近红外光谱技术：潲水油快速鉴别的新路径

近红外光谱技术：潲水油快速鉴别的新路径一、绪论1.1研究背景与意义在当今社会，食品安全始终是公众关注的焦点话题，而潲水油问题因其严重危害人们的身体健康，成为食品安全领域中亟待解决的突出难题。潲水油，作为地沟油的一种，主要是由下水道中的油腻漂浮物、宾馆酒楼的剩饭剩菜（泔水）经过简单加工提炼而成，也有部分是由劣质猪肉、猪内脏、猪皮加工提炼，或是油炸食品使用次数超标的油再利用所得。其主要成分虽为甘油三酯，但在炼制过程中，会产生如醛、酮、内酯和过氧化物等具有刺激性气味且致癌的物质，同时还含有大量细菌、真菌等有害微生物，砷、铅等重金属严重超标，黄曲霉素、苯并芘等强致癌物质含量极高。倘若人们长期食用含有潲水油的食物，极易引发消化不良、头痛、头晕、失眠、乏力等症状，更严重者会导致肠道疾病，甚至大幅增加患癌风险。从市场现状来看，潲水油的非法流通屡禁不止。由于其加工成本低廉，一些不法商贩受利益驱使，不惜铤而走险，将潲水油混入正规食用油市场，以低价销售给粮油批发商或不正规的小餐饮行业，最终流向消费者的餐桌。这种非法行为不仅严重威胁到消费者的身体健康，也对正规食用油生产企业造成了巨大冲击，扰乱了正常的市场秩序，使得消费者对食用油的质量安全产生了严重的信任危机。尽管政府一直在加强监管力度，建立可追溯系统，以防止潲水油回流餐桌，并推动其进入循环经济轨道，如部分潲水油被用于生产生物柴油或作为化工原料实现资源化利用，但非法流通的现象依然存在。在这样的背景下，开发一种快速、准确的潲水油鉴别方法显得尤为重要。传统的潲水油鉴别手段主要依赖化学方法，例如对蒸馏、表面张力、比重等指标进行测定。然而，这些方法存在诸多弊端，检测时间冗长，操作过程繁杂，成本高昂，难以满足现代快节奏生活中对食用油快速检测的需求，无法及时有效地遏制潲水油的非法流通。相比之下，近红外光谱技术作为一种先进的分析技术，具有响应速度快、操作简便、无污染等显著优点。近红外光谱主要反映的是含氢基团（如C-H、O-H、N-H等）的倍频与合频吸收，而食用油中的主要成分甘油三酯含有大量的C-H键，这使得近红外光谱技术能够对食用油的成分和结构信息进行有效捕捉。通过对不同来源的潲水油和合格食用油的近红外光谱进行采集和分析，能够发现它们之间存在的特征差异，进而建立起基于近红外光谱技术的潲水油鉴别模型。利用该模型，能够在短时间内对待测油样进行快速检测，准确判断其是否为潲水油。基于近红外光谱的潲水油快速鉴别方法研究，对于保障食品安全和维护市场秩序具有不可估量的重要意义。从食品安全角度而言，该方法能够为食品监管部门提供强有力的技术支持，使其能够快速、准确地识别出潲水油，及时阻止其流入市场，从而有效保护消费者的身体健康，让人们能够放心地食用食用油。从市场秩序角度来看，准确鉴别潲水油可以有力打击不法商贩的非法行为，减少潲水油对正规食用油市场的冲击，为正规食用油生产企业营造一个公平竞争的市场环境，促进食用油行业的健康、稳定发展，重塑消费者对食用油市场的信心。1.2国内外研究现状在国外，近红外光谱技术在食品检测领域的应用研究开展较早且较为深入，在潲水油鉴别方面也取得了一定成果。部分研究人员利用近红外光谱结合化学计量学方法，对不同种类的食用油进行分析，试图找出潲水油与正常食用油在光谱特征上的差异。例如，通过对油脂中甘油三酯、脂肪酸等成分的近红外光谱响应进行分析，构建判别模型来区分潲水油和合格食用油。然而，由于国外餐饮习惯与国内存在较大差异，潲水油的来源和成分特征与国内不尽相同，其研究成果在国内的适用性受到一定限制。此外，国外对于废弃油脂更多地是关注其在生物柴油等领域的资源化利用，对潲水油回流餐桌的问题重视程度相对较低，相关鉴别技术的研究针对性不够强。国内对于基于近红外光谱的潲水油鉴别方法研究近年来也逐渐增多。一些学者通过收集大量不同来源的潲水油和正常食用油样品，建立近红外光谱数据库，并运用偏最小二乘判别分析（PLS-DA）、主成分分析（PCA）等化学计量学方法，建立潲水油鉴别模型。祝诗平教授主持的国家自然科学基金项目“基于近红外光谱的潲水油快速鉴别方法与模型优化研究”，对近红外光谱鉴别潲水油的方法和模型进行了深入探索。研究发现，潲水油在某些特定波长区域的光谱特征与正常食用油存在显著差异，通过提取这些特征信息并结合合适的建模方法，能够实现对潲水油的有效鉴别。但目前国内的研究仍存在一些不足之处，一方面，所建立的鉴别模型普遍存在对样本依赖性较强的问题，当样本来源、组成发生变化时，模型的准确性和稳定性容易受到影响。另一方面，在实际应用中，近红外光谱仪的检测条件（如温度、湿度等）以及油样的预处理方法对检测结果的影响研究还不够充分，缺乏系统性和标准化的操作流程。此外，多数研究仅停留在实验室阶段，距离实际的市场监管和快速检测应用还有一定距离，需要进一步加强技术转化和设备研发，提高检测方法的便捷性和实用性。总体而言，当前基于近红外光谱的潲水油鉴别研究虽然取得了一定进展，但在模型的通用性、稳定性以及实际应用的便捷性等方面仍有待进一步改进和完善。未来的研究需要进一步扩大样本收集范围，涵盖更多不同来源和加工方式的潲水油，提高模型对复杂样本的适应性；加强对检测条件和样本预处理方法的优化研究，建立标准化的操作流程，确保检测结果的准确性和可靠性；同时，加快研发便携式、低成本的近红外光谱检测设备，推动该技术在实际市场监管中的广泛应用。1.3研究目标与内容本研究旨在建立一种基于近红外光谱技术的快速、准确、可靠的潲水油鉴别方法，通过对潲水油和合格食用油的近红外光谱特征进行深入分析，结合化学计量学方法构建高效的鉴别模型，为食品安全监管提供有力的技术支持，具体研究内容如下：潲水油样品的收集与预处理：广泛收集来自不同地区、不同餐饮场所的潲水油样品，同时收集多种常见的合格食用油样品作为对照。对收集到的样品进行预处理，去除其中的杂质、水分等干扰物质，确保样品的纯净度和稳定性。例如，采用过滤、离心等方法对样品进行初步处理，然后将处理后的样品密封保存于低温、避光环境中，以防止样品在后续实验过程中发生氧化、变质等情况。近红外光谱数据采集与光谱库建立：使用高精度的近红外光谱仪对预处理后的潲水油和合格食用油样品进行光谱采集，设置合适的光谱采集参数，如扫描范围、分辨率、扫描次数等。将采集到的近红外光谱数据进行整理和存储，建立潲水油和合格食用油的近红外光谱库。在建立光谱库的过程中，对光谱数据进行标准化处理，消除由于仪器状态、样品厚度等因素引起的误差，提高光谱数据的准确性和可比性。潲水油化学指标分析与指标库建立：采用化学分析方法对潲水油样品的化学成分进行分析，测定其酸价、过氧化值、羰基价、胆固醇含量、脂肪酸组成等化学指标。将测定得到的化学指标数据进行整理和存储，建立潲水油的化学指标库。