中红外光谱技术应用于蜂蜜掺假预判的研究*

毛力军

(哈尔滨市产品质量监督检验院，哈尔滨 150090)

中红外光谱技术应用于蜂蜜掺假预判的研究*

毛力军

(哈尔滨市产品质量监督检验院，哈尔滨 150090)

由于蜂蜜蜜种多，成分复杂，加之蜂蜜掺假方式繁多，采用传统的方式很难对蜂蜜进行快速准确的鉴别。通过对国内多个地区的蜂蜜进行调研，采集来自全国20个省份多个蜜种的蜂蜜，利用可红外光谱仪对样品进行光谱扫描，采用主成分分析和聚类分析的方法，利用化学计量软件进行模型的建立。该识别模型不仅能较准确地判别蜂蜜是否掺假(准确率为95.36%)，还能对添加量在10%以上的掺假方式进行预判，判别准确率为97.78%，符合判别模型的建立要求。利用可红外光谱技术对蜂蜜掺假进行鉴别的方法有效、可行。

可红外光谱；蜂蜜；掺假鉴别；识别模型

我国不仅是蜂蜜生产大国，也是蜂蜜消费和蜂蜜出口大国［1-3］。养蜂是我国的传统行业，年产蜂蜜约40万t，近年来蜂蜜消费保持着日益增长的势头。但在蜂蜜的销售和流通环节，特别是在中国市场存在经营者一味追求高额利润，标识混乱、仿品牌、以次充好等制造、销售假冒伪劣蜂蜜的行为，严重扰乱了正常的蜂蜜市场秩序［4］。要解决蜂蜜生产行业中的这些问题，不仅要求生产者自己采取有效的质量控制措施，而且也需要相关标准制定和监管部门强有力的检测手段。因此国家有关部门针对蜂蜜掺假问题已经制定了标准检测方法，分别为GB／T 18932.1-2002《 蜂蜜中碳-4植物糖含量测定方法 稳定碳同位素比率法》和GB／T 18932.2-2002《 蜂蜜中高果糖淀粉糖浆测定方法 薄层色谱法》，这些措施己经在市场监督中起到了积极的作用。由于蜂蜜的主要成分是糖，掺假原料容易获得，一旦掺入很难检测；同时不同种类的蜂蜜成分变化很大［5-7］，如蜂蜜果糖含量约为30.91%～44.26%，葡萄糖含量约为22.89%～40.75%，果糖与葡萄糖的比率（WG）变化范围在0.76～1.86之间。另一方面蜂蜜掺假手段不断翻新，各种糖浆和混合糖浆被用于蜂蜜掺假，导致掺假蜂蜜的感官评价及大部分理化指标与天然蜂蜜产品极其相似，按照现有国家标准不能对真假作出准确判断。所有这些因素给鉴别蜂蜜是否掺假带来了很大的困难，使得检测手段程序繁琐，检测结果的验证难以确认。

目前蜂蜜掺假检测方法主要有感官鉴别法、花粉鉴别法、碳稳定同位素分析法、气相色谱法、高效液相色谱法、薄层色谱法和电子鼻等方法［8-9］。这些方法对蜂蜜的检测都存在一定的局限性，如感官鉴别法带有一定的主观性、经验性和不确定性，只适合于初步判断分析；碳稳定同位素分析法无法有效地检测C3植物糖浆的掺假方式；色谱法无法用于天然蜂蜜掺入糖浆的检测；电子鼻技术响应时间短，检测速度快，重复性好，不需要复杂的预处理过程，但由于我国蜜源植物分布辽阔、蜂蜜种类多、蜂蜜掺假手段多种多样使得数据模型的建立受到一定限制。部分学者尝试用近红外光谱技术检测蜂蜜掺假，取得了一定成效，但该方法尚未得到应用和推广。

笔者利用中红外技术［10-12］，采用主成分分析和聚类分析［13］的方法，建立多种蜂蜜掺假方式预判的判别模型，该模型能准确判别出蜂蜜是否掺假，在一定程度上分析出蜂蜜的掺假方式和掺假物质，具有快速、准确、实验过程无污染等优点，为蜂蜜掺假鉴别提供了良好的技术支持。

1 实验部分

1.1 主要仪器与试剂

中红外光谱分析仪：MilkoScan FT120型，丹麦FOSS公司；

超纯水机：Milli-Q Advantage型，美国密理博公司；

电子天平：AL104型，瑞士梅特勒-托利多公司；

磁力搅拌器：RO10型，德国IKA公司；

真实样本采集：对国内多个蜜种和俄罗斯椴树蜜进行调研，找出不同蜜种的分布区域，共采集蜂蜜真实样本一千余批次，蜜种包括椴树蜜、槐花蜜、枣花蜜、油菜蜜、荆条蜜、百花蜜和其它一些蜜种，采样区域覆盖山东、辽宁、黑龙江、广东、广西等20个省份和地区；

