蜂蜜中检测掺假检测方案(红外光谱仪)

智能文字提取功能测试中

011959_CHN_01 使用傅里叶变换近红外光谱法FT-NIR检测蜂蜜掺假 高价值商品的质量不合格现象，其实并不鲜见，如食品。这些商品可能被无良的供应商掺假，以提高他们的利润。 但是很不幸，判断这些商品是否被掺假并不容易。 一种通常可能被掺假的高价值产品就是蜂蜜。不诚实的供应商，在产品中添加玉米糖浆，既保留了甜味，外观上又不会产生明显的区别。如果不进行检测，很难判断哪些蜂蜜掺假了，而哪些没有。传统的掺假蜂蜜的检测方法，非常耗时，且费用很高。欺诈性的贴假标签也是一个主要问题。FDA关于蜂蜜标签的规定如下： ·如果某食品只含有蜂蜜，该食品必须命名为“蜂蜜”。 ·如果某食品含有蜂蜜和任何其它组分如甜味剂，该食品必须进行相应标注，如“混合蜂蜜和糖"。 。可以注明花源，如三叶草蜂蜜。 ·任何不是纯蜂蜜的产品，不能被标注为“蜂蜜”。 傅里叶变换近红外光谱法 (FT-NIR)提供了一种快速、准确度高的测试方法，可以进行蜂蜜中掺杂物的检测。为了优化该技术的有效性，对不同的数据模型方法进行了测试。 掺杂物检测的数据分析方法 产品中掺杂物的检测可以是靶向的或者非靶向的。靶向方法中，如偏最小二乘法(PLS)，掺杂物是产品中需要找出的某种特定的物质。通过一系列的校准标准物建立校准模型，就可以对这种掺杂物进行定量检测。每一种掺杂物质都需要一个单独的校准曲线。常见的非靶向方法，如簇类的独立软模式方法(SIMCA)， 会告诉分析者该产品是否符合预期的材料标准。它会指出这个产品可能被掺假，但是无法告知掺杂了什么、掺杂了多少。 Spectrum10红外光谱软件独有的掺杂物筛查算法(Adulterant ScreenTM)，当判断出产品不合格时，会确定掺杂物并估计掺杂物的浓度。这种算法并不需要对不同浓度的已知和潜在掺杂物进行大量繁琐耗时的测量，这样就可以快速开发出掺杂物筛查方法，以及快速针对新掺杂物进行方法升级。 实验部分 近红外光谱数据使用PerkinElmer FrontierTM近红外光谱仪收集。将蜂蜜样品倾倒在样品盘中，将样品盘放在NIRAⅡ反射附件的顶部，并在样品的上面放置透反射附件。光谱在8cm1分辨率的条件下采集，扫描时间为30秒。 下列纯样品的光谱进行了检测： 三叶草蜂蜜 ·野花蜂蜜 ·橙花蜂蜜 。有机蜂蜜 ·玉米糖浆 ·大米糖浆 每个纯物质都重复采集了十次光谱。接下来，使用玉米糖浆稀释纯物质到以下浓度： ·三叶草蜂蜜 ◆ 0%，2%，4%，6%，8%，10%，12%，14%，16%，18%，20%，30%，40%，50%，60%，70%，80%，90%，92%，94%， 96%，98%，100% ·野花蜂蜜 ◆0%，20%，40%，60%，80%，100% ·有机蜂蜜 ◆0%，20%，40%，60%，80%，100% 更多的稀释样品作为方法的验证样品，也进行了制备：野花、橙花、三叶草和有机蜂蜜进行了2次单独稀释，一次使用10%的玉米糖浆，一次使用10%的大米糖浆。 实验结果 图1包含了掺有不同浓度蜂蜜(0%蜂蜜即为玉米糖浆)的三种不同样品的谱图。在这样的高浓度下，光谱的差异非常明显。二阶导数谱可以更快速的确认光谱差异，并可消除光谱基线偏移和倾斜的影响。 图1.不同浓度蜂蜜的FT-NIR光谱 图2.图1中样品光谱的二阶导数谱 使用三叶草蜂蜜和玉米糖浆的标准混合物建立了PLS定量模型。图3显示了这些标准混合物真实值和模型估算值的校准曲线。数据显示了非常好的线性关系，说明PLS模型可针对某种已知的掺杂物进行成功的定量分析。 图3.蜂蜜稀释样品的PLS模型 进一步的校准模型使用含有有机、三叶草、野花蜂蜜的所有的标准混合物，见图4。这个校准模型显示，花的不同种类对这个模型中使用的样品和掺杂物影响非常小。 图4.三种不同蜂蜜的稀释样品的PLS模型 表1.蜂蜜验证样品的PLS结果 验证样品浓度 计算的玉米糖浆浓度 41.89% 实际浓度 41.25% 偏差 0.64 使用掺有已知浓度糖浆的蜂蜜样品对蜂蜜校准曲线进行验证。表1显示了模型对未知样品的定量结果，偏差为0.64%。 使用每个蜂蜜样品的10次重复测量中的8张光谱，建立SIMCA模型，光谱范围为10000~4000cm²1，并进行2阶导数处理。