基于二维红外相关谱判别掺假蜂蜜

焦东升，孙雪杉，朱文碧, 杨仁杰，通信作者，靳浩，张伟玉

（1. 天津农学院 a. 工程技术学院，b. 农业分析测试中心，天津 300384）

基于二维红外相关谱判别掺假蜂蜜

焦东升1a，孙雪杉1a，朱文碧1b, 杨仁杰1a，通信作者，靳浩1a，张伟玉1a

（1. 天津农学院 a. 工程技术学院，b. 农业分析测试中心，天津 300384）

将二维中红外相关谱与多维偏最小二乘判别法相结合，建立了掺假蜂蜜与纯蜂蜜的判别模型。分别配置纯蜂蜜和掺蔗糖蜂蜜样品各30个，室温下，在650～4 000 cm-1范围内采集了所有样品的衰减全反射光谱。在研究纯蜂蜜和掺假蜂蜜光谱特征的基础上，基于二维中红外相关谱矩阵建立了掺假蜂蜜的多维偏最小二乘判别模型，并与常规一维中红外谱的偏最小二乘判别模型的预测结果进行了比较。两个模型对未知样品的判别正确率分别为95%和90%。研究结果表明：基于二维中红外相关谱的多维偏最小二判别模型能更有效地提取掺假蜂蜜的特征信息，能提供高的判别正确率。

二维中红外相关谱；多维偏最小二乘判别；掺假蜂蜜；蔗糖

蜂蜜是一种天然保健食品，其主要成分是糖类和水分，同时还含有蛋白质、氨基酸、微量元素等成分，具有较高的营养价值，因此深受广大消费者欢迎。但为了获得更多的利润，在蜂蜜的生产、销售和流通等环节，一些销售商会往蜂蜜中掺入添加物，比如蔗糖、葡萄糖、淀粉等。这些掺假的蜂蜜不仅损害了消费者的利益，而且也扰乱了蜂蜜市场的稳定。因此，找到一种快速、便捷、精准的蜂蜜质量检测方法具有重要的意义。

光谱法因其便捷、快速和能实现在线检测等特点，已被广泛应用于蜂蜜质量检测中[1-4]。Sivakesava等[1]研究了一维中红外光谱结合化学计量学判别掺葡萄糖、果糖和蔗糖蜂蜜的可行性。Irudayaraj等[2]将衰减全反射傅里叶变换红外光谱和多变量分析技术相结合来判别掺入不同比例还原糖的蜂蜜，结果表明，各种建模方法均取得了较好的判别结果。梁奇峰等[3]采用一维中红外光谱对纯蜂蜜的品种及各种掺假蜂蜜进行判别，指出掺假蜂蜜在波数900～1 200 cm-1和波数400～600 cm-1范围内与纯蜂蜜的特征光谱信息存在明显差异，可实现掺假蜂蜜的判别。虽然上述文献都取得了较好的分析结果，但由于蜂蜜是一种组分高度复杂的食品，且掺杂物的微量化和多样化，以及组分间特征光谱信息相互重叠，因此，常规一维光谱无法有效地提取蜂蜜中掺杂物的特征信息。

与常规一维谱相比，二维相关谱具有高的光谱分辨率和图谱解析能力，能有效提取待分析体系微弱的、变化的特征信息，特别适合相似样品的判别分析。孙素琴等将二维相关谱技术应用于中药的质量控制，取得了较好的分析结果[5-8]。杨仁杰等将二维相关谱技术与化学计量学结合实现了掺杂牛奶的定性定量分析[9-13]。本文以掺蔗糖蜂蜜为研究对象，在研究其二维中红外相关谱特性的基础上，建立了纯蜂蜜和掺假蜂蜜的多维偏最小二乘判别模型，并与常规一维谱的偏最小二乘法判别结果进行了比较。

1 材料与方法

1.1 试验仪器与样品处理

试验采用美国珀金埃尔默公司的傅里叶变换中红外光谱仪，样品池为仪器自配的衰减全反射附件，光谱采集的波数范围为650～4 000 cm-1，分辨率为4 cm-1, 扫描次数为16次。

用电子天平称取一定质量的蔗糖，将其添加到适量的蒸馏水中，加热并不断搅拌，配置蔗糖标准溶液。并取不同体积的蔗糖标准溶液添加到纯蜂蜜中，配置体积分数分别为1%、3%、5%、7%、10%、13%、15%、17%、20%、23%、25%、27%、30%、45%，47%的掺假蜂蜜样品，设2个重复。此外，又配置了30个纯蜂蜜样品，以备中红外光谱扫描。