掺假样品制备：采用多种方式模拟蜂蜜掺假，包括以不同蜜种为本底，以人工转化糖、大米糖浆、麦芽糖浆、果葡糖浆和果葡糖浆和麦芽糖浆混合物等，分别按照5%，10%，20%，30%，40%，50%，60%，70%的比例模拟蜂蜜掺假，验证判别模型的准确性。

1.2 实验方法

1.2.1 样品的制备

对待测蜂蜜样品进行编号处理。对存在结晶现象的样品于水浴锅中进行加热，直至样品中无结晶现象为止。准确称取10 g蜂蜜样品于100 mL烧杯中，加入30 mL水，设定磁力搅拌器温度为40℃，搅拌5 min后转移至50 mL容量瓶中，用水定容至标线，静置数分钟后待检。

1.2.2 样品扫描

测量前，预热中红外光谱分析仪，对仪器进行标准化，测试前进行清洗和调零。分别对正常样品和验证样品进行检测，每个样品均检测2次，取平均值作为样本的原始光谱。

1.2.3 正常样品集及验证样品集的建立

扫描结束后，分别建立正常样品集及验证样品集，正常样品集包括真实蜂蜜样本987批次，验证样品集合包括124个掺假样本和113批次真实样本，验证集合用于判别模型的验证。

1.2.4 中红外模型的建立

采用主成分分析(PCA)回归方法，按照PCA定标程序选择确定的模块、正常样品集及验证样品集，根据实际检测结果调整确定主成分数(F值)和门槛值(T值)，F，T因子要以正常样品集和非正常的验证样品集相互对照来调整。首先F的设定数值决定着正常样品集的一致性，即正常样品的光谱应趋于一致，不能差异过大；T因子的调整以验证集合为调整基础，应把正常样品的数据置于T因子以下，保证正常样品不被报警，同时要保证非正常样品置于T因子以上。可以留出一定的报警空间，以避免正常样品的误判。

1.2.5 利用WinISI软件对红外光谱图进行处理

采用聚类分析等方法对红外光谱数据进行分析，建立聚类分析掺假判别的判别模型，对主成分分析的判别模型进行相互验证。

1.2.6 掺假方式的判别

分别对人工添加果葡糖浆、大米糖浆和人工转化糖3种掺假方式建立样品集和，采用聚类分析的方法，建立聚类分析回归模型，对掺假方式和添加水平进行判别。

2 结果与讨论

2.1 蜂蜜的可红外原始光谱图

图1为987批次多个种类真蜂蜜样品的原始光谱的叠加图。图2为124批次采用不同掺假方式模拟的掺假样原始光谱叠加图。通过对照图1和图2，发现真蜂蜜平均光谱和掺假蜂蜜平均光谱相似，在453，747和835个波点数附近都存在强烈的吸收峰，只有通过光谱预处理及化学计量学方法才能加以区别。

2.2 采用PCA主成分分析建立蜂蜜掺假的判别模型

2.2.1 模型的总体判别情况

按照PCA定标程序选择确定的模块、正常样品集及验证样品集，根据实际检测结果调整并确定主成分数(F值)和门槛值(T值)，得到多个判别模型，对模型加以分析和优化，选出具有代表性的临界值模型加以分析，确定最优模型，实现对蜂蜜掺假进行快速判别。通过多次验证，发现样品在经过5倍稀释后得到的判别模型最佳，通过调整F值和T值，当F=8，T=2.0时模型的判定效果最佳，见图3和图4。

图1 真蜂蜜原始中红外光谱叠加图

图2 掺假蜂蜜的原始中红外光谱叠加图

图3F=8，T=2的校正集合

图4F=8，T=2的验证集合

由图3和图4可以看出，当样品稀释倍数为5倍，F设定为8，T设定为2时，校正集合共有987批次真实样本，有17个真实样本超过警戒线，被判定为掺假样品，判定正确率为98.28%；验证集合共有124批次掺假样品，其中11批次掺假蜂蜜低于警戒线，被判定为真实样本，判定正确率为91.13%。根据模型判定的要求规定，可以确定当F=3，T=2时所建立的模型可以应用于蜂蜜掺假的判定。分析校正集合中误判的样品发现，以油菜蜜为本底，梯度添加果葡糖浆和其它种类本底蜂蜜添加5%的果葡糖浆时易被误判，说明该模型判别含量低于5%的果葡糖浆时误差较大，同时说明油菜蜜的成分可能跟果葡糖浆的成分及比例较为相似，从而导致在油菜蜜中添加低含量果葡糖浆时被误判为真蜜。

