蜂蜜中外源性γ-淀粉酶残留量的测定

采用液相色谱-同位素质谱联用法(LC-IRMS)建立了测定蜂蜜中外源性γ-淀粉酶残留量的方法。先采用凝胶色谱柱对蜂蜜样品进行预分离,将样品中所含的酶与糖分离开。根据γ-淀粉酶可将底物麦芽糖酶解为葡萄糖的原理,在55 ℃、pH 4.5的0.03 mol/L磷酸盐缓冲液中将γ-淀粉酶与麦芽糖反应48 h后,采用LC分离麦芽糖和葡萄糖,以IRMS测定酶解产物葡萄糖的含量来确定γ-淀粉酶的残留量。本方法的线性范围为5～200 U/kg,定量限为5 U/kg,回收率为89.6%～108.2%,相对标准偏差为3.3%～4.9%。采用本方法对市售蜂蜜和大米糖浆共38个样本进行了考察,γ-淀粉酶的检出率为76.3%。为了进一步验证本方法的检测能力,测定了掺入15%(质量分数)大米糖浆的蜂蜜样品,测得γ-淀粉酶的含量为10.2 U/kg。本方法能够有效地从酶学的角度鉴定蜂蜜中是否含有大米糖浆。     

傅里叶变换近红外光谱结合RVM与新聚类算法鉴别灵芝孢子油多样掺假类别

食品掺假种类众多,手段隐蔽,成为食品安全检测一个重要难题。为摆脱传统模型识别食品中是否存在新掺假类别的局限性,实验以纯净的灵芝孢子油和掺杂不同比例花生油、玉米油、薏仁油、地沟油的五种类别为研究对象,采用傅里叶变换近红外光谱(Fourier transform near infrared spectroscopy, FT-NIR)收集12 400～4 000 cm-1范围内的近红外光谱。假设掺杂地沟油为新掺假类别,利用前四种类别的校正集样本构建相关向量机(RVM)多分类器,分别对建模的预测集样本和掺杂地沟油样本进行判别,并借助新聚类算法对判别为纯净的灵芝孢子油的样本做进一步分析验证。研究表明,RVM分类器对于建模的预测集样本判别准确率高达93.75%,说明模型有较强的判别能力,但由于模型局限性,掺杂地沟油样品被误判为纯净的灵芝孢子油;在新聚类算法的决策图上,纯净灵芝孢子油校正集和预测集混合样本的聚类中心数为1,而纯净灵芝孢子油校正集和掺杂了地沟油混合样本聚类中心数为2,直观验证判别结果的准确性。结果表明利用FT-NIR技术结合RVM分类器与新聚类算法对于灵芝孢子油掺假能够有效识别,并且能够定性识别新型掺假类型,为解决食品掺假多样化问题提供一种新思路。     

基于高光谱技术的蛋白粉掺假检测研究

蛋白粉是健身者必备的营养补剂,市场需求在不断增加,一些不法商家为了谋取利益,在蛋白粉中加入廉价的粉末售卖。传统的蛋白粉掺杂的检测方法费时、费力,操作复杂,且成本昂贵。高光谱技术具有易于操作、在不损害实验样本的情况下可快速检测等优点,因此,提出使用高光谱技术以实现蛋白粉掺假检测。在蛋白粉中分别加入质量百分数5%～60%,浓度间隔5%的三类掺假物（玉米粉、大米粉和小麦粉）,并采集所有样本的光谱信息。在对蛋白粉中的玉米粉、大米粉和小麦粉三类掺假物进行定性判别时,首先分别采用卷积平滑（SG）、标准化（Normalize）、多元散射校正法（MSC）、基线校正（Baseline）和标准正态变换（SNV）的预处理方法对光谱数据进行处理,然后建立基于主成分回归（PCR）、反向传播神经网络（BPNN）和随机森林（RF）的模型,其中基于全波段光谱MSC预处理方法下建立的RF模型最优,其整体准确率达到了100%,其对应的R_P和RMSEP分别为0.997 9和0.018 9。在对蛋白粉中不同掺假物浓度进行定量分析时,对三类掺假样本的光谱分别进行SG,Normalize,MSC,Baseline和SNV的预处理,并建立LSSVM模型;比较不同预处理方法下的各模型之间的性能,在蛋白粉中掺玉米粉、大米粉和小麦粉的LSSVM预测模型最佳预处理方法分别是无、Baseline和Normalize,然后,采用连续投影算法（SPA）和竞争性自适应重加权算法（CARS）对其筛选,并建立LSSVM模型,三类掺假样本的SPA-LSSVM模型对应的R_P为0.989 0,0.986 0和0.997 9,CARS-LSSVM模型对应的R_P为0.991 0,0.994 6和0.999 1,故三类掺假样本的CARS-LSSVM模型预测效果更佳。研究表明：高光谱技术可以实现对蛋白粉掺假的定性、定量的检测,并且操作简单、检测快速和无损。     