通过对化学指标库的分析，了解潲水油的化学成分特征及其与合格食用油的差异，为后续的模型建立提供化学层面的依据。基于化学计量学的鉴别模型构建与优化：运用偏最小二乘判别分析（PLS-DA）、主成分分析（PCA）、支持向量机（SVM）等化学计量学方法，对近红外光谱数据和化学指标数据进行分析和建模。以部分样品的光谱数据和化学指标数据作为训练集，建立潲水油鉴别模型，并利用另一部分样品作为测试集对模型的准确性和稳定性进行验证。通过对不同建模方法和参数的比较和优化，确定最佳的鉴别模型，提高模型的鉴别准确率和泛化能力。例如，采用交叉验证的方法对模型进行评估和优化，不断调整模型参数，使模型在训练集和测试集上都能表现出良好的性能。模型的性能评估与实际应用分析：采用准确率、召回率、F1值等指标对建立的鉴别模型进行性能评估，分析模型的鉴别效果和适用范围。将建立的鉴别模型应用于实际的食用油样品检测，验证模型在实际应用中的可行性和有效性。通过对实际检测结果的分析，进一步优化模型，解决模型在实际应用中可能出现的问题，如样品基质干扰、检测环境影响等，推动基于近红外光谱技术的潲水油鉴别方法从实验室研究向实际市场监管应用的转化。1.4研究方法与技术路线本研究主要采用实验研究法和对比分析法，具体技术路线如下：样品收集与预处理：通过多种渠道，如与餐饮企业合作、在不同区域的垃圾处理站点收集等方式，广泛采集潲水油样品。同时，在正规超市、粮油市场等地采购多种常见的合格食用油样品作为对照。运用过滤、离心等手段对收集到的样品进行预处理，去除其中可能存在的杂质、水分等干扰物质，确保样品纯净稳定，为后续实验奠定良好基础。光谱数据采集与光谱库建立：选用高精度的近红外光谱仪，对预处理后的潲水油和合格食用油样品进行光谱采集。在采集过程中，合理设置光谱采集参数，如将扫描范围设定为4000-400cm⁻¹，分辨率设为4cm⁻¹，扫描次数设定为10次。将采集到的近红外光谱数据进行整理，采用标准化处理方法，消除仪器状态、样品厚度等因素带来的误差，然后存储建立起潲水油和合格食用油的近红外光谱库。化学指标分析与指标库建立：采用化学分析方法，如酸碱滴定法测定酸价、碘量法测定过氧化值、分光光度法测定羰基价、高效液相色谱法测定胆固醇含量、气相色谱-质谱联用仪测定脂肪酸组成等，对潲水油样品的化学成分进行分析。将测定得到的化学指标数据进行整理存储，建立起潲水油的化学指标库。通过对化学指标库的分析，明确潲水油的化学成分特征及其与合格食用油的差异，为后续模型构建提供化学层面的依据。模型构建与优化：运用偏最小二乘判别分析（PLS-DA）、主成分分析（PCA）、支持向量机（SVM）等化学计量学方法，对近红外光谱数据和化学指标数据进行分析建模。将样品按照一定比例划分为训练集和测试集，以训练集的光谱数据和化学指标数据为基础建立潲水油鉴别模型，利用测试集对模型的准确性和稳定性进行验证。采用交叉验证的方法，对不同建模方法和参数进行比较优化，确定最佳鉴别模型，提高模型的鉴别准确率和泛化能力。模型性能评估与实际应用分析：采用准确率、召回率、F1值等指标对建立的鉴别模型进行性能评估，全面分析模型的鉴别效果和适用范围。将建立的鉴别模型应用于实际的食用油样品检测，验证其在实际应用中的可行性和有效性。根据实际检测结果，进一步优化模型，解决模型在实际应用中可能遇到的问题，如样品基质干扰、检测环境影响等，推动基于近红外光谱技术的潲水油鉴别方法从实验室研究向实际市场监管应用转化。二、相关理论与技术基础2.1近红外光谱技术原理近红外光谱区域通常是指波长范围在780-2526nm之间的电磁辐射波，它介于可见光与中红外之间。近红外光谱的产生源于分子振动的非谐振性，使得分子振动从基态向高能级跃迁时形成。当分子中的含氢基团（如C-H、O-H、N-H等）受到特定频率的近红外光照射时，若红外光频率与分子振动的固有频率匹配，分子就会吸收能量，振动能级从基态跃迁到激发态，从而产生近红外吸收光谱。具体来说，其吸收主要源于含氢基团振动的倍频与合频。倍频是分子从基态振动能级跃迁到第二、第三等激发态所产生的吸收；合频则是由两个或多个不同振动模式组合产生的吸收。例如，对于O-H键，不仅在红外区有基本振动吸收，在近红外区还存在由O-H键的伸缩振动与弯曲振动组合产生的倍频和合频吸收峰。不同基团（如甲基、亚甲基、苯环等）或同一基团在不同化学环境中的近红外吸收波长与强度都存在明显差别，这使得近红外光谱蕴含了丰富的结构和组成信息。以食用油中的主要成分甘油三酯为例，甘油三酯由脂肪酸和甘油酯化而成，其分子结构中包含大量的C-H键。不同种类的脂肪酸，其碳链长度、不饱和程度以及双键位置等存在差异，这些差异会导致C-H键所处的化学环境不同，进而在近红外光谱上表现出不同的吸收特征。饱和脂肪酸中的C-H键在近红外光谱的特定区域会有相应的吸收峰，而不饱和脂肪酸由于存在双键，其C-H键的振动模式与饱和脂肪酸有所不同，在近红外光谱上的吸收峰位置和强度也会发生变化。当油脂发生氧化、酸败等化学反应时，分子结构会改变，例如产生醛、酮等氧化产物，这些产物中的C=O等基团也会在近红外光谱上产生新的吸收特征。因此，通过分析近红外光谱中这些吸收峰的位置、强度和形状等信息，能够推断出油脂的分子结构和组成，进而鉴别出潲水油与合格食用油。2.2潲水油的特性及危害潲水油作为一种从餐饮业下水道隔油器收集，或由酸败且不可再食用的油品经人工提炼而来的废弃油脂，其特性与合格食用油存在显著差异，并且对人体健康具有极大危害。在特性方面，潲水油在下水道的污水环境、高温煎炸以及简单加工提炼过程中，会发生一系列复杂的化学反应，如水解、氧化、酸败等，这使其成分发生了明显变化。从化学成分来看，潲水油的酸价、羰基价远远超出国家规定的食用油卫生指标。酸价是衡量油脂中游离脂肪酸含量的指标，潲水油由于在收集、加工过程中，油脂发生水解，导致游离脂肪酸增多，酸价升高。羰基价则反映了油脂氧化所产生的醛、酮等羰基化合物的含量，潲水油在氧化酸败过程中，会产生大量羰基化合物，使得羰基价大幅上升。此外，潲水油中油脂高度氧化还会产生黄曲霉毒素，这是一种毒性极强的致癌物质。潲水油中还含有大量有机物，在长时间高温条件下，有机物分解会产生苯、芘、萘、蒽及硝酸盐和亚硝酸盐等有毒有害物质。在回收加工过程中，潲水油极易受到砷、铅等重金属的污染，其卫生条件根本无法得到保障。潲水油对人体健康的危害十分严重。当人们食用含有潲水油的食物时，其中的大量细菌、真菌等有害微生物会进入人体，极易引发消化不良、急性肠胃炎等疾病。例如，食用潲水油后，可能会出现恶心、呕吐、腹痛、腹泻等症状，严重影响肠胃功能。潲水油中含有的多种毒素和重金属，如砷、铅等，会对人体的神经、消化、呼吸、循环等系统造成严重损害。