在光谱采集前，通过人工搅拌方式对掺假蜂蜜进行匀质处理。并用吸管吸取上述配置的样品约1.0 mL滴在衰减全反射晶体表面上，在650～4 000 cm-1范围扫描样品的中红外光谱。

1.2 二维相关谱计算

对采集的随外扰变化的动态中红外光谱矩阵Sm×n（m是光谱数，n光谱变量数），根据 Noda理论进行同步二维相关谱 Φ (1,2)计算[14-15]：

在当前研究中，动态光谱矩阵S包含两个光谱（m=2），其第一行为纯蜂蜜中红外谱，第二行为第 i个掺假蜂蜜或纯蜂蜜中红外谱，根据式（1）就可得到第i个掺假蜂蜜或纯蜂蜜所对应的同步二维中红外相关谱矩阵。

1.3 数据处理

采用课题组编写的二维相关分析 Matlab代码，根据式（1）对所有样品进行同步二维相关计算（未选择参考谱），得到所有样品的同步二维中红外相关谱矩阵。在此基础上，将同步二维中红外相关谱矩阵与多维偏最小二乘判别法结合，建立掺假蜂蜜的判别模型。

2 结果与分析

2.1 纯蜂蜜和掺假蜂蜜的一维中红外光谱特性

图1是纯蜂蜜在650～4 000 cm-1范围内的衰减全反射光谱。由图1可以看出，纯蜂蜜在3 292、2 932、1 644和1 024 cm-1处存在较强的红外吸收峰，其中 3 292 cm-1吸收峰主要是由蜂蜜中羟基（—OH缔合）伸缩振动所引起；2 932 cm-1处吸收峰主要由蜂蜜中C—H伸缩振动引起；1 644 cm-1处吸收峰主要由蜂蜜中 C＝O伸缩振动引起；1 024 cm-1处吸收峰主要由蜂蜜中C—O伸缩振动引起。

图 1 纯蜂蜜一维中红外光谱

图2是掺入体积分数为10%蔗糖蜂蜜样品在650～4 000 cm-1范围内的衰减全反射中红外光谱。很显然，在整个光谱范围内，与纯蜂蜜（图1）的谱型轮廓和谱峰位置都非常相似。为了便于观察到纯蜂蜜和掺蔗糖蜂蜜谱图差别，图1和图2的右上角给出了两个样品在900～1 100 cm-1内的光谱图。相比纯蜂蜜光谱，掺入 10%蔗糖的蜂蜜在920 cm-1和988 cm-1处存在明显的肩峰，这两处吸收峰主要是蜂蜜中添加的蔗糖所引起的，这与参考文献[3-4]的报道一致。由于掺假蜂蜜和纯蜂蜜图谱差异很小，无法根据图谱直接比对来实现蜂蜜是否掺假的判别，因此，需要借助模式识别的方法。在本文中，主要对900～1 800 cm-1范围的光谱数据进行了分析，建立了定性分析掺假蜂蜜的判别模型。

图 2 掺假蜂蜜一维中红外光谱

2.2 纯蜂蜜和掺假蜂蜜的二维中红外相关谱特性

以蜂蜜中掺假的蔗糖浓度为外扰，根据式（1）对各样品在900～1 800 cm-1范围进行同步二维中红外相关谱计算。图3a和3b分别是纯蜂蜜和掺假体积分数为 1%蔗糖蜂蜜的同步二维中红外相关谱。虽然二维中红外相关谱相对于一维中红外谱具有更好的提取特征信息能力，但由于蜂蜜中添加的蔗糖浓度很小，且其特征峰被蜂蜜固有组分的吸收峰所覆盖，因此，纯蜂蜜和掺蔗糖蜂蜜的同步二维中红外相关谱也非常相似，无法实现掺假蜂蜜的判别。在本文中，将同步二维中红外相关谱矩阵与多维偏最小二乘判别结合来实现掺假蜂蜜的有效判定。

图3 纯蜂蜜（a）和掺假蜂蜜（b）的同步二维中红外相关谱

2.3 掺假蜂蜜的多维偏最小二乘判别模型

在研究纯蜂蜜和掺假蜂蜜中红外光谱特性的基础上，将同步二维中红外相关谱矩阵和多维偏最小二乘判别法相结合，建立掺假蜂蜜的判别模型。首先，采用马氏距离法对60个样品（纯蜂蜜和掺假蜂蜜样品各30个）进行异常样品诊断，并未发现异常样品存在。接着，根据K-S（Kennard-Stone）法，从60个样品中选取40个（纯蜂蜜和掺假蜂蜜样品各20个）作为校正集，余下20个样品（纯蜂蜜和掺假蜂蜜样品各10个）作为预测集。在判别模型中，纯蜂蜜用类别变量“0”表示，掺假蜂蜜用类别变量“1”表示，当某一样品预测值大于0.5时，该样品被归为掺假蜂蜜类，当某一样品预测值小于0.5时，该样品被归为纯蜂蜜类。