基于NIR结合化学计量法牛肉糜掺假检测

采用近红外(Near Infrared, NIR)技术(12500～5400cm-1)快速无损检测牛肉糜的掺假。判别分析(Discriminant Analysis, DA)、主成分回归(Principle Component Regression, PCR)等功能强大的化学计量学技术被用于掺假检测和掺假水平预测模型。通过选择适当的光谱波长和使用不同的光谱预处理方法,优化了DA和PCR模型。选择特定波长和使用(无预处理方法)的DA模型分类率达到了100%。基于全波长和使用(无预处理方法的)PCR的最佳预测模型的相关系数Rp为92.21%,样本的预测均方根误差(Root Mean Square Error Of Prediction, RMSEP)为9.80。研究结果说明NIR技术对牛肉糜的掺假体系适用。     

中国有望推行牛乳掺假快速检测方法

中国科协在不久前召开的新闻发布会上宣布,一种快速检测牛乳掺假的方法已经研发出来,广泛推行后将对保障我国乳品安全发挥重要作用。为了寻找一种适合企业和牧场用于监控牛乳品质的快速、价廉、简便、无损的方法,浙江工商大学研究小组利用低场核磁共振仪研究了纯牛乳和各种形式（掺水、掺食盐、掺尿素、掺豆浆、掺复原乳）的掺假乳的弛豫特性（差别）,并用主成分分析法处理样品的检测数据。     

一种基于近红外光谱技术的不同品种及掺假三七的无损鉴别分析研究

基于近红外光谱技术与化学计量学方法,提出了一种不同品种及掺假三七的快速无损鉴别方法。分别采集景天三七、菊三七、血三七、田三七完整、粉末及掺假样品的近红外光谱,采用单一和组合预处理方法消除光谱中的干扰,筛选出最佳的预处理方法;结合主成分分析法建立不同品种以及掺假三七样品的鉴别模型。结果表明：结合主成分分析,采用原始光谱即可实现粉末及掺假样品的100%鉴别分析,而完整样品由于受到物理性状的干扰,其原始光谱数据的品种鉴别率仅为9.38%;而经连续小波变换预处理后可达93.75%。采用组合预处理方法可以进一步消除光谱存在的多种干扰,显著提高完整样品的鉴别准确性,采用去偏移 + 一阶导数、去偏移+连续小波变换以及二阶导数+标准正态变量变换预处理方法预处理后,完整样品的鉴别准确率达到了93.75%。以上结果表明,采用近红外光谱技术与化学计量学方法可有效实现对不同品种以及掺假三七的快速无损鉴别分析。     

基于波段注意力卷积网络的近红外奶粉皮革水解蛋白掺假检测

近年来,深度学习技术在近红外光谱、拉曼光谱、荧光光谱等的光谱学数据建模上取得一系列突破。由于深度学习方法对于样本数量的需求高,而在分析化学领域获得大量有标签样本较为困难,因此过拟合问题一直是深度神经网络在化学计量学中应用时研究者高度关注的问题。该工作提出基于波段注意力卷积网络(WA-CNN)的近红外数据建模方法,并应用于婴儿配方奶粉皮革水解蛋白(HLP)掺假定量分析。WA-CNN在传统卷积网络的基础上加入波段注意力模块,该模块采用卷积操作自训练波段注意力权值,并以乘法加权形式对有效波段进行激活,从而有效缓解深度神经网络在近红外数据建模中的波段信息冗余问题,达到抑制过拟合,提升预测精度的目的。研究中共测试100个皮革水解蛋白掺假婴儿配方奶粉样本的近红外光谱数据,其中皮革水解蛋白的掺假比例范围是0%～20%。采用60%的样本训练,剩余40%样本测试,随机采样10次,通过测试集均方根误差(RMSEP)、决定系数(R2)以及相对分析误差(RPD)的均值来进行模型评价。并建立偏最小二乘回归(PLS)、支持向量机回归(SVR)和常规的一维卷积神经网络(CNN)三种传统模型用于对比。与上述对比方法相比,WA-CNN取得最优的模型预测结果,最终获得了RMSEP=1.32%±0.12%,R2=0.96±0.01,RPD=4.92±0.41的掺假定量预测结果。此外,实验结果还表明,相比于传统CNN,WA-CNN在训练过程中对于训练集及测试集损失函数都具有更快更稳定的收敛速度。在20%～80%的不同训练样本数量情况下,WA-CNN相比于三种对比方法均取得最优的模型预测结果。     

