基于电子鼻与化学计量学/人工神经网络方法的食用油香气高效分类:应用于猪油掺假检测

《Measurement: Food》:Classification of Cooking Oil Aroma With High Performance Using Chemometric and E-Nose Methods

【字体: 大 中 小 】 时间:2026年04月09日 来源:Measurement: Food 3.6

编辑推荐:

  本研究针对食用油中猪油掺假难以快速准确识别的问题,利用电子鼻采集了纯猪油、纯橄榄油、纯棕榈油及其混合油样的香气数据,并分别采用线性判别分析(LDA)和误差反向传播人工神经网络(ANN)进行模式识别。研究结果显示,ANN模型的总体分类准确率达94%,证明了结合电子鼻与机器学习技术可作为一种高效、便捷的食用油真伪鉴别新方法,对保障食品安全和宗教信仰具有重要意义。

  
食用油是日常生活中不可或缺的烹饪介质,但外观相似的各类油脂,特别是价格昂贵的植物油与廉价的动物脂肪之间,存在掺假牟利的风险。在印度尼西亚等穆斯林人口众多的地区,猪油(lard)的掺入不仅涉及经济利益,更触碰宗教饮食禁忌。然而,传统检测方法往往复杂、耗时,难以满足快速筛查的需求。面对这一挑战,一项发表于《Measurement: Food》期刊的研究,探索了利用电子鼻(e-nose)结合先进数据分析技术,来快速区分食用油类型、检测猪油掺假的可行性。
这项研究不再依赖复杂的化学成分分析,而是模仿人类的嗅觉,用“电子鼻”去“闻”油的气味。研究人员构建了一个包含10种金属氧化物半导体(MOS)气体传感器(如MQ2、MQ3等)的电子鼻系统,对五种油样——纯猪油、纯橄榄油、纯棕榈油、猪油-橄榄油混合物(50:50, v/v)和猪油-棕榈油混合物(50:50, v/v)——进行了气味采集。每种油样独立制备和测量40次,共获得200组数据。这些数据随后通过两种主流的模式识别方法进行处理:一种是经典的化学计量学方法线性判别分析(Linear Discriminant Analysis, LDA),另一种是更复杂的人工神经网络(Artificial Neural Network, ANN)中的误差反向传播算法。
研究的关键技术方法
本研究主要运用了以下关键技术:1. 电子鼻传感技术:采用由10个MQ系列气体传感器组成的阵列,采集食用油加热后释放的挥发性有机化合物(VOCs)信号。2. 化学计量学分析:使用线性判别分析(LDA)对传感器数据进行降维和可视化分类,通过计算判别函数得分图来观察不同油样的聚类情况。3. 人工神经网络建模:构建了一个包含一个输入层、两个隐藏层和一个输出层的反向传播神经网络模型,对归一化后的传感器数据进行训练和测试,以优化分类准确率。所有油样样本均购自印度尼西亚的超市。
研究结果
3.3. 线性判别分析(LDA)方法结果
LDA分析将10维的传感器数据降维至两个判别函数(FD1和FD2)来表示。结果显示,FD1解释了总方差的59.6%,FD2解释了34.5%,两者累计贡献率达94.1%。从LDA得分图可以看出,纯橄榄油和纯棕榈油形成了两个明显分离、独立的簇群。然而,纯猪油、猪油-橄榄油混合物和猪油-棕榈油混合物这三组数据则相互重叠,形成了一个较难区分的集群。交叉验证的详细分类准确率显示,橄榄油的分类准确率为100%,棕榈油为92.5%,而猪油及其混合物的分类准确率均为90%,存在一定的误判,主要发生在猪油与含猪油的混合油之间。这表明LDA能有效区分纯植物油,但难以精准识别纯猪油及其与植物油的混合物。
3.4. 人工神经网络(ANN)方法结果
研究人员设计并优化了一个ANN模型,其最优结构为10-30-10-1(即输入层10个神经元对应10个传感器,第一隐藏层30个神经元,第二隐藏层10个神经元,输出层1个神经元)。经过参数调优,在185个训练周期(epoch)、学习率为0.001时,模型达到了最佳性能,其均方误差(Mean Squared Error, MSE)低至0.048724。该模型使用50个数据点进行训练,100个数据点进行测试。回归分析表明,模型在测试集上取得了高达0.963的相关系数(R),显示出优异的预测能力。最终,该ANN模型在独立测试集上实现了94%的总体分类准确率,显著优于LDA方法,且训练与测试性能接近,表明模型具有良好的泛化能力,未出现明显过拟合。
4. 讨论
4.1. LDA化学计量学
讨论部分进一步阐释了LDA的结果。得分图清晰地展示了纯植物油(橄榄油、棕榈油)香气特征的独特性,它们能够被明确区分。而猪油及其混合物的香气特征则非常相似,导致它们在降维后的空间中大量重叠。这可能是由于猪油本身的气味特征较强,当其与植物油混合时,主导了混合物的整体香气轮廓,使得基于线性判别的LDA方法难以有效分离。交叉验证表中的误分类情况(如棕榈油有7.5%被误判为猪油-橄榄油混合物)也证实了这一点。
4.2. 使用ANN进行模式识别
相比之下,ANN展现了其处理复杂非线性关系的强大能力。通过包含多个隐藏层的网络结构和非线性激活函数(二进制S型函数),ANN能够学习到更精细、更深层次的香气模式特征,从而成功地将所有五类油样,包括那些LDA难以区分的混合物,以高精度进行分类。尽管网络结构相对复杂,但通过将数据集分为训练、验证和测试集,并观察到测试准确率与训练准确率相当,有效控制了过拟合风险。研究还将该方法与其他类似工作进行了对比,例如Majchrzak等人用电子鼻结合PCA和ANN鉴别掺假植物油,以及Che Man等人使用傅里叶变换红外光谱(FTIR)分析油脂,指出本研究的电子鼻-ANN方案在样本处理简便性和分析速度上具有优势。
结论与意义
本研究的结论明确:利用电子鼻快速表征食用油香气是可行且高效的。LDA方法能较好地区分纯橄榄油、纯棕榈油和纯猪油,但其在区分纯猪油及其与植物油的混合物方面存在局限性。而基于反向传播算法的人工神经网络方法表现更为出色,其构建的稳定网络模型在测试中达到了94%的识别准确率,能够直接、有效地区分所有测试油样类型,包括含猪油与否的混合物。
这项研究的意义在于,它提供了一种快速、简便、无需复杂前处理的食用油真伪与纯度检测新思路。特别是对于需要严格避免猪油摄入的群体,这种技术有望开发成便携式检测设备,用于市场现场筛查,在保障食品安全和维护特定宗教与文化习俗方面具有重要的应用潜力。尽管研究在受控实验室条件下取得了成功,但作者也指出了其局限性,如测试油样类型有限、环境变量控制等。未来的工作可以集中于扩大样本量和多样性,在更接近实际应用的环境中进行测试,并进一步优化ANN模型,以提升其在实际复杂场景中的鲁棒性和普适性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号