2.2.2 PCA模型对不同种掺假方式的判别情况

(1)槐花蜜中添加果葡糖浆的预测结果见图5。由图5可以看出，以槐花蜜为本底，添加不同比例果葡糖浆的预测结果随着添加量的增加而增大，均在2(模型中门槛值T=2)以上，不存在误判，判别准确率为100%。

图5 槐花蜜中梯度添加果葡糖浆时的检测结果

(2)椴树蜜添加果葡糖浆的预测结果见图6。由图6可以看出，以椴树蜜为本底，添加不同比例果葡糖浆时的预测结果随着糖浆添加量的增加而增大，仅有添加量为5%时预测结果低于2(模型中门槛值T=2)，其它结果均在2以上，判定准确率较高，说明所建模型可以用于椴树蜜中果葡糖浆掺假的判定。

图6 椴树蜜梯度添加果葡糖浆时的检测结果

(3)不同种类蜂蜜梯度添加混合糖浆的预测结果见图7。由图7可以看出，不同种类蜂蜜梯度添加混合糖浆的预测结果随着添加量的增加而显著增大，只有以椴树蜜为本底添加5%混合糖浆及以油菜蜜为本底添加5%，10%混合糖浆时预测结果低于2(门槛值T设定为2)，被误判为真蜂蜜样品；其它情况均能够准确判定。说明模型对混合糖浆的判定灵敏度和准确度均较高，可以用于蜂蜜果葡糖浆掺假的判定。

图7 不同种类蜂蜜梯度添加混合糖浆的预测结果

2.3 聚类分析判别模型的建立及应用

2.3.1 聚类分析判别模型的建立

选择不同种类的987批次真实蜂蜜样本作为校正样品集，选择124批次掺假蜂蜜和113批次真实蜂蜜共同作为验证样品集合，利用WinISI数据处理软件对红外光谱经过求导、平滑等处理，选择最佳的主成分因子，建立聚类分析的判别模型。聚类分析判别模型的判别结果见表1。

表1 聚类分析建立的判别模型预测结果

从表1可以看出，校正集合中共有987个真实样本，其中16个真实样本被误判，判定准确率为98.38%。验证集合共有237个样本，其中真实样本113个，掺假样本124个，其中真实样本被判定为掺假样本3个，掺假样本判定为真实样本8个，整体判定准确率为95.36%。掺假样本被误判的情况分别为椴树蜜加5%和10%果葡糖浆、油菜蜜加5%果葡糖浆、荆条蜜加5%果葡糖浆、椴树蜜加5%和10%混合糖浆、枣花蜜加5%混合糖浆，说明采用聚类分析所建立的模型符合建模要求，仅有在掺假物添加量小于10%时可能会误判，判定灵敏度和准确率均相对较高，可以应用于蜂蜜掺假的预判。

2.3.2 聚类分析判别模型对掺假方式的预判

模拟蜂蜜的不同掺假方式，分别以不同蜜种为底物，通过梯度添加果葡糖浆、人工转化糖和大米糖浆等3种掺假方式，分别建立样品集合，通过对集合中红外原始光谱数据采用积分求导、平滑等处理方式进行处理，利用WinISI数据处理软件进行处理和分析，3种掺假方式的预测结果见图8。

从图8可以看出，添加大米糖浆蜂蜜的集合中共有17个样本，预测结果显示17个均为大米糖浆掺假，判定准确率为100%；添加人工转化糖的集合共有20个样本，预测结果显示20个均为人工转化糖掺假，判定准确率为100%；添加果葡糖浆蜂蜜的集合中共有55个样本，预测结果显示53个样本判定正确，另有两个样本判定为人工转化糖掺假，属于误判。聚类分析回归模型中共有90个样本，其中有2个样本误判，判定准确率为97.78%，符合判定模型的判别要求。

从模型中还可以看出，预测结果随着掺假物添加量的增加而增大，说明采用中红外光谱法不仅可以对蜂蜜是否掺假进行判别，还可以掺假物的方式及添加浓度进行预测和判别。为了保证判定的准确性，采用数据处理软件对蜂蜜中红外光谱数据做进一步处理，通过聚类分析的方法建立新的判定模型，相互验证和补充，使得判定结果更加准确。

图8 3种掺假掺假方式的预测结果

3 结论

采用中红外光谱法，结合PCA主成分分析和聚类分析等数据处理方法，建立的判别模型能够广泛应用于多种糖浆掺假方式的检测。模型以不同蜜种为底物，针对不同糖浆的检测灵敏度稍有差异，检出限多为5%和10%添加量。