这些重金属在人体内不断积累，会干扰人体正常的生理代谢过程，导致神经系统功能紊乱，出现头痛、头晕、失眠、乏力等症状。长期食用含有潲水油的食物，还会增加患癌症的风险。其中的黄曲霉素、苯并芘等强致癌物质，能够诱发人体细胞发生癌变，尤其是胃腺癌、肾癌及乳腺、卵巢、小肠等部位的癌肿。对于儿童而言，长期食用潲水油还会影响其生长发育，导致体重减轻、发育障碍等问题。2.3常见的潲水油鉴别方法目前，常见的潲水油鉴别方法涵盖传统化学方法、色谱方法以及光谱方法等，它们各自具有独特的优缺点。传统化学方法主要是通过对油脂的理化指标进行检测来鉴别潲水油。例如，酸价是衡量油脂中游离脂肪酸含量的重要指标，由于潲水油在收集、加工过程中油脂易发生水解，使得游离脂肪酸增多，酸价通常会显著高于合格食用油。过氧化值用于衡量油脂氧化初期的氧化酸败程度，羰基价则反映了油脂氧化所产生的醛、酮等羰基化合物的含量，潲水油在氧化酸败过程中，过氧化值和羰基价会大幅上升。此外，还可以检测油脂的水分含量、比重、折光率、皂化值、碘值等指标。然而，传统化学方法存在诸多局限性。一方面，检测过程往往需要使用大量化学试剂，不仅成本较高，还会对环境造成一定污染。另一方面，操作过程繁琐复杂，需要专业的实验人员和较为完善的实验室设备，检测周期较长，难以满足快速检测的实际需求。例如，在检测酸价时，需要进行酸碱滴定等一系列操作，从样品准备到得出准确结果，可能需要数小时甚至更长时间。而且，单一的理化指标检测难以准确鉴别潲水油，因为一些经过简单加工处理的潲水油，其某些理化指标可能与合格食用油较为接近，容易造成误判。色谱方法在潲水油鉴别中也有应用，其中气相色谱-质谱联用（GC-MS）技术较为常用。该技术能够对油脂中的脂肪酸组成、甘油三酯结构以及一些微量成分进行精确分析。通过对比潲水油和合格食用油中脂肪酸的种类、含量以及甘油三酯的分布情况，可以发现两者之间的差异，从而实现潲水油的鉴别。例如，潲水油中可能含有一些在合格食用油中不存在或含量极低的特征性脂肪酸或其他有机化合物，通过GC-MS分析能够检测到这些差异。但色谱方法同样存在不足，仪器设备价格昂贵，维护成本高，对操作人员的技术要求也很高。而且样品前处理过程复杂，需要对油脂进行萃取、分离等一系列预处理步骤，耗时较长。在实际应用中，还可能受到样品基质干扰等因素的影响，导致检测结果的准确性和重复性受到一定挑战。光谱方法中，除了本研究重点关注的近红外光谱技术外，还有红外光谱（IR）、拉曼光谱等。红外光谱主要反映分子的基本振动吸收，能够提供关于分子结构中官能团的信息。潲水油和合格食用油在分子结构上的差异，会导致它们的红外光谱在某些特征吸收峰的位置、强度和形状上有所不同。例如，潲水油中由于含有氧化产物，其红外光谱中可能会出现C=O等官能团的特征吸收峰。拉曼光谱则是基于分子对光的散射原理，能够提供分子的振动和转动信息，与红外光谱相互补充。然而，传统的红外光谱和拉曼光谱技术在潲水油鉴别中也面临一些问题，如对样品的纯度要求较高，光谱解析难度较大，对于复杂的潲水油样品，可能难以准确提取有效的鉴别信息。而且，这些光谱技术在实际应用中往往需要与化学计量学方法相结合，才能提高鉴别效果，但化学计量学模型的建立和优化过程较为复杂，需要大量的样本数据和专业知识。相比之下，近红外光谱技术具有显著优势。它具有快速响应的特点，能够在短时间内完成样品的光谱采集，大大提高了检测效率。操作简便，无需对样品进行复杂的预处理，减少了人为操作误差和样品损失。检测过程无需使用化学试剂，对环境友好，符合绿色分析化学的发展趋势。近红外光谱蕴含丰富的结构和组成信息，通过与化学计量学方法相结合，能够建立有效的鉴别模型，实现对潲水油的准确鉴别。例如，利用偏最小二乘判别分析（PLS-DA）等方法对近红外光谱数据进行处理和分析，可以提取出潲水油和合格食用油之间的特征差异，从而准确判断样品是否为潲水油。近红外光谱技术还可以实现无损检测，不会对样品造成破坏，有利于对珍贵样品或需要保留完整性的样品进行检测。在实际应用中，近红外光谱仪可以设计成便携式设备，方便在现场进行快速检测，满足市场监管和日常检测的需求。三、实验设计与数据采集3.1实验材料准备本研究的样品收集工作至关重要，直接关系到实验结果的可靠性和模型的准确性。潲水油样品主要从不同地区的多个餐饮场所收集而来，这些餐饮场所涵盖了中餐厅、西餐厅、快餐店、火锅店等多种类型，以确保潲水油来源的多样性和代表性。收集时，使用专业的采样工具，如无菌采样瓶，在严格遵守卫生标准的前提下，从餐饮场所的泔水桶、下水道隔油器等部位采集潲水油样品。共收集到潲水油样品120份，每份样品采集量约为200mL。同时，为了保证实验的准确性和对比性，在正规超市、粮油市场等地采购了常见的合格食用油样品，包括大豆油、花生油、玉米油、菜籽油等，每种油品各采集30份，共计120份，每份样品同样采集约200mL。对收集到的潲水油和合格食用油样品，均进行了严格的预处理操作。首先，采用过滤的方法去除样品中的固体杂质，如食物残渣、碎屑等。使用孔径为0.45μm的微孔滤膜，通过减压过滤装置对样品进行过滤，确保固体杂质被有效去除。接着，利用离心机对过滤后的样品进行离心处理，以去除其中的水分。将样品置于离心机中，设置转速为4000r/min，离心时间为15min。经过离心后，水分会沉降到离心管底部，用移液管小心吸取上层澄清的油样，转移至干净的棕色玻璃瓶中。将处理后的样品密封保存于低温（4℃）、避光的环境中，以防止样品在后续实验过程中发生氧化、变质等情况，影响实验结果。在使用前，将样品从低温环境中取出，放置在室温下平衡一段时间，使其温度达到室温后再进行后续实验操作。3.2实验仪器与设备本实验所使用的仪器设备均为高精度、高性能产品，它们在实验中发挥着关键作用，确保了实验数据的准确性和可靠性。傅里叶变换近红外光谱仪：型号为AntarisⅡ，由赛默飞（美国）生产。该仪器具备卓越的性能，其使用的近红外光谱分析技术具有快速、操作简便、无溶剂消耗、低成本、无污染、非破坏性等显著特点，能够在许多场合替代湿化学方法和色谱技术等传统分析手段，极大地节省了分析成本，提高了分析效率。其光谱测量范围可扩展至远红外/中红外/近红外/可见光谱范围，在本实验中主要用于采集潲水油和合格食用油样品的近红外光谱数据。它能够精准地捕捉到样品中含氢基团（如C-H、O-H、N-H等）的倍频与合频吸收信息，为后续的数据分析和模型建立提供丰富的原始数据。例如，在采集光谱时，可设置扫描范围为4000-400cm⁻¹，分辨率为4cm⁻¹，扫描次数为10次，以获取高质量的光谱数据。电子天平：选用梅特勒-托利多AL204型电子天平，其精度可达0.1mg。在实验中，主要用于准确称量样品和化学试剂的质量。