4.4　近红外光谱法在粮油真伪鉴别方面的应用

粮油产品掺假鉴别是食品和农产品市场监管中的重要内容，利益驱动地将廉价替代品加入昂贵粮油产品中，侵害消费者合法权益，“劣币驱逐良币”，严重扰乱了市场秩序。NIR在粮油产品进行快速真伪鉴别中发挥了重要作用。Cocchi等［70］通过NIR技术实现了硬粒小麦粉与普通面包小麦粉的区分，实现了量化掺假鉴别。Delwiche等［71］利用NIR实现了测量糯小麦中混合水平高于10%（质量分数）的常规硬质小麦。Xu等［72］采用NIR分析与类比的软独立建模和PLS相结合对215个掺有小麦粉、非糯米粉和滑石粉的糯米粉建立模型，所建模型成功实现对糯米粉中掺有2%或更高含量小麦粉、非糯米粉和滑石粉的准确检测。

NIR在鉴别食用油真伪上取得良好进展。Sato［73］利用NIR分析技术，选取NIR波长范围1600～2200nm，测定大豆、玉米、棉籽、橄榄、米糠、花生、油菜籽、芝麻和椰子油9种植物油脂肪酸含量，用PCA对其进行分类，结果表明，PCA可以用于9种植物油的分类。因此，NIR分析技术可以用来判断9种掺假油。Bewig等［74］利用近红外反射光谱分析技术对棉花籽油、花生油、大豆油和菜籽油4种植物油进行区分，通过判别分析（DA）能够准确区分4种植物油以及精确分类未知植物油样品。Wang等［75］利用光纤漫反射近红外光谱实现了山茶油中大豆油的掺假鉴别，采集纯山茶油和掺有5%～25%不同浓度大豆油的山茶油样品的NIR，运用PLS进行建模，得到的R为0.992，校准均方根误差（Root Mean Standard Error of Calibration，RMSEC）、RMSEP、RMSECV分别为0.70、1.78和1.79，模型适应性良好。Kasemsumran等［76］采用NIR的PLS实现了橄榄油中玉米油、榛子油、豆油和葵花籽油的掺假鉴别与掺假含量的预测。Li等［77］运用PCA、HCA、DA和自由基函数神经网络的纯山茶油模型总正确分类率为98.3%。Chen等［78］利用二维相关分析技术结合NIR，通过对大豆油、棕榈油、芝麻油和花生油作为研究对象，分析关键区域相关峰的光谱差异，成功区分4种植物油，从而建立一种快速区分植物油的方法。Luna等［79］利用NIR分析技术结合多元分类法来鉴别转基因和非转基因大豆油，应用PCA提取光谱数据中的相关变量并进行降维降噪处理，然后采用支持向量机判别分析（Support Vector Machine Discriminant Analysis，SVM-DA）和PLS-DA进行分类，结果表明应用SVM-DA预测结果正确率分别为100%和90%，PLS-DA预测结果正确率分别为95%和100%。Inarejos-Garcia等［80］利用NIRS技术快速筛选初榨橄榄油产品，通过测定其次要成分和感官特征来评估其质量等级。Azizian等［81］采用FT-NIR结合化学计量学方法，对掺有9种不同植物油的特级初榨橄榄油实现掺假种类和数量的鉴别。Mendes等［82］利用NIR分析技术对橄榄油掺假情况进行了研究和分析，橄榄油和大豆油的掺假范围为0%～100%，所构建模型的R为0.98，对橄榄油中是否掺假RMSEP为1.76。Luo等［83］基于NIR区分芝麻油中豆油和菜籽油，分析结果表明R为0.990772，RMSE为0.082，因此可以区分芝麻油中是否掺假。Oliveira Moreira等［84］利用NIR与PLS相结合对53个50%～100% 纯度的巴西棕榈油进行建模，R2为0.991，RMSEP为1.5%，RMSECV低于2%，可以用于巴西棕榈油掺假鉴别。

以上方法在化学计量学方法建模过程中需要足够量的食用植物油和对应掺入廉价油脂的食用植物油样品，由于随着掺入廉价油脂的种类增加，掺假的种类呈现爆炸式增长，考虑到成本和可操作性，现有的方法往往仅能实现食用植物油中掺入某一种或两种已知廉价油脂的有效鉴别。显然这些技术具有很大的局限性，不法商贩仅需同时掺入两种以上的廉价油脂或直接掺入混合油脂（例如废弃油脂）就可规避以上技术。中国农业科学院油料所［59］选取易被掺假的亚麻籽油为例，结合单纯形线性规划理论通过在纯亚麻籽油中掺入一定比例的其他低价油（棉籽油、大豆油、菜籽油、玉米油和葵花籽油），利用正交校正的PLS-DA结合掺假油的纯油信息选取了184个特征波长作为重要变量，建立了基于NIR的单类PLS多元目标掺假鉴别模型。结果表明当掺假量大于等于5% 时，真实亚麻籽油的正确判别率达到100%，亚麻籽油掺假鉴别的正确判别率高达95.77%。与传统的多类判别分析相比该模型可以检测棉籽油、大豆油、菜籽油、玉米油和葵花籽油以任意比例掺入亚麻籽油的掺假样本，为食用植物油多元掺假快速鉴别提供了重要技术手段，也为其他食品多元掺假鉴别提供了借鉴。