建模参数的选择对于模型的稳定性和预测能力至关重要。因此，在建模之前，需要对模型所需的主成分数进行选择。在本文中，对上述的校正集样品，采用交叉验证均方根误差（RMSECV）来选择建模所需要的最佳主成分数。图4给出了不同主成分数下的RMSECV变化曲线。随着主成分数的增大，RMSECV值逐渐减小，当主成分为5时，RMSECV值达到最小，因此，选择5个主成分建立掺假蜂蜜的多维偏最小二乘判别模型（NPLS-DA）。

图 4 NPLS-DA模型RMSECV随主成分的变化曲线

采用所建立的 NPLS-DA模型对校正集内的40个样品进行预测，其预测结果见图5。20个纯蜂蜜样品的预测值都小于0.5，根据上述判别规则，这20个样品被归为纯蜂蜜类，判别正确率为100%；1个掺假蜂蜜样品（蔗糖的体积分数为1%）的预测值小于0.5，该样品被归为纯蜂蜜类，其余19个掺假蜂蜜都得到正确识别。因此，在校正集40个样品中，仅有一个样品被误判，其判别正确率为97.5%。

图 5 NPLS-DA模型对校正集内部样品的预测结果

为了考察所建模型对未知样品的预测能力，对预测集中的20个外部样品进行预测，其预测结果见图6。10个纯蜂蜜样品预测值都小于0.5，被归为纯蜂蜜类样品，模型对纯蜂蜜样品判别正确率为100%；1个掺假蜂蜜样品被归为纯蜂蜜类，被误判。因此，模型对预测集20个未知样品的判别正确率为95%。

图 6 NPLS-DA模型对预测集外部样品的预测结果

为了说明所提方法具有更好的预测能力，对上述同样的校正集和预测集样品，基于一维的中红外光谱，建立了定性分析掺假蜂蜜的偏最小二乘判别（PLS-DA）模型。图7是PLS-DA模型在不同主成分数下的RMSECV。由图7可以看出，当主成分为7的时候，RMSECV最小。因此，选择7个主成分建立掺假蜂蜜的PLS-DA模型。

图 7 PLS-DA模型RMSECV随主成分的变化曲线

采用所建立的PLS-DA模型对校正集40个样品和预测集20个样品进行预测。对于校正集，也是最低掺假蜂蜜样品被误判，其判别正确率为97.5%。图8给出了预测集样品的预测结果，同样，纯蜂蜜的预测值都小于0.5，被归属于纯蜂蜜类，判别正确率为100%，两个掺假蜂蜜（体积分数分别为1%和3%）被误判，所以所建立的PLS-DA模型对未知样品的判别正确率为90%。

表1给出了两个模型的建模参数和判别结果。从表 1中可以看出，基于二维中红外相关谱的NPLS-DA模型的预测性能要优于常规一维谱的PLS-DA模型，主要表现在以下 3个方面：（1）NPLS-DA模型所需最佳主成分数小于PLS-DA模型；（2）NPLS-DA模型对预测集未知样品判别正确率高于 PLS-DA模型；（3）NPLS-DA模型的RMSECV和预测误差均方根（RMSEP）值都低于PLS-DA模型。

图 8 PLS-DA模型对预测集外部样品的预测结果

表 1 NPLS-DA与PLS-DA模型的预测结果

3 结论

本文在研究纯蜂蜜和掺假蜂蜜一维中红外光谱和二维中红外相关谱特性的基础上，建立了基于二维中红外相关谱掺假蜂蜜的NPLS-DA模型，并与常规一维中红外谱的PLS-DA模型的预测结果进行了比较。两个模型对预测集未知样品的判别正确率分别为95%和90%。研究结果表明，相对于常规一维谱的偏最小二乘判别模型，基于二维中红外相关谱的多维偏最小二乘判别模型更能有效提取掺假蜂蜜的特征信息，能提供更好的分析结果。该研究为该方法的进一步推广和应用提供了理论和实验基础。

[1] Sivakesava S，Irudayaraj J. A rapid spectroscopic technique for determining honey adulteration with corn syrup [J].Journal of Food Science，2001，66（6）：787-791.

[2] Irudayaraj J，Xu R，Tewari J. Rapid determination of invert cane sugar adulteration in honey using FTIR spectroscopy and multivariate analysis [J]. Journal of food science，2003，68（6）：2040-2045.

