜜的总体识别准确率分别为91.49%,94.68%,92.98%,93.86%,94.87%;预测样本的识别准确率为86.96%～93.75%,其中模型2,3,4中掺假蜜的识别准确率达100%。研究结果表明,该方法可作为鉴别商品蜜真伪的一种快速筛选技术,在我国蜂蜜质量监控中具有重要意义。     

核密度估计算法结合近红外光谱技术鉴别三叶青产地

三叶青是我国珍稀中药材，具有多种疗效，但不同产地的三叶青有效成分含量差异悬殊，为防止三叶青以次充好，其产地鉴别尤为重要。以浙江、云南、安徽、广西和湖北五个产地的三叶青为研究对象，利用傅里叶变换近红外光谱分析仪(Fourier transform near infrared spectroscopy, FT-NIR)收集4 000~10 000 cm-1范围内的近红外光谱，由于三叶青近红外光谱数据还未完善，因此在其产地鉴别上，应对鉴别算法提出更高的要求，即在实现三叶产地鉴别的同时，还要能够有效地识别出其他或未知新产地的三叶青。针对这一问题，本文结合三叶青近红外光谱数据的特点，对算法共做了三方面改进：①从距离的角度估计样本的概率密度；②以训练样本可信度的方式计算带宽参数；③在未知新产地的识别上，提出一种基于训练集样本的概率密度函数的识别方法。结果表明，该算法对训练集样本的识别精度达到了100%，且在140组预测集样本中，只有3组样本识别出错，并能够100%地识别出未知新产地的三叶青，说明基于核密度估计的改进算法在三叶青产地鉴别上，不仅鉴别精度高，且能够有效识别出其他或未知新产地的三叶青。     

基于中红外光谱分析技术的香菇产地识别研究

采用中红外光谱分析技术对香菇产地进行识别研究,并将相关向量机(relevance vector machine,RVM)算法应用于中红外光谱判别分析之中,取得了较好的效果。通过采集香菇粉末的中红外透射光谱,去除光谱噪声明显部分,对剩下的3 581~689cm-1透射谱线采用多元散射校正(multiplicative scatter correction,MSC)进行预处理,并基于预处理谱线建立了香菇产地识别的偏最小二乘判别分析(partial least squares-discriminant analysis,PLS-DA)、簇类独立软模式分类(soft independent modeling of class analogy,SIMCA)、K最邻近算法(K-nearest neighbor algorithm,KNN)、支持向量机(support vector machine,SVM)、RVM模型等五种判别分析模型。所有模型的识别正确率均高于80%,KNN,SVM和RVM判别分析模型取得了相近的结果,建模集和预测集识别正确率高于90%。基于全谱的PLS-DA模型的加权回归系数,利用加权回归系数法选取了6个特征波数,并基于特征波数建立了PLS-DA,KNN,SVM和RVM模型。基于特征波数的PLS-DA模型的建模集和预测集识别正确率均低于80%,而KNN,SVM和RVM模型的建模集和预测集的识别效果相近,且都高于90%。基于全谱和特征波数的模型中,RVM算法表现出较好的效果,识别正确率优于90%。结果表明,基于中红外光谱技术能用于香菇产地的识别,特征波数的选择以及RVM算法可以有效的用于中红外光谱判别分析中。本文成功将中红外光谱用于香菇产地识别研究,为香菇品质以及其他农产品品质分析提供了一种新的想法,具有实际意义。     

基于近红外光谱和最小二乘支持向量机的聚丙烯酰胺类型鉴别

提出了一种基于近红外光谱分析技术和最小二乘支持向量机的鉴别方法,能够快速、无损鉴别聚丙烯酰胺的三种类型。获取非离子,阴离子和阳离子等三种类型的聚丙烯酰胺样本的近红外漫反射光谱,用主成分分析方法对样本光谱数据进行降维,并提取主成分。基于前三个主成分对三种类型的聚丙烯酰胺样本进行聚类分析,并将主成分作为最小二乘支持向量机的输入。通过基于网格搜索的交叉验证方式优化最小二乘支持向量机的参数和作为其输入的主成分个数。每种类型聚丙烯酰胺各采集60个样本,共采集180个样本,每种类型样本随机选取45个样本,共135样本作为训练样本集,剩余45个样本作为测试集。为了验证该方法能否鉴别掺假样本,制备了掺入不同比例非离子聚丙烯酰胺的5个阴离子和5个阳离子聚丙烯酰胺样本。采用基于训练样本集交叉验证预测误差的F统计显著性检验方法来确定样本的鉴别结果误差阈值。结果表明,预测测试集时,准确率为100%。预测10个混和样本时,所有混合样本都被准确识别出。说明该方法能快速无损鉴别不同类型的聚丙烯酰胺并且具有掺假鉴别能力,为聚丙烯酰胺类型的快速鉴别提供了一种新方法。     

