基于ATR-FTIR光谱结合线性和非线性化学计量学模型的黑种草籽油掺假检测与定量分析

本文创新性地将衰减全反射-傅里叶变换红外光谱（ATR-FTIR）与支持向量机（SVM）、人工神经网络反向传播网络（ANN-BPN）等非线性模型结合，实现对黑种草籽油（BCSO）掺假（玉米油CO/葵花籽油SFO）的高精度鉴别（分类准确率98.8%）和定量检测（R2达0.99），为高值植物油质控提供快速无损的绿色分析方法。

　　

亮点

本研究首次系统比较了线性（PLS）与非线性（SVR、ANN-BPN）模型在ATR-FTIR光谱分析中的性能差异，为植物油真实性检测提供了方法学创新。

数据预处理

采用多元散射校正（MSC）和标准正态变换（SNV）消除光谱基线漂移，通过Savitzky-Golay平滑算法提升信噪比，最终选择一阶导数结合MSC作为最优预处理方案。

光谱特征解析

在4000-650 cm^?1中红外区，1745 cm^?1（酯羰基C=O伸缩振动）、3009 cm^?1（=C-H不饱和键）等特征峰可有效区分BCSO与掺假油（图1）。主成分分析（PCA）显示前三个主成分累计贡献率达96.7%，证实光谱数据具有显著聚类特征。

分类模型对决

支持向量机（SVM）以径向基核函数实现98.8%分类准确率，显著优于PLS-DA（95.3%）和ANN-BPN（93.4%）。其中1654 cm^?1（顺式双键振动）和722 cm^?1（亚甲基摇摆振动）是决定分类的关键波段。

定量检测性能

支持向量回归（SVR）展现最强预测能力：对CO和SFO的预测集R²均达0.99，均方根误差（RMSEP）分别低至2.4%和1.8%。而传统PLSR模型在掺假量<10%时出现显著偏差。

结论

非线性模型能更好捕捉植物油复杂光谱特征，结合ATR-FTIR可在3分钟内完成掺假检测，为市场监管提供"实验室级"的便携解决方案。