在进行酸价、过氧化值等化学指标分析时，需要精确称取一定质量的油样和相关试剂，电子天平的高精度保证了称量的准确性，从而确保化学分析结果的可靠性。如在测定酸价时，需要准确称取一定质量的油样，利用电子天平的高精度，能够将称量误差控制在极小范围内，为后续的滴定分析提供可靠的基础。离心机：采用湘仪TDZ5-WS型离心机，其最高转速可达5000r/min。主要用于对油样进行离心处理，去除其中的水分。在样品预处理过程中，将经过过滤的油样置于离心机中，设置合适的转速和时间，能够有效地使水分沉降到离心管底部，从而得到纯净的油样，避免水分对后续实验结果产生干扰。如设置转速为4000r/min，离心时间为15min，可使水分充分沉降，提高油样的纯净度。恒温干燥箱：型号为DHG-9070A，由上海一恒科学仪器有限公司生产。主要用于对实验器具进行烘干处理，确保其干燥无污染，同时也可用于对部分样品进行干燥预处理。在实验前，将使用过的玻璃器皿等实验器具清洗干净后放入恒温干燥箱中，设置适当的温度和时间进行烘干，可避免残留水分或杂质对实验造成影响。在对一些可能含有水分的样品进行预处理时，也可利用恒温干燥箱在适宜温度下进行干燥，以满足实验对样品的要求。酸价测定仪：选用雷磁ZDJ-5B型自动电位滴定仪，用于精确测定油脂的酸价。该仪器采用电位滴定法，通过监测滴定过程中的电位变化来确定滴定终点，相比传统的手动滴定法，具有更高的准确性和精密度。在测定酸价时，将油样溶解在中性溶剂中，使用该仪器进行滴定，能够快速、准确地测定出油脂中游离脂肪酸的含量，为潲水油的鉴别提供重要的化学指标依据。过氧化值测定仪：采用上海棱光技术有限公司生产的722N可见分光光度计，结合特定的试剂，通过分光光度法测定油脂的过氧化值。将油脂样品溶解在适当的溶剂中，加入特定试剂与过氧化物反应生成有色化合物，利用分光光度计测量有色化合物的吸光度，根据吸光度和标准曲线计算过氧化值。该仪器能够准确测量吸光度，从而精确测定油脂中的过氧化值，反映油脂的氧化程度，对于判断潲水油具有重要意义。3.3近红外光谱数据采集在进行近红外光谱数据采集时，参数设置至关重要，直接影响到采集数据的质量和后续分析结果的准确性。使用傅里叶变换近红外光谱仪（AntarisⅡ）进行光谱采集。首先，将扫描范围设置为4000-400cm⁻¹，此范围能够全面覆盖食用油中含氢基团（如C-H、O-H、N-H等）的倍频与合频吸收信息，确保不会遗漏关键光谱特征。分辨率设定为4cm⁻¹，这样的分辨率能够较为精确地分辨出不同光谱峰的细微差异，满足对油脂成分分析的精度要求。扫描次数确定为10次，通过多次扫描取平均值的方式，可以有效降低仪器噪声和随机误差对光谱数据的影响，提高光谱的稳定性和重复性。在采集过程中，严格按照标准操作流程进行。将预处理后的油样小心注入石英比色皿中，比色皿的光程为1mm，确保油样在比色皿中均匀分布，无气泡存在。将装有油样的比色皿放置在光谱仪的样品池中，保证比色皿位置准确，避免因位置偏差导致光线无法正常透过样品或产生散射等问题。在仪器操作软件界面中，确认各项采集参数设置无误后，点击“采集”按钮，开始采集近红外光谱数据。采集过程中，保持实验室环境安静、稳定，避免人员走动、仪器设备振动等外界干扰因素对采集过程造成影响。同时，密切关注软件界面上的采集进度和数据显示，确保采集过程顺利进行。每采集完一个样品，及时将比色皿取出，用无水乙醇清洗干净，并用氮气吹干，以防止残留样品对下一个样品的光谱采集产生污染和干扰。为了确保数据的准确性和可靠性，采取了一系列严格的质量控制措施。在每次采集光谱数据前，对光谱仪进行波长校正和能量校正，使用标准聚苯乙烯薄膜对仪器波长进行校准，确保仪器波长准确性在±0.5nm以内。通过测量已知浓度的标准油样，对仪器能量进行校准，保证仪器的能量响应稳定，使采集到的光谱数据具有良好的准确性和可比性。在采集过程中，每隔一定数量的样品（如每10个样品），插入一个重复样品进行测量，通过比较重复样品的光谱数据，监测仪器的稳定性和重复性。若重复样品的光谱数据偏差超出允许范围（如吸光度偏差大于0.02），则暂停采集，重新对仪器进行检查和校准，确保仪器状态正常后再继续采集。对采集到的光谱数据进行实时检查，观察光谱曲线的形状、峰位、峰强度等特征是否正常，是否存在明显的噪声干扰或异常波动。若发现异常数据，及时查找原因，如检查样品是否存在杂质、仪器光路是否堵塞等，并重新采集该样品的光谱数据。3.4化学指标测定在本研究中，对潲水油样品的酸价、过氧化值等化学指标进行测定，为后续的分析和模型建立提供化学层面的数据支持。酸价测定：采用电位滴定法进行酸价测定。准确称取约3g（精确至0.0001g）经过预处理的油样，置于250mL的锥形瓶中。向锥形瓶中加入50mL中性乙醚-乙醇混合液（乙醚与乙醇体积比为2:1），振荡使油样完全溶解。将雷磁ZDJ-5B型自动电位滴定仪的电极插入锥形瓶中，用0.1mol/L的氢氧化钾标准滴定溶液进行滴定。在滴定过程中，电位滴定仪自动监测溶液的电位变化，当电位发生突跃时，判定为滴定终点。记录消耗的氢氧化钾标准滴定溶液的体积，按照公式AV=（c×V×56.11）/m进行计算，其中AV表示酸价（mgKOH/g），c为氢氧化钾标准滴定溶液的浓度（mol/L），V为消耗的氢氧化钾标准滴定溶液的体积（mL），m为油样的质量（g），56.11为氢氧化钾的摩尔质量（g/mol）。每个样品平行测定3次，取平均值作为该样品的酸价测定结果，并计算相对标准偏差（RSD），以评估测定结果的精密度。过氧化值测定：运用分光光度法测定过氧化值。准确称取约0.2-0.3g（精确至0.0001g）油样，置于25mL比色管中。向比色管中加入3mL三氯甲烷-冰乙酸混合液（三氯甲烷与冰乙酸体积比为2:3），振荡使油样溶解。再加入0.5mL饱和碘化钾溶液，迅速盖紧塞子，摇匀后在暗处放置3min。取出比色管，加入30mL水，摇匀。使用上海棱光技术有限公司生产的722N可见分光光度计，在波长500nm处，以水为参比，测量溶液的吸光度。根据预先绘制的过氧化值标准曲线，由吸光度计算出样品的过氧化值。标准曲线的绘制方法为：准确称取不同质量的过氧化氢异丙苯标准品，配制成一系列不同浓度的标准溶液，按照上述测定步骤测量各标准溶液的吸光度，以吸光度为纵坐标，过氧化值为横坐标，绘制标准曲线。每个样品同样平行测定3次，取平均值作为测定结果，并计算相对标准偏差（RSD）。数据记录与分析：将测定得到的酸价、过氧化值等化学指标数据详细记录在实验数据记录表中，记录表包含样品编号、样品名称、测定日期、测定人员、测定值、平均值、相对标准偏差等信息。对记录的数据进行统计分析，计算所有样品酸价和过氧化值的平均值、最大值、最小值、标准差等统计参数，以了解这些化学指标在潲水油样品中的分布情况。