基于强影响度的近红外奇异样本识别算法研究

校正样本选择以及奇异样本剔除对于近红外光谱定量和定性建模非常重要。现有的识别奇异样本的方法一般都基于数据重心估计,需要一个经验的判断阈值,在很大程度上限制了其识别准确性和实用性。针对现有方法奇异样本识别准确率低的问题,改进了一种现有度量尺度-杠杆值,构造出一种新的基于强影响度的奇异样本识别算法。这种度量尺度在一定程度上减少了对数据重心的依赖,使正常样本更加聚集,拉开了奇异样本与正常样本的距离;同时,为了避免人工根据经验设定阈值的不合理性,引入统计学领域中跳跃度的概念,提出了一种自动阈值设定方法判别奇异样本。为了验证该算法的有效性,利用马氏距离、杠杆值-光谱残差法与该算法分别对200个代表性校正集样本中的异常样品进行剔除,然后通过偏最小二乘法(PLS)对剩余的校正集样本(以烟碱为指标)定量建模,并对60个代表性测试集样本进行预测,以交互验证均方根误差(RMSECV)、相关系数(r)和预测均方根误差(RMSEP)为评价指标比较各算法的优劣。实验对比结果表明,基于强影响度的奇异样本识别算法较现有方法明显提高了奇异样本识别的准确率,具有较低的RMSECV(0.104),RMSEP(0.112)以及较高的R(0.983),提高了模型的稳定性和预测能力。     

掺有植物性填充物牛奶的近红外光谱判别分析

为探索近红外光谱技术在生鲜牛奶掺假检测中的应用, 寻找一种快速的检测方法,以分别掺有植物奶油、植物蛋白、淀粉的牛奶为材料,利用傅里叶变换近红外光谱仪对样品进行扫描并得到光谱数据, 应用Fisher线性判别分析和偏最小二乘法对试验数据进行了多元统计分析。分析结果表明,利用Fisher判别分析建立的掺假牛奶判别模型的正确判别率达到97.78％,对未知样进行检验,正确判别率达到94.44%;利用偏最小二乘法建立的各掺假物质掺入量的定量检测模型,各掺假牛奶的校正集决定系数(R2)均在99.0%以上,各掺假牛奶的验证集决定系数均在98.5%以上,模型的预测效果良好。上述2种方法说明了近红外光谱技术可以实现对掺有植物性填充物牛奶的快速定性、定量鉴别。     

近红外光谱结合非线性模式识别方法进行牛奶中掺假物质的判别

以287例上海及上海周边地区牧场的生鲜奶作为真奶样本集组成3个真奶样品集合,配制了526例含有糊精(或淀粉)+三聚氰胺(或尿素、或硝酸铵)的掺假牛奶形成6个不同种类的假奶样品集合,其中糊精、淀粉在掺假奶中的含量为0.15%~0.45%;硝酸铵、尿素和三聚氰胺的含量分别为700~2 100, 524~1 572与365.5~1 096.5 mg·kg-1,以保证掺假奶中凯氏定氮法测得的蛋白含量不低于3%。所有样本的近红外光谱均经过标准正态变换(SNV)预处理。将3个真奶样品集合和6个假奶样品集合进行不同的组合并对其采用改进与简化的K最邻近结点算法(IS-KNN)和改进与简化的支持向量机法(ν-SVM)建立了判别糊精、淀粉、三聚氰胺、尿素、硝酸铵这5类掺假物质的近红外判别模型,探寻掺假物质的浓度与识别正确率之间的关系。结果表明IS-KNN和ν-SVM两种方法对含三聚氰胺、尿素、硝酸铵的掺假牛奶的平均判别正确率分别在49.55%~51.01%,61.78%~68.79%与68.25%~73.51%区间波动,说明在该研究的掺假物浓度范围内,很难用近红外模型良好区分不同类型伪蛋白的掺假奶;IS-KNN和ν-SVM两种方法对含淀粉的掺假牛奶的判别正确率分别为92.33%与93.66%、对含糊精的掺假牛奶的平均判别正确率分别为77.29%与85.08%。从整体结果上来看ν-SVM法进行建模判别的结果大部分优于IS-KNN法进行建模判别的结果。对判别正确率与样品中掺假物质的含量水平分析表明近红外光谱结合非线性模式识别方法能良好地区分掺假奶中含量较高(0.15%~0.45%)的糊精和淀粉,而对含量偏低的三聚氰胺等伪蛋白的判别效果不佳,说明近红外光谱技术不适于鉴别牛奶中含量低于0.1%的掺假物质。     

