基于智能手机技术的油性磨坊流体中杂质含量的测定

《Agriculture》：Determination of Impurity Content in Oily Mill Fluids Using Smartphone-Based Technology

　　

橄榄油的生产必然涉及各种油性流体的处理，这些流体根据加工阶段的不同，可能含有能够影响最终产品理化性质和感官特性的杂质。鉴于此，应优先考虑检测、定量和去除这些物质，以确保生产高质量产品。在此背景下，本研究调查了使用智能手机预测橄榄油中杂质含量（C）的潜力。此类设备因其高精度捕获和分析图像的能力而引人注目，为传统比色计提供了可行的替代方案。所提出的方法包括样品制备、设计兼容智能手机的图像采集系统，以及使用线性估计模型处理比色坐标。本研究最显著的发现之一是，采用低成本设计开发的当前方法能够在C低于2%时以约0.07%的误差估计油性流体中的杂质含量值。

在橄榄油生产过程中，油性流体中杂质的检测与定量对最终产品质量至关重要，但官方方法繁琐且耗能。基于此，研究人员利用智能手机技术开发了一种低成本、非侵入性的杂质含量（C）预测方法，旨在解决传统方法操作复杂、无法实时监测的问题。该研究通过与西班牙“S.C.A. Almazaras de la Subbética”橄榄油厂合作，采集了2021年12月至2022年1月间的橄榄油及杂质样品，并采用低成本的智能手机图像采集系统结合线性回归模型，实现了对杂质含量的准确估计。结论表明，对于C低于2%的样品，模型估计误差仅为0.07%左右，为工业过程监控提供了实用工具。该论文发表在《Agriculture》期刊上。

**主要关键方法**
研究人员采用的技术方法包括：
1. **智能手机图像采集系统**：使用Xiaomi Redmi Note 9 Pro手机（64兆像素相机）及Color Grab 3.9.2应用获取样品颜色坐标。
2. **样品制备与杂质处理**：橄榄油样品取自最终产品，杂质样品取自自然动态倾析器底部，经离心纯化（3900 rpm，12分钟，22°C）去除残余油，得到均匀的杂质混合物（体积比46.47%固相、53.53%水相）。
3. **颜色空间与模型构建**：基于CIELab（国际照明委员会Lab颜色空间）和RGB颜色系统，采用二次多项式回归模型（C = α₀ + α₁X + α₂X²）对杂质含量进行预测，其中X为L^*、b^*、R等坐标。校准集包含123个样本（来自V6、V7、V9、V11烧杯），验证集包含64个样本（来自V8、V10烧杯），并采用LOGO（留一组交叉验证）进行验证。样本来源已注明。

**研究结果**
**3.1 初步评估（Initial Assessments）**
通过分析V1–V5烧杯（含粗杂质）的R-G和a^*-b^*坐标，发现数据分散，表明粗杂质中残余油含量不均（平均约39.97%体积分数）。经离心纯化后（V6–V11烧杯），坐标重叠性显著提升，证实智能手机比人眼更能敏感区分颜色差异，且杂质均质化是建模关键。

**3.2 使用CIELab系统的预测模型（Prediction Models Using the Cielab System）**
基于校准集数据（123个样本），L^*、b^*与C呈负相关，a^*呈多值行为。研究人员将C分为三个区间（C≤0.8%、0.8%2%），采用二次多项式拟合。最佳模型基于b^*坐标，校准阶段C≤2%时MAE和RMSE约0.05–0.06%，C>2%时约0.6–0.7%；验证阶段（简单验证和LOGO交叉验证）C≤2%时RMSE和MAE≤0.07%，C>2%时约0.6–0.8%。与文献中计算机视觉方法相比，低浓度时精度更优（误差0.1% vs. 0.07%），且无需离心步骤。

**3.3 使用RGB系统的预测模型（Prediction Models Using the RGB System）**
类似分析显示，R、G坐标与C呈多项式关系，B坐标变化范围小（C<0.8%时B=0，C>2%时B<6）。最佳模型基于R坐标，校准阶段C≤2%时MAE和RMSE约0.05–0.06%，C>2%时约0.6–0.7%；验证阶段C≤2%时RMSE和MAE约0.075%或更低，C>2%时约0.7–1.0%，略差于b^*模型但统计显著（p<0.05）。两个颜色系统均表明，低浓度下估计精度高，高浓度时下降。

**总结与讨论**
研究人员总结指出，基于智能手机的比色系统可有效估计油性流体中低至中等杂质含量，尤其适用于C<2%的橄榄油生产最终阶段（如碟式离心机出口）。其精度满足工业监控需求，且成本低、操作简便。但当前模型受限于样本数量和多样性，未来需扩大校准集并探索偏最小二乘回归（PLS）、人工神经网络（ANN）等更复杂方法，以提高鲁棒性。同时，简单的回归模型因其易实现和快速重校准特性，仍具实用价值。研究结论部分翻译如下：
本研究开发并评估了一种基于手机技术的低成本颜色分析系统，能够估计来自橄榄油厂的油性流体中的杂质浓度（C）。实施过程中发现，适度的边界条件控制与适当的样品处理有助于开发稳健的校准模型。从定量角度看，当使用最佳模型（特别是基于b^*或R颜色坐标的模型）时，该系统在C=0–2%范围内能够以约0.07%或更低的平均误差（MAE和RMSE）估计杂质含量。在低浓度下达到的精度与更复杂的计算机视觉方法相当甚至略优，且后者需要更复杂的分析程序。在C=2–7%范围内，基于b^*坐标的模型平均MAE和RMSE增至约0.6–0.8%，基于R的模型则为0.7–1.0%。尽管如此，两种方法在不需要高精度时仍可视为合理准确。根据这些发现，结合CIELAB或RGB颜色空间回归模型的手机技术似乎特别适合在实验室应用和连续橄榄油提取过程的最后阶段估计低至中等杂质浓度。从实践角度看，所达到的精度与常规橄榄油厂的监控需求一致，其中杂质含量在碟式离心机出口通常约为或低于2%，在水平倾析器出口一般低于7%（此时达到非常高的估计精度可能并非必需，因为后续澄清操作会进一步降低杂质水平）。因此，所提出的方法可为橄榄油厂的过程监控和决策以及研究工作提供实用且经济高效的工具。最后，应结合本研究包含的样本特征和数量来解释结果。由于杂质组成和外观可能因橄榄特性和加工条件而异，扩大校准数据集的样本数量和多样性将可能提高预测模型的鲁棒性和通用性。未来研究应评估更广泛的操作条件，并探索更先进的数据驱动方法，如偏最小二乘回归、人工神经网络、最小二乘支持向量机或随机森林算法，这些算法可能提供针对特定加工设施特性的更灵活预测工具。同时，相对简单的回归模型方法因其直接实施和根据每个生产季节特定特性快速重新校准的可能性，仍可能具有实际意义。