运用数据分析软件（如Origin、SPSS等）对潲水油和合格食用油的化学指标数据进行对比分析，通过t检验、方差分析等统计方法，判断两者之间是否存在显著差异。若存在显著差异，则进一步分析这些差异与潲水油的特性之间的关系，为后续基于化学指标和近红外光谱数据建立鉴别模型提供依据。例如，通过分析发现潲水油的酸价和过氧化值明显高于合格食用油，且两者之间的差异具有统计学意义，这表明酸价和过氧化值可以作为鉴别潲水油的重要化学指标。四、基于近红外光谱的潲水油鉴别方法构建4.1光谱预处理在近红外光谱分析中，原始光谱数据往往受到多种因素的干扰，如仪器噪声、样品的散射效应、基线漂移等，这些干扰会严重影响光谱的质量和后续分析结果的准确性。因此，对采集到的近红外光谱数据进行预处理至关重要，通过采用合适的预处理方法，可以有效消除或减弱这些干扰因素，提高光谱的信噪比和稳定性，为后续的模型建立和分析提供高质量的数据。平滑处理是光谱预处理中常用的方法之一，其主要目的是降低光谱中的噪声干扰。在近红外光谱采集过程中，由于仪器的电子噪声、环境噪声以及样品的不均匀性等因素，光谱信号中会混入各种随机噪声，这些噪声会使光谱曲线出现波动，影响对光谱特征的准确识别。常用的平滑算法有Savitzky-Golay平滑算法、移动平均平滑算法等。Savitzky-Golay平滑算法是基于最小二乘法原理，通过对一定窗口内的光谱数据进行多项式拟合，用拟合多项式的系数来代替原始数据，从而达到平滑光谱的目的。在使用Savitzky-Golay平滑算法时，需要合理选择窗口大小和多项式阶数。窗口大小决定了参与拟合的数据点数，窗口越大，平滑效果越明显，但可能会导致光谱细节信息的丢失；多项式阶数则影响拟合的精度，一般来说，多项式阶数越高，对数据的拟合程度越好，但也容易出现过拟合现象。经过多次试验，对于本研究中的潲水油和合格食用油光谱数据，选择窗口大小为7，多项式阶数为2时，能够在有效降低噪声的同时，较好地保留光谱的特征信息。移动平均平滑算法则是将一定窗口内的光谱数据进行平均计算，用平均值代替窗口中心的数据点，以此来平滑光谱。例如，当窗口大小为5时，将当前数据点及其前后各两个数据点进行平均，得到的平均值作为新的光谱数据点。移动平均平滑算法计算简单，速度快，但对光谱细节的保留能力相对较弱。基线校正也是光谱预处理的关键步骤，其作用是消除由于样品的散射、仪器的漂移等因素导致的基线漂移现象。基线漂移会使光谱的整体位置发生变化，导致光谱的吸光度测量不准确，影响对光谱特征的分析和比较。常见的基线校正方法有多点基线校正法、自适应迭代加权惩罚最小二乘（airPLS）算法等。多点基线校正法是通过选取光谱中的多个特征点，如光谱的起点、终点以及一些明显的峰谷点，将这些点连接起来形成基线，然后将原始光谱减去该基线，从而实现基线校正。在实际应用中，需要根据光谱的具体形状和特征，合理选择基线校正点，以确保校正效果的准确性。airPLS算法是一种基于迭代加权的基线校正方法，它通过不断调整权重系数，使基线的拟合更加准确。该算法在处理复杂光谱的基线校正时具有较好的效果，能够有效去除基线漂移，提高光谱的质量。在使用airPLS算法时，需要设置合适的惩罚参数和平滑参数，惩罚参数用于控制基线的平滑程度，平滑参数则影响权重系数的更新速度。经过试验优化，对于本研究的光谱数据，设置惩罚参数为100，平滑参数为0.01时，能够取得较好的基线校正效果。通过对采集到的潲水油和合格食用油的近红外光谱数据进行平滑和基线校正等预处理操作，有效消除了噪声和基线漂移等干扰因素。对比预处理前后的光谱数据，预处理后的光谱曲线更加平滑、稳定，光谱特征更加清晰，吸光度的测量更加准确。在未进行预处理的原始光谱中，噪声导致光谱曲线出现较多毛刺和波动，基线漂移使得光谱整体位置不稳定，难以准确判断光谱的特征峰位置和强度。而经过预处理后，光谱曲线变得光滑，噪声明显减少，基线得到了有效校正，特征峰的位置和强度更加突出，为后续的光谱分析和模型建立提供了更可靠的数据基础。4.2特征波长选择在近红外光谱分析中，特征波长选择是至关重要的环节，它对于提高模型的准确性、降低计算复杂度以及增强模型的可解释性都具有重要意义。从近红外光谱的特性来看，其光谱范围较宽，包含了大量的波长点，这些波长点所携带的信息存在冗余，并非所有波长都对潲水油的鉴别具有关键作用。若直接使用全光谱数据进行建模，不仅会增加计算量，还可能引入噪声，降低模型的性能。通过特征波长选择，可以从众多波长中筛选出对鉴别潲水油最具代表性和敏感性的波长，从而提高模型的鉴别能力。遗传算法（GA）是一种模拟生物进化过程的优化算法，在特征波长选择中具有独特的优势。它的基本原理是基于自然选择和遗传变异的思想，通过对种群中的个体进行选择、交叉和变异等操作，逐步搜索到最优解。在近红外光谱特征波长选择中，将每个波长组合看作一个个体，通过适应度函数来评估每个个体对鉴别潲水油的贡献程度。适应度函数可以根据建立的鉴别模型的准确性、稳定性等指标来设计。例如，以偏最小二乘判别分析（PLS-DA）模型的预测准确率作为适应度函数，通过遗传算法不断优化波长组合，使得适应度函数值达到最大，从而找到最优的特征波长组合。遗传算法具有全局搜索能力，能够在复杂的解空间中寻找最优解，避免陷入局部最优。它还具有并行性，可以同时处理多个个体，提高搜索效率。与其他波长选择方法相比，遗传算法不需要对光谱数据的分布和特征有先验知识，能够自动地从大量波长中筛选出与潲水油鉴别最相关的特征波长。在一些研究中，将遗传算法应用于农产品的近红外光谱分析，成功筛选出了对农产品品质检测最关键的特征波长，提高了检测模型的准确性和稳定性。连续投影算法（SPA）也是一种常用的特征波长选择方法，其核心思想是通过消除光谱数据中的冗余信息，选择出一组相互正交的特征波长。该算法基于向量投影理论，从所有波长中选择一个初始波长，然后通过计算每个未选中波长在已选波长方向上的投影，选择投影系数绝对值最大的波长加入到特征波长集合中，不断重复这个过程，直到满足预设的停止条件。SPA算法能够有效避免共线性问题，因为选择的特征波长之间相互正交，减少了信息的冗余。它还具有计算速度快、对数据压缩能力强的优点，能够在较短时间内从大量波长中筛选出关键波长。在食用油的近红外光谱分析中，SPA算法被用于选择与食用油品质相关的特征波长，通过建立的模型能够准确地预测食用油的酸价、过氧化值等指标。与其他方法相比，SPA算法不需要预先设定复杂的参数，操作相对简单，且能够较好地保留光谱数据中的关键信息。将遗传算法和连续投影算法结合使用，可以充分发挥两者的优势。首先使用连续投影算法对光谱数据进行初步筛选，去除明显的冗余波长，降低数据维度，提高计算效率。然后将筛选后的波长作为遗传算法的初始种群，通过遗传算法的全局搜索能力，进一步优化特征波长组合，寻找最优解。