基于近红外光谱检测和平衡级联稀疏分类的药品鉴别方法

近红外光谱检测和模式识别方法相结合,在药品的现场快速无损监督管理中有广阔的应用前景。传统的鉴别方法以最小化错误率为目标,往往忽略了样本数据的类别不平衡性,从而使得少数类样本被多数类样本淹没,降低少数类样本对分类器的影响,使分类结果更加倾向正确识别多数类样本,严重影响鉴别结果。针对药品光谱数据中真假药品类别不平衡问题进行研究,融合平衡级联和稀疏分类方法(SRC),提出一种级联的稀疏分类药品鉴别方法(BC-SRC)。文中在多数类样本中选取和少数类数目相同的样本作为训练样本,并在多数类样本中进行多次平行采样使得多数类样本被全部获得过(采样次数为多数类样本数与少数类样本数商的向上取整),最终得到测试样本的多组预测结果,根据得到的多组结果获得最终预测标签。将提出的方法在Matlab 2012a上进行仿真实验,通过三组样本集的实验证明该方法的有效性,实验结果表明该方法优于常用的偏最小二乘(PLS)、极限学习机(ELM)和BP神经网络分类法,特别是在解决类别不平衡问题时,当不平衡因子大于10时,BC-SRC算法分类相对于其他算法性能更好,且稳定性更高。     

基于最小二乘支持向量机的橄榄油掺杂拉曼快速鉴别方法

提出了一种基于最小二乘支持向量机(LS-SVM)的橄榄油掺杂拉曼快速鉴别方法。首先,收集若干己知类别的橄榄油样作为训练样本,获取其拉曼谱图,并对其谱图进行预处理和波段选择,进而构建LSSVM分类器;对于未知类别的油样,获取其拉曼谱图,并进行相应的预处理和波段选择,由LSSVM分类器获得鉴别结果。实验以7种已知的特级初榨橄榄油为基础,分别掺入4种其它植物油(大豆油、菜籽油、玉米油、葵花籽油),获得112个掺杂油样。将全部样本随机分成训练集和测试集,对测试集样本的预测实验结果表明,本文方法能有效鉴别橄榄油掺杂,且掺杂量最低检测限为5%。与其它分类方法相比,LSSVM分类法具有最佳的分类性能。该方法快速、简便,为橄榄油掺杂鉴别提供了一种全新的方法。     

可见/近红外光谱的油茶籽油三元体系掺假检测模型优化

采用可见/近红外光谱技术结合化学计量学方法对油茶籽油三元体系掺假进行定量检测研究。将菜籽油和花生油按不同比例掺入纯油茶籽油中,获得掺假样本。采集纯油茶籽油及掺假样本在350~1 800 nm范围内的可见/近红外光谱数据,随机分为校正集和预测集,并从不同建模波段、预处理方法及建模方法角度对掺假预测模型进行优化。研究结果表明,菜籽油、花生油和总掺伪量的最优建模波段及预处理方法分别为750~1 770,900~1 770 ,870~1 770 nm和多元散射校正(MSC)、标准归一化处理(SNV)和二阶微分,而最优的建模方法均为最小二乘支持向量机(LSSVM)。对于最优掺假模型,菜籽油、花生油和总掺伪量的预测集相关系数(R_p)和预测均方根误差(RMSEP)分别为0.963,0.982,0.993和2.1%,1.5%,1.8%。由此可见,可见/近红外光谱技术结合化学计量学方法可以用于油茶籽油的三元体系掺假定量检测。     