基于高光谱技术检测全蛋粉掺假的研究

传统食品掺假分析多集中于检测特定已知或者怀疑可能存在的掺假物，然而由于掺假形式的多样性以及新的掺假物不断出现，使得传统检测方法具有局限性。目前，全蛋粉作为鲜蛋理想替代品掺假现象十分严重，然而不管是国内还是国外，其掺假检测都鲜有研究。因此，为了探索一种快速检测全蛋粉掺假的方法，研究尝试使用最近快速发展起来的具有绿色、无损等优点的高光谱技术来检测全蛋粉掺假的可行性。从不同地区收集不同品牌的鸡蛋全蛋粉，按不同比例分别掺入淀粉、大豆分离蛋白、麦芽糊精以及三种掺假物的混合物进行试验样品的制备。样品进行光谱采集后，采用ENVI软件选取感兴趣区域(ROI)后提取出平均光谱。根据获得的光谱数据建立全波段下支持向量机(SVM)模型进行掺假的判别并采用偏最小二乘回归(PLSR)模型建立全波段与掺假浓度之间的关系。结果显示，采用径向基核函数所建立的SVM模型，其分类的正确率达到90%以上，基于PLSR建立掺假模型实际值与预测值相关系数R2_P均高于0.90。为了简化模型，采用回归系数法(RC)及连续投影法(SPA)提取特征波长，根据特征波长下的光谱数据建立RC-PLSR和SPA-PLSR模型，结果显示，经简化的模型依然具有良好的性能，说明使用高光谱技术来检测全蛋粉掺假是可行且高效的。     

液相色谱/元素分析-同位素比值质谱联用法鉴定蜂蜜掺假

采用液相色谱/元素分析-同位素比值质谱联用法(LC/EA-IRMS)对国内蜂蜜掺假情况进行了研究。基于测定得到的38个纯正蜂蜜样品的碳同位素δ13C值数据,提出了纯正蜂蜜样品的δ13C值要求: 蛋白质和蜂蜜的δ13C差值(Δδ13CP-H)≥~0.95‰,果糖和葡萄糖的δ13C差值(Δδ13CF-G)在~0.64‰至0.53‰范围内,各个组分间的δ13C最大差值(Δδ13Cmax)＜2.09‰。对150个日常检测样品、蜂农和蜂蜜供应商的蜂蜜样品分别采用本文建立的LC/EA-IRMS和国家标准方法(EA-IRMS)进行鉴定,LC/EA-IRMS方法检出58个掺有C3或C4植物糖浆的阳性样品,而EA-IRMS方法仅检出7个掺有C4植物糖浆的阳性样品,可见新方法大大提高了对蜂蜜掺假的鉴别能力。     

同步-异步二维中红外相关谱检测掺假芝麻油

将同步-异步二维中红外相关谱和多维偏最小二乘判别法相结合定性分析掺假芝麻油。分别配置40个纯芝麻油和含有玉米油不同体积分数(3%~60%)的掺假芝麻油样品40个。室温下,分别采集所有样品的常规一维中红外光谱(650~4 000cm-1)。在研究纯芝麻油和掺假芝麻油的一维中红外光谱的基础上,以芝麻油中掺假的玉米油浓度为外扰,进行相关计算,得到同步和异步二维中红外相关谱矩阵,并对其进行标准化。分别提取标准化的同步和异步二维中红外相关谱主对角线上部分和下部分元素进行融合,得到同步-异步二维中红外相关谱矩阵。在此基础上,分别基于同步-异步二维中红外相关谱矩阵、同步二维中红外相关谱矩阵和异步二维中红外相关谱矩阵建立了三个定性分析掺假芝麻油的多维偏最小二乘判别模型对预测集未知样品进行预测,其识别正确率分别为100%,96.2%和96.2%。结果表明:相对于同步和异步二维中红外相关谱,同步-异步二维中红外相关谱不仅包含了完整的掺假油特征信息,而且剔除了冗余信息,因此能取得更好的判别结果。