这种结合方式能够在保证模型准确性的同时，提高波长选择的效率和稳定性。在实际应用中，将该方法应用于木材种类的近红外光谱识别研究，通过先使用SPA算法筛选出部分特征波长，再利用遗传算法进行优化，最终建立的识别模型在准确性和识别速度上都有显著提升。4.3建立鉴别模型在建立潲水油鉴别模型时，偏最小二乘判别分析（PLS-DA）是一种极为有效的方法，它将偏最小二乘回归与线性判别分析相结合，能够在处理多变量数据时，充分挖掘数据中的潜在信息，实现对潲水油和合格食用油的准确分类。在具体建模过程中，首先对经过光谱预处理和特征波长选择后的数据进行整理。将预处理后的近红外光谱数据和对应的化学指标数据（如酸价、过氧化值等）组成数据集，按照一定比例划分为训练集和测试集，一般将70%-80%的样品作为训练集，用于建立模型，其余20%-30%的样品作为测试集，用于验证模型的性能。在本研究中，将240个样品中的180个作为训练集，60个作为测试集。使用训练集数据进行PLS-DA模型的构建。在R语言环境中，借助mixOmics包来实现PLS-DA分析。在构建模型时，需要设置一些关键参数。例如，潜变量（LV）的数量是一个重要参数，它决定了模型对数据特征的提取程度。潜变量数量过少，模型可能无法充分捕捉数据中的关键信息，导致模型的准确性较低；潜变量数量过多，则可能会使模型过度拟合，降低模型的泛化能力。通过多次试验和交叉验证，本研究确定最佳的潜变量数量为5。具体操作步骤如下：首先，加载mixOmics包，使用plsda函数进行模型构建，将训练集的光谱数据和化学指标数据作为自变量，样品的类别（潲水油或合格食用油）作为因变量传入函数。在函数中设置ncomp参数为5，即指定潜变量数量为5。代码如下：library(mixOmics)#假设spectral_data为光谱数据，chemical_data为化学指标数据，class_label为样品类别标签data<-cbind(spectral_data,chemical_data)plsda_model<-plsda(X=data[train_index,],Y=class_label[train_index],ncomp=5)#假设spectral_data为光谱数据，chemical_data为化学指标数据，class_label为样品类别标签data<-cbind(spectral_data,chemical_data)plsda_model<-plsda(X=data[train_index,],Y=class_label[train_index],ncomp=5)data<-cbind(spectral_data,chemical_data)plsda_model<-plsda(X=data[train_index,],Y=class_label[train_index],ncomp=5)plsda_model<-plsda(X=data[train_index,],Y=class_label[train_index],ncomp=5)构建模型后，利用测试集数据对模型进行验证。通过计算模型在测试集上的准确率、召回率、F1值等指标来评估模型的性能。准确率是指模型正确预测的样本数占总预测样本数的比例，召回率是指正确预测的正样本数占实际正样本数的比例，F1值则是综合考虑准确率和召回率的指标，它能够更全面地反映模型的性能。使用predict函数对测试集进行预测，得到预测结果后，与测试集的实际类别标签进行对比，计算各项评估指标。代码如下：prediction<-predict(plsda_model,newdata=data[test_index,])accuracy<-sum(prediction$class==class_label[test_index])/length(test_index)recall<-sum(prediction$class[class_label[test_index]=="潲水油"]=="潲水油")/sum(class_label[test_index]=="潲水油")precision<-sum(prediction$class[class_label[test_index]=="潲水油"]=="潲水油")/sum(prediction$class=="潲水油")f1<-2*(precision*recall)/(precision+recall)accuracy<-sum(prediction$class==class_label[test_index])/length(test_index)recall<-sum(prediction$class[class_label[test_index]=="潲水油"]=="潲水油")/sum(class_label[test_index]=="潲水油")precision<-sum(prediction$class[class_label[test_index]=="潲水油"]=="潲水油")/sum(prediction$class=="潲水油")f1<-2*(precision*recall)/(precision+recall)recall<-sum(prediction$class[class_label[test_index]=="潲水油"]=="潲水油")/sum(class_label[test_index]=="潲水油")precision<-sum(prediction$class[class_label[test_index]=="潲水油"]=="潲水油")/sum(prediction$class=="潲水油")f1<-2*(precision*recall)/(precision+recall)precision<-sum(prediction$class[class_label[test_index]=="潲水油"]=="潲水油")/sum(prediction$class=="潲水油")f1<-2*(precision*recall)/(precision+recall)f1<-2*(precision*recall)/(precision+recall)除了上述基本的建模和验证步骤外，还可以采用交叉验证的方法对模型进行优化。交叉验证是一种评估模型泛化能力的有效技术，它将训练集进一步划分为多个子集，每次使用其中一部分子集作为训练数据，其余子集作为验证数据，重复多次训练和验证过程，最后将多次验证的结果进行平均，得到一个更可靠的模型评估指标。在R语言中，可以使用caret包中的trainControl函数和train函数来实现交叉验证。