分析发现，判别模型在以椴树蜜和油菜蜜为底物添加低含量果葡糖浆和混合糖浆时会出现误判，原因是葡糖浆的糖分比例与蜂蜜相似，当添加水平较低时可能存在误判。

所建模型对蜂蜜掺假的检测灵敏度较高，可以对流通领域蜂蜜掺假情况进行准确预判。不仅可以对蜂蜜是否掺假进行判别，还可以对掺假物的方式及添加量进行预测和判别，为蜂蜜产品质量的监管提供技术支持。

［1］ 马伦姣.我国蜂蜜出口竞争力的国际对比［J］.安徽农业科学，2009，37(33)： 16 604-16 606.

［2］ 何薇莉.世界蜂业及蜂蜜贸易概况［J］.中国牧业通讯，2006(24)： 50-52.

［3］ 于亚丽.中国蜂蜜产业出口贸易研究［J］.中国蜂业，2012，63(9)： 47-49.

［4］ 裴高璞，史波林，赵镭，等.蜂蜜质量市场动态及掺假检测方法现状分析［J］.食品科学，2013(15)： 329-336.

［5］ 王丹丹，任虹，李婷，等.蜂蜜掺假鉴别检测技术研究进展［J］.食品工业科技，2016(16)： 362-367.

［6］ 袁玉伟，张志恒，叶雪珠，等.蜂蜜掺假鉴别技术的研究与对策建议［J］.食品科学，2010，31(9)： 318-322.

［7］ 朱青，王毕妮，梁艳，等. 蜂蜜掺假检测方法的研究进展［J］.中国蜂业，2008，59(10)： 35-37.

［8］ 费晓庆，吴斌，沈崇钰，等. 液相色谱／元素分析-同位素比值质谱联用法鉴定蜂蜜掺假［J］. 色谱，2011，29(1)： 15-19.

［9］ 卢太白，陈玲，张中满.蜂蜜品质检测及掺假鉴别［J］.陕西农业科学，2006(2)： 24-25.

［10］ 陈兰珍，张妍楠，吴黎明，等.中红外光谱结合线性判别分析快速鉴别蜂蜜品种［J］.食品科技，2014，39(11)： 310-314.

［11］ 宋珊.蜂蜜品质中近红外光谱检测技术研究［D］.天津：天津科技大学，2014.

［12］ 李水芳，朱向荣，单杨，等.中／近红外光谱技术结合化学计量学在蜂蜜快速检测中的应用研究进展［J］.食品与机械，2009，25(5)： 121-124，177.

［13］ 唐东明.聚类分析及其应用研究［D］.成都：电子科技大学，2010.

教育部创新团队结题验收 质谱等仪器项目榜上有名

不久前，教育部科技司发布通知称，按照《“长江学者和创新团队发展计划”创新团队支持办法》相关规定，将开展2013年度教育部创新团队结题验收工作。

此次验收对象为2013年度入选的教育部创新团队以及培育期满、成果突出、发展势头良好的培育团队，主要考察和评估团队发展与平台建设、创新能力与社会贡献、科教结合支撑人才培养以及团队文化与管理运行。

公布的验收清单中，由厦门大学江云宝带头的“谱学分析”，由东华理工大学陈焕文带头的“直接质谱方法研究”等仪器方法研究项目榜上有名。

（可国分析仪器网）

Mid Infra-red Spectrum Technology in Honey Adulteration Anticipation

Mao Lijun
(Harbin Product Quality Supervision and Inspection Institute, Harbin 150090, China)

Due to the honey composition is complicated and the honey adulteration ways are multifarious, the traditional way of honey identification is difficult to identify accurately. Through researching honey in several parts of the country, several kinds of honey were collected from 20 provinces all over the country, then the mid infra-red spectrum was used to scan the samples. Chemical metrology software was used to build a model by using the method of principal component analysis and cluster analysis. The recognition model could not only carry on the discrimination about whether honey adulteration (the accuracy rate was 95.36%), but also anticipate the adulteration way of additive amount more than 10%, the accuracy rate was 97.78%, which met the requirements of the discriminant model. The method for identifying honey adulteration by using mid infra-red spectrum is effective and feasible.

mid infra-red spectrum; honey; adulteration identification; recognition model

O657.61

:A

:1008-6145(2017)02-0019-05

10.3969／j.issn.1008-6145.2017.02.005

*哈尔滨市应用技术研究与开发项目(2014AE6AE055)

联系人：毛利军； E-mail： zhanghaihua523@126.com

2017-01-18