[3] 梁奇峰，彭梦侠，林鹃. 纯蜂蜜与掺假蜂蜜的红外光谱鉴别研究[J]. 安徽农业科学，2009，37（1）：34-35.

[4] 赵延华，刘成燕，韩旭，等. 傅里叶变换红外光谱法快速鉴别掺假蜂蜜[J]. 理化检验-化学分册，2012，48（2）：136-139.

[5] Wang Y，Xu C，Wang P，et al. Analysis and identification of different animal horns by a three-stage infrared spectroscopy[J]. Spectrochim Acta A Mol Biomol Spectrosc，2011，83（1）：265-270.

[6] Sun S，Zhou Q，Chen J. Infrared spectroscopy for complex mixtures：Applications in food and traditional chinese medicine [M]. Beijing：Chemical Industry Press，2011.

[7] Zhan D，Sun S. Application of wavelet transform in improving resolution of two-dimensional infrared correlation spectroscopy[J]. Lecture Notes in Computer Science，2005，3645：356-365.

[8] Chen J，Zhou Q，Noda I，et al. Quantitative classification of two-dimensional correlation spectra [J]. Applied Spectroscopy，2009，63（8）：920-925.

[9] 崔彩路，杨仁杰，朱文碧，等. 二维相关红外谱结合PARAFAC-MLR判别掺杂牛奶[J]. 天津农学院学报，2015，22（1）：19-23.

[10] 杨仁杰，杨延荣，刘海学，等. 二维相关谱在食品品质检测中的研究进展[J]. 光谱学与光谱分析，2015，35（8）：2124-2129.

[11] Yang R J，Sun X S，Wang B H，et al. Adulteration of sesame oil with corn oil detected by use of two-dimensional infrared correlation spectroscopy and multivariate calibration [J]. Spectroscopy Letters，2016，49（5）：355-361.

[12] Yang R J， Dong G M， Sun X S， et al. Synchronous asynchronous two-dimensional correlation spectroscopy for the discrimination of adulterated milk[J]. Analytical Methods， 2015，7（10）：4302-4307.

[13] 杨仁杰，刘蓉，杨延荣，等. 二维相关近红外谱多维主成分分析掺杂牛奶判别方法研究[J]. 光学精密工程， 2014，22（9）：2352-2358.

[14] Noda I. Frontiers of two-dimensional correlation spectroscopy. Part 1. New concepts and noteworthy developments [J]. J Mol Struct，2014，1069：3-22.

[15] Noda I. Frontiers of two-dimensional correlation spectroscopy. Part 2. Perturbation methods，fields of applications，and types of analytical probes[J]. J Mol Struct，2014，1069：23-49.

责任编辑：杨霞

Classification of Adulterated Honey Based on Two-dimensional Infrared Correlation Spectroscopy

JIAO Dong-sheng1a, SUN Xue-shan1a, ZHU Wen-bi1b, YANG Ren-jie1a,CorrespondingAuthor, JIN Hao1a,ZHANG Wei-yu1a
（1. Tianjin Agricultural University, a. College of Engineering and Technology, b. Laboratory of Agricultural Analysis,Tianjin 300384, China）

The classification model of adulterated honey was constructed based on two-dimensional（2D）.mid-infrared correlation spectroscopy combined with N-way partial least squares discriminant analysis（NPLS-DA）. Firstly, 30 pure honey samples and 30 adulterated honey with sugar samples were prepared respectively. Then, mid-infrared attenuated total reflectance spectra of all samples were obtained in the region of 650-4 000 cm-1under room temperature. Spectral features of pure honey and adulterated honey were studied. NPLS-DA model was built using 2D mid-infrared correlation spectra. For comparison, the partial least squares discriminant analysis（PLS-DA）model was built using one-dimensional（1D）mid-infrared spectra. The classification accuracies of two classification models for prediction set were 95% and 90%, respectively. The results show that NPLS-DA model can effectively extract feature information of adulterated honey using 2D mid-infrared correlation spectra and provide higher accurate rates.

two-dimensional mid-infrared correlation spectroscopy; N-way partial least squares discriminant analysis;adulterated honey; sugar

O657.33

：A

2016-07-15

天津农学院大学生创新创业训练计划项目“基于二维相关谱掺假蜂蜜特征信息提取及判别”（201510061190）；国家自然科学青年基金项目“基于二维相关谱掺伪牛奶检测方法研究”（31201359）

焦东升（1990-），男，河南周口人，本科在读，研究方向：光谱检测。E-mail：839616390@qq.com。

杨仁杰（1978-），男，山西运城人，副教授，博士，主要从事光谱检测技术与应用方面的研究。 E-mail：rjyang1978@163.com。

1008-5394（2017）02-0067-05