通过交叉验证，可以对模型的参数进行进一步调整和优化，提高模型的准确性和稳定性。例如，在进行交叉验证时，可以尝试不同的潜变量数量，观察模型在交叉验证过程中的性能变化，选择使模型性能最优的潜变量数量作为最终的模型参数。五、实验结果与分析5.1光谱特征分析通过对采集到的潲水油和合格食用油的近红外光谱进行深入分析，发现两者在光谱特征上存在明显差异。在近红外光谱区域，主要反映的是含氢基团（如C-H、O-H、N-H等）的倍频与合频吸收。食用油中的主要成分甘油三酯含有大量的C-H键，而潲水油由于其特殊的来源和加工过程，分子结构发生了变化，导致其近红外光谱特征与合格食用油有所不同。从光谱图（图1）中可以直观地看出，潲水油和合格食用油在某些波长区域的吸收强度存在明显差异。在4500-4300cm⁻¹波段，合格食用油的吸收强度相对较为稳定，而潲水油在此波段的吸收强度波动较大。这可能是由于潲水油在收集、加工过程中，受到各种因素的影响，如氧化、水解等，导致油脂分子结构发生变化，其中的C-H键所处的化学环境发生改变，从而影响了其在该波段的近红外吸收。在6000-5800cm⁻¹波段，潲水油的吸收强度明显高于合格食用油。此波段主要与油脂中的O-H键的倍频吸收有关，潲水油中较高的吸收强度可能暗示其含有更多的氧化产物，如醛、酮等，这些氧化产物中含有O-H键，在该波段产生了较强的吸收。进一步对光谱进行分析，确定了一些与潲水油特征相关的具体波长。在5250cm⁻¹处，潲水油出现了一个明显的吸收峰，而合格食用油在此波长处的吸收峰相对较弱。研究表明，该波长处的吸收主要与油脂中的C-H键的二级倍频吸收有关，潲水油在此处较强的吸收峰可能是由于其分子结构中C-H键的分布和化学环境与合格食用油不同所致。在7000-6800cm⁻¹波段，潲水油的光谱中出现了一个独特的肩峰，而合格食用油则没有明显的类似特征。此波段主要与油脂中的C-H键的三级倍频吸收相关，潲水油中该肩峰的出现可能是由于其在加工过程中，油脂分子发生了聚合、缩合等反应，形成了一些具有特殊结构的化合物，这些化合物中的C-H键在该波段表现出独特的吸收特征。通过对潲水油和合格食用油近红外光谱特征的对比分析，发现了两者在多个波长区域存在显著差异。这些差异与潲水油在收集、加工过程中发生的氧化、水解、聚合等化学反应密切相关，导致其分子结构和化学组成发生改变，进而在近红外光谱上表现出独特的特征。这些特征波长的确定，为后续基于近红外光谱技术的潲水油鉴别模型的建立提供了重要的依据。通过分析这些特征波长处的光谱信息，可以更准确地识别潲水油，提高鉴别方法的准确性和可靠性。5.2模型性能评估在完成基于偏最小二乘判别分析（PLS-DA）的潲水油鉴别模型构建后，对模型的性能进行全面评估至关重要，这能够准确判断模型在潲水油鉴别中的有效性和可靠性。本研究采用准确率、召回率、F1值等指标对模型性能进行量化评估，并通过交叉验证来深入判断模型的稳定性和泛化能力。准确率是评估模型性能的基础指标之一，它反映了模型正确预测的样本数在总预测样本数中所占的比例。计算公式为：准确率=（正确预测的样本数/总预测样本数）×100%。在本研究中，使用建立的PLS-DA模型对测试集的60个样品进行预测，经统计，模型正确预测的样品数为55个。则该模型的准确率为：（55/60）×100%≈91.67%。这表明模型在整体样本的预测上具有较高的准确性，能够正确识别大部分潲水油和合格食用油样品。召回率主要关注的是模型对正样本（在本研究中为潲水油样本）的识别能力，即正确预测的正样本数在实际正样本数中所占的比例。计算公式为：召回率=（正确预测的正样本数/实际正样本数）×100%。在测试集的60个样品中，实际的潲水油样本数为30个，模型正确识别出的潲水油样本数为27个。因此，模型的召回率为：（27/30）×100%=90%。这说明模型在识别潲水油样本时，能够准确找出大部分实际的潲水油样本，具有较好的正样本识别能力。F1值则是综合考虑准确率和召回率的指标，它能够更全面地反映模型的性能。计算公式为：F1值=2×（准确率×召回率）/（准确率+召回率）。将上述计算得到的准确率91.67%和召回率90%代入公式，可得F1值=2×（0.9167×0.9）/（0.9167+0.9）≈90.83%。F1值越高，表明模型在准确率和召回率之间达到了较好的平衡，整体性能较为优秀。为了进一步评估模型的稳定性和泛化能力，采用交叉验证的方法。在本研究中，使用五折交叉验证，即将训练集的180个样品随机划分为5个大小相近的子集，每次选取其中4个子集作为训练数据，剩余1个子集作为验证数据，重复5次训练和验证过程。在每次交叉验证中，分别计算模型在验证集上的准确率、召回率和F1值。经过5次交叉验证后，得到的准确率平均值为90.56%，召回率平均值为89.44%，F1值平均值为89.99%。通过交叉验证，发现模型在不同的验证集上表现较为稳定，各项评估指标的波动较小，说明模型具有较好的稳定性。同时，交叉验证的结果与直接使用测试集评估的结果相近，这表明模型在不同样本上的泛化能力较强，能够较好地适应新的样本数据，对未见过的潲水油和合格食用油样品具有较高的鉴别能力。5.3影响因素分析在基于近红外光谱的潲水油鉴别研究中，样品来源和光谱采集条件等因素对鉴别结果有着显著影响。样品来源的多样性和复杂性是影响鉴别结果的关键因素之一。本研究虽从多个地区的不同餐饮场所广泛收集了潲水油样品，但实际市场中潲水油的来源更为繁杂，加工方式也千差万别。不同地区的饮食习惯和烹饪方式不同，导致潲水油的成分存在差异。例如，以油炸食品为主的餐饮场所产生的潲水油，其油脂氧化程度和脂肪酸组成可能与以蒸煮为主的场所不同。不同加工方式得到的潲水油，如简单过滤提炼和经过复杂化学处理的，其分子结构和化学组成也会有所变化，进而影响近红外光谱特征。当模型建立所使用的样品不能涵盖所有可能的潲水油来源和类型时，就可能导致模型对某些特殊来源的潲水油鉴别不准确。为控制这一因素，在今后的研究中，应进一步扩大样品收集范围，增加样品的多样性，涵盖更多不同来源、不同加工方式的潲水油。在收集样品时，详细记录样品的来源、收集地点、餐饮场所类型、加工方式等信息，以便在数据分析和模型建立过程中，考虑这些因素对光谱特征和鉴别结果的影响。光谱采集条件对鉴别结果也至关重要。温度是一个重要的采集条件，温度的变化会影响油脂分子的运动和结构，从而改变其近红外光谱特征。在较高温度下，油脂分子的振动和转动加剧，可能导致光谱峰的位置和强度发生变化。如果在不同温度下采集光谱数据，可能会使原本相似的潲水油和合格食用油光谱出现差异，或者使应有的差异被掩盖，影响鉴别结果的准确性。为确保光谱采集的一致性和准确性，在采集过程中，应使用恒温装置控制样品和仪器的温度，将温度稳定在25℃左右，并在每次采集前检查温度是否稳定。