激光拉曼光谱检测灵芝孢子油

采用激光拉曼光谱分析比较了灵芝孢子油、橄榄油、葵花籽油及鱼肝油的光谱特征,结果显示激光拉曼光谱法可以用于快速检测灵芝孢子油：灵芝孢子油具有位于1 563 cm-1处峰强较弱线宽较宽的特征拉曼峰,而且位于1 445和1 660 cm-1两处拉曼峰的相对强度比与其他油不同。同时运用激光拉曼光谱法分析了变质的灵芝孢子油和廉价的灵芝孢子油,发现暴露在空气中一段时间后的灵芝孢子油的活性成分基本被氧化了,市场上廉价的灵芝孢子油可能是由变质的灵芝孢子油、葵花籽油、或其他廉价植物油混合掺杂而成的。     

二维相关近红外光谱检测牛奶中的三聚氰胺

配置合格的纯牛奶样本及含有三聚氰胺质量浓度范围为0.01g/L～3g/L的掺杂牛奶样本各20个,并采集其近红外光谱。以牛奶中掺杂三聚氰胺浓度为外扰,构建二维相关同步谱,研究其相关谱特性。在此基础上,结合偏最小二乘判别分析法(PLS-DA)建立定性模型,可以实现纯牛奶与掺伪牛奶的定性鉴别,正确识别率达100%。同时,将二维相关近红外同步谱矩阵与偏最小二乘法(PLS)结合起来,建立定量分析牛奶中掺杂三聚氰胺的数学模型。对未知样品的预测相关系数R达到0.98,预测均方根误差(RM-SEP)为0.18g/L,说明基于同步相关谱矩阵建立定量分析的数学模型是可行的。该方法无需样品处理,成本低,为快速检测掺伪牛奶提供了一种新的途径。     

粤北灵芝的红外光谱宏观三级鉴定研究

采用红外光谱的宏观三级鉴定法分析鉴别了赤芝、黑芝、松杉灵芝和树舌灵芝。在一维红外光谱中,根据灵芝的1 153和1 078 cm-1的糖苷类化合物的吸收峰的相对强度,可得出这4种灵芝的糖苷类化合物的相对含量依次为： 赤芝＞黑芝＞松杉灵芝＞树舌灵芝。在高分辨率二阶导数谱中,四者在1 600～1 720 cm-1波段处的吸收峰的峰位置、峰形状均有很大差别,说明四者本身所含的氨基酸多肽类物质是不一致的。观测二维相关红外光谱,四者都存在1 100 cm-1的糖苷类化合物的自动峰,不同的是赤芝共有4个自动峰且1 040 cm-1自动峰强度最大,黑芝共有5个自动峰且1 040和1 139 cm-1自动峰的强度最大,松杉灵芝共有4个自动峰且1 140 cm-1的自动峰强度最大,树舌灵芝共有5个自动峰且1 134 cm-1的自动峰强度最大。谱图的三级鉴定验证了赤芝、黑芝、松杉灵芝和树舌灵芝在糖苷类化合物和氨基酸多肽类化合物的相对含量上都是不一致的。结果表明,运用红外光谱法可以快速有效地分析和鉴定赤芝、黑芝、松杉灵芝和树舌灵芝。     

Adulteration of sesame oil with corn oil detected by use of two-dimensional infrared correlation spectroscopy and multivariate calibration

An innovative methodology was developed to detect adulteration of sesame oil with corn oil based on two-dimensional mid-infrared correlation spectroscopy with multivariate calibration. Forty pure sesame oils and 40 adulterated sesame oils with corn oil were prepared and the infrared absorption spectra were measured at room temperature, respectively. The synchronous two-dimensional mid-infrared correlation spectra were calculated to develop multivariate calibration models for adulteration of sesame oil with corn oil. The results showed the higher classification accuracy of 96.3% for the prediction set using two-dimensional mid-infrared correlation spectra and N-way partial least square discriminant analysis, versus 88.9% using traditional one-dimensional mid-infrared spectra and partial least squares discriminant analysis. Also, the multivariate calibration models were developed for quantitative analysis of sesame oil adulteration with corn oil. The root mean square error of prediction was 0.98% v/v using two-dimensional mid-infrared correlation spectra and N-PLS, and 1.15% v/v using traditional one-dimensional mid-infrared spectra and PLS. The results of our analyses indicated that the proposed method could provide better predictive results than traditional one-dimensional mid-infrared spectra and multivariate calibration.     