剩下的每种蜂蜜的2次测量光谱，以及1个掺杂了10%玉米糖浆的蜂蜜样品，作为独立验证集。 图5.蜂蜜样品的主成分图 图5显示了蜂蜜样品的主成分(PC) 中PC1 vs PC2的图。所有的三叶草、野花和橙花蜂蜜光谱都在模型的边界之内。独立验证的结果在图6中显示。 Sample l.D. Specified Material Identified Material Result Specified MaterialTotal Distance Ratio 1 Clover honey 092 Clover honey 10 Honey Honey Passed 0.4805 Honey Honey Passed 0.5891 3 Wildflower Honey 09 HoneyV Honey Passed 0.6460 4 Wildflower Honey 10 Honey Honey Passed 0.6585 Orange BlossomHoney 09 Honey Honey Passed 0.5635 6Orange BlossomHoney 10 Honey Honey Passed 0.7056 7Clover Honey with'10%HFCS Honey Honey Passed 0.7316 图6.蜂蜜的独立验证结果 所有的纯蜂蜜的重复测量均通过验证。但是，掺杂样品也被判断为合格。SIMCA方法需要更多的工作，从而可以确定更加合理的合格/不合格标准。 输入所有的纯蜂蜜光谱作为“材料光谱”，添加玉米糖浆和大米糖浆作为“掺杂光谱”，即可建立一个掺杂物筛查方法。使用一阶导数预处理。SIMCA方法和掺杂物筛查方法被集成在Spectrum Touch@软件中，从而可以顺序进行SIMCA和掺杂物筛查分析。使用这个Spectrum Touch方法，对10%玉米糖浆掺杂的样品进行了检测，如图7所示。 图7.10%掺杂蜂蜜样品的SIMCA和掺杂物筛查结果 如先前讨论的， SIMCA分析只给出一个错误的“合格”结果。而掺杂物筛查分析可以正确识别该样品掺杂了玉米糖浆。 图8.掺杂物筛查方法对10%掺杂蜂蜜样品的详细分析结果 图8显示了掺杂有玉米糖浆的蜂蜜样品的详细掺杂物筛查分析结果。结果显示了样品中玉米糖浆的估计值。该方法对这种掺杂物的检出限为4%左右。如果掺杂物和蜂蜜光谱显著不同，其检出限会大大降低。 这篇应用报告中的数据表明，使用NIR光谱法对蜂蜜进行掺假检测是可能的。NIR制样快速简便。如果掺杂物已知，可以使用PLS模型进行定量分析。但是，这需要繁琐的校准标准品的制备过程。掺杂物筛查方法比SIMCA方法灵敏度更高，且可以判断掺杂物种类并估计其含量，而且并不需要大量校正标准品。最后，这个方法可以被集成到一个简单的用户界面，方便常规用户使用。 地址：上海张江高科技园区张衡路1670号 邮编：201203 电话：021-60645888 传真：021-60645999 www.perkinelmer.com.cn 要获取全球办事处的完整列表，请访问http：// www.perkinelmer.com.cn/AboutUs/ContactUs/ContactUs 版权所有 C2014， PerkinElmer， Inc. 保留所有权利。PerkinElmer@ 是PerkinElmer， Inc. 的注册商标。其均所有商标均为其各自持有者或所有者的财产。 掺杂物检测的数据分析方法产品中掺杂物的检测可以是靶向的或者非靶向的。靶向方法中，如偏最小二乘法（PLS），掺杂物是产品中需要找出的某种特定的物质。通过一系列的校准标准物建立校准模型，就可以对这种掺杂物进行定量检测。每一种掺杂物质都需要一个单独的校准曲线。常见的非靶向方法，如簇类的独立软模式方法（SIMCA），会告诉分析者该产品是否符合预期的材料标准。它会指出这个产品可能被掺假，但是无法告知掺杂了什么、掺杂了多少。Spectrum10红外光谱软件独有的掺杂物筛查算法（Adulterant Screen™），当判断出产品不合格时，会确定掺杂物并估计掺杂物的浓度。这种算法并不需要对不同浓度的已知和潜在掺杂物进行大量繁琐耗时的测量，这样就可以快速开发出掺杂物筛查方法，以及快速针对新掺杂物进行方法升级。