湿度同样会对光谱采集产生影响，尤其是当油样中含有水分时，水分在近红外区域有明显的吸收峰，会干扰油脂本身的光谱信号。高湿度环境还可能导致仪器内部光学部件受潮，影响仪器的性能。因此，在光谱采集时，应将实验室湿度控制在40%-60%的范围内，并对油样进行严格的脱水处理，避免水分对光谱的干扰。仪器的状态和参数设置也是影响光谱采集的重要因素，仪器的波长准确性、分辨率、扫描次数等参数会直接影响光谱数据的质量。在每次采集光谱前，对仪器进行波长校正和能量校正，确保仪器波长准确性在±0.5nm以内，能量响应稳定。定期对仪器进行维护和保养，检查仪器的光学部件是否清洁、有无损坏，保证仪器处于最佳工作状态。样品来源和光谱采集条件等因素对基于近红外光谱的潲水油鉴别结果有着重要影响。通过扩大样品收集范围、详细记录样品信息、控制光谱采集的温度和湿度、定期维护仪器等措施，可以有效控制这些影响因素，提高鉴别结果的准确性和可靠性，推动基于近红外光谱技术的潲水油鉴别方法在实际市场监管中的应用。六、方法验证与实际应用探讨6.1方法验证为了全面验证基于近红外光谱技术的潲水油鉴别方法的可靠性和准确性，本研究精心挑选了一批独立于训练集和测试集的样品作为验证集，该验证集包含30份潲水油样品和30份合格食用油样品。这些样品同样来自不同地区的餐饮场所和正规市场，以确保其具有广泛的代表性。使用建立好的偏最小二乘判别分析（PLS-DA）模型对验证集样品进行预测。在预测过程中，将验证集样品的近红外光谱数据和化学指标数据按照模型要求的格式输入到模型中，模型输出预测结果，判断每个样品是潲水油还是合格食用油。经统计，在30份潲水油样品中，模型正确识别出28份，误判2份；在30份合格食用油样品中，正确识别出29份，误判1份。由此计算出模型在验证集上的准确率为：（28+29）/60×100%=95%，召回率为：28/30×100%≈93.33%，F1值为：2×（0.95×0.9333）/（0.95+0.9333）≈94.16%。这些结果表明，模型在独立验证集上依然保持了较高的准确性和可靠性，能够较为准确地鉴别出潲水油和合格食用油。为了进一步评估模型的性能，本研究还将PLS-DA模型与其他常用的鉴别模型进行了对比。选择主成分分析-判别分析（PCA-DA）模型和支持向量机（SVM）模型作为对比模型。同样使用验证集对这两个模型进行测试。PCA-DA模型在验证集上的准确率为85%，召回率为83.33%，F1值为84.16%。该模型是先通过主成分分析对数据进行降维，提取主要特征，再利用判别分析进行分类。但在处理复杂的潲水油和合格食用油数据时，主成分分析可能无法充分提取出对鉴别最关键的特征信息，导致模型的鉴别能力相对较弱。SVM模型在验证集上的准确率为90%，召回率为86.67%，F1值为88.31%。SVM模型基于结构风险最小化原则，在小样本、非线性分类问题上有较好的表现。然而，在本研究中，由于潲水油和合格食用油的数据分布较为复杂，SVM模型在寻找最优分类超平面时可能受到一些干扰，使得其性能略逊于PLS-DA模型。通过与PCA-DA模型和SVM模型的对比，PLS-DA模型在准确率、召回率和F1值等指标上均表现出明显优势。这充分证明了PLS-DA模型在基于近红外光谱的潲水油鉴别中具有更好的性能和可靠性，能够更准确地识别潲水油，为实际应用提供了有力的技术支持。6.2实际应用案例分析在市场抽检环节，某地区的食品监管部门运用基于近红外光谱技术的潲水油鉴别方法，对当地市场上的食用油进行了大规模抽检。在一次针对小型粮油批发商的抽检中，监管人员随机抽取了20个食用油样品，其中包括10个桶装大豆油、5个桶装花生油和5个散装食用油。利用便携式近红外光谱仪，在现场对这些样品进行了快速检测。检测过程中，将油样注入光谱仪配套的样品池中，按照预设的参数进行光谱采集，采集时间仅需2-3分钟。采集完成后，将光谱数据传输至搭载了偏最小二乘判别分析（PLS-DA）模型的平板电脑中，模型迅速对数据进行分析处理，判断样品是否为潲水油。经过检测，在这20个样品中，模型判断出有3个样品疑似为潲水油，其中2个为散装食用油，1个为桶装大豆油。监管人员立即将这3个疑似潲水油的样品送往专业实验室进行进一步的化学分析验证。通过对酸价、过氧化值、羰基价等化学指标的精确测定，结果证实这3个样品确实为潲水油。此次抽检充分展示了该鉴别方法在市场监管中的高效性和准确性。传统的检测方法需要将样品带回实验室，经过复杂的化学分析步骤，整个检测周期可能需要数天时间。而基于近红外光谱技术的鉴别方法能够在现场快速得出初步检测结果，大大提高了抽检效率，及时发现了潜在的食品安全隐患。然而，在实际应用中也发现了一些问题。部分样品由于在存储过程中受到光照、温度等因素的影响，其近红外光谱特征发生了一定变化，导致模型的判断出现了1-2个样品的误判。这表明在实际应用中，需要更加关注样品的存储条件对光谱特征的影响，同时进一步优化模型，提高其对不同存储条件下样品的适应性。在餐饮企业监管方面，某城市的卫生监督部门对辖区内的多家餐饮企业进行了定期检查，重点检测其使用的食用油是否为潲水油。在对一家中型中餐厅的检查中，卫生监督人员使用近红外光谱仪对厨房中正在使用的食用油进行了检测。由于餐饮企业厨房环境较为复杂，存在油烟、高温等干扰因素，为了确保检测的准确性，监督人员在检测前对仪器进行了严格的校准，并将油样从厨房中取出，放置在相对稳定的环境中进行检测。检测结果显示，该餐厅使用的食用油为合格产品。但在对一些小型餐馆和小吃摊的检查中，发现部分商家存在使用潲水油的情况。例如，在一家小吃摊的检测中，近红外光谱仪检测出其使用的食用油疑似为潲水油。经过进一步调查和实验室验证，确认该小吃摊使用的是经过简单加工的潲水油。通过这次检查，卫生监督部门及时责令这些违规商家停止使用潲水油，并对其进行了相应的处罚。然而，在餐饮企业监管中，也面临着一些挑战。部分餐饮企业对检查存在抵触情绪，不配合检测工作，给监管带来了一定困难。而且，由于餐饮企业使用的食用油品牌和种类繁多，模型可能无法涵盖所有情况，导致在一些特殊情况下的鉴别准确性受到影响。为了解决这些问题，需要加强对餐饮企业的宣传教育，提高其食品安全意识，使其主动配合监管工作。同时，进一步扩大模型的样本覆盖范围，不断优化模型，以适应更多种类食用油的鉴别需求。6.3应用前景与挑战基于近红外光谱的潲水油快速鉴别方法具有广阔的应用前景，尤其是在食品安全监管领域，有望发挥关键作用。在市场流通环节，监管部门可利用该方法对食用油进行快速筛查。例如，在粮油批发市场、超市等场所，监管人员使用便携式近红外光谱仪，能够在短时间内对大量食用油样品进行检测，及时发现潜在的潲水油，阻止其流入消费者餐桌。这不