基于激光近红外的稻米油掺伪定性-定量分析

该文主要研究激光近红外光谱分析技术结合化学计量学方法对稻米油掺伪进行定性-定量分析。分别将大豆油、玉米油、菜籽油、餐饮废弃油掺入稻米油中,按照不同质量比配置189个掺伪油样,利用激光近红外光谱仪采集光谱;对采集的稻米油掺伪图谱数据进行多元散射校正(MSC)、正交信号校正 (OSC)、标准正态变量变换和去趋势技术联用算法(SNV_DT)三种不同预处理并与原始数据进行比较。采用连续投影算法(SPA)对经过预处理的光谱数据进行特征波长提取,应用支持向量机分类(SVC)方法建立稻米油掺伪样品的定性分类校正模型,选择网格搜索算法对模型参数组合(C,g)进行寻优,确定最优参数组合。另采用后向间隔偏最小二乘法(BiPLS)和SPA对预处理后的光谱数据进行特征波长提取,分别应用偏最小二乘法(PLS)和支持向量机回归(SVR)建立掺伪油含量的定量校正模型,并选用网格搜索算法对SVR模型参数组合(C,g)进行寻优,建立最优参数模型。研究表明,建立的SVC模型预测集和校正集的准确率分别达到了95%和100%;对比SVR和PLS方法建立的数学模型对稻米油中掺杂油脂的含量的预测,两种方法均能够实现含量预测,SVR模型的预测能力更好,相关系数R高于0.99,均方根误差(MSE)低于5.55×10-4,预测精度高。结果表明,采用激光近红外光谱分析技术可以实现稻米油掺伪的定性-定量分析,同时为其他油脂的掺伪分析提供了方法。     

基于连续分类策略的饲用鱼油掺假陆生动物油脂红外光谱鉴别分析

与其他动物油脂相比,饲用鱼油的营养价值高、产量低、提炼工艺复杂,其真实性的鉴定有利于市场的正常运行和消费者权益的保障。本研究提出一种基于红外光谱的连续分类策略,并将其应用于饲用鱼油中违法掺假陆生动物油脂的鉴别分析。实验收集动物油脂样品共50个（鱼油12个、猪脂10个、鸡油9个、牛脂10个、羊脂9个）,采用均匀混合法制备饲用鱼油中掺加陆生动物油脂的样品160个。采用主成分分析（PCA）方法进行用饲用鱼油中掺假陆生动物油脂红外光谱鉴别分析的可行性分析。结果表明：纯鱼油和掺假陆生动物油脂鱼油之间得到了较好的区分;其他掺假陆生动物油脂鱼油之间有一定的鉴别分析潜力。基于偏最小二乘判别分析（PLS-DA）和单类别偏最小二乘法（OC-PLS）,第一步,建立检测鱼油真实性的单类别筛查模型;第二步,建立多类别陆生动物油脂掺假的鉴别模型,探讨了两种陆生动物油脂类别划分方式对鉴别模型的影响。研究表明：单类别筛查模型成功区分了纯鱼油和掺假鱼油,识别率和拒绝率均为100%,误判率为0%;按照纯鱼油、猪脂掺假鱼油、鸡油掺假鱼油、牛脂掺假鱼油和羊脂掺假鱼油进行分类,多类别鉴别模型的识别率和拒绝率均大于80%,误判率均在15%以下;按照纯鱼油、非反刍动物油脂掺假和反刍动物油脂掺假进行分类,多类别鉴别模型的识别率和拒绝率均提升至90%以上,误判率减小至7%以下。在提出的连续分类策略中,中红外光谱技术结合化学计量学可以用于高效筛查鱼油中是否掺假陆生动物油脂,并且可以进一步确证掺假陆生动物油脂种属源。该方法作为一种快速筛查与确证分析工具可满足大样本量鱼油中陆生动物油脂掺假的检测需求。