《食品掺假检测方法.ppt》由会员分享，可在线阅读，更多相关《食品掺假检测方法.ppt（47页珍藏版）》请在三一办公上搜索。
1、食品掺假检测方法研究进展,张 健,一、为何要实施掺假检测二、如何实施掺假检测三、实例四、国内外仪器检测技术研究进展五、国内外软件分析技术研究进展,一、为何要实施掺假检测,生产企业：品牌保障，经济保障消费者：安全保障，经济保障监管部门：“有法必依”的保障,二、如何实施掺假检测,已知掺假物的检测 常规检测可操作（如：三聚氰胺、合成色素、瘦肉精等）常规检测无法操作（如：食品中原来就有的成分）未知掺假物的检测 常规检测无法操作,解决办法：只有靠先进的分析仪器，对食品中多种成分进行准确定量，并在此基础上结合化学计量学建模判别，才可能彻底解决食品掺假检测问题。,实例,ANOVA,PCA,Six princ
2、ipal components with eigenvalues higher than 1(Kaisers rule)that accounted for only 70.7%of the total variance,were considered significant.,Principal components 1(PC1)and 2(PC2)accounted for 24.1%and 18.1%,respectively,of the total variability.Cabernet Sauvignon wines can be described as rich in v19
3、,v26,v6,v9 andv7,Merlot wines were associated with the attributes v20,v10,v3,v24,v16,v2 and v25,and Cabernet Gernischt wines associated with higher contents of v28,v17,v5 and v11.,SLDA,The results have shown that with only 11(v2,v3,v6,v7,v11,v17,v18,v24,v25,v27 and v28)of the 19 initial variables,it
4、 is possible to differentiate the wines obtained from the three different grape varieties.,Only the two first discriminant functions are statistically significant(Wilks lambda values),explaining 100%of variability(71.6%and 28.4%,respectively).The coefficients of the variables in the two first discri
5、minant functions(Table 2)reveal which variables have a greater influence on those.,The recognition ability,according to the a posteriori probabilitieswas of 100%for all the considered classes.The prediction ability(Table 3)was 100%for Cabernet Sauvignon and Cabernet Gernischtwines,but only 92.31%for
6、 Merlot wines.,Three groups representing each variety of wine can be clearly observed.,Identification of discriminant volatile compounds,Applicability test,Conclusion,例子的启示,1、食品掺假鉴别不容易2、食品掺假鉴别必需要测定一些特征性成分（如：挥发性成分、矿物质成分、酚类物质、同位素比例、波谱吸收、DNA、蛋白质谱等）3、食品掺假鉴别常需要适当的化学计量学方法配合建模。,三、特征性成分检测技术研究进展,1、Spectrosco
7、pic techniques2、Chromatographic techniques3、Electronic nose4、DNA-based technology5、Immunological technology6、Thermal techniques,1、Spectroscopic techniques（1）MIR and NIR spectroscopy（2）Raman spectroscopy（3）NMR spectroscopy（4）SNIF-NMR and IRMS（5）Fluorescent and UVvis spectroscopy,（1）MIR and NIR spectr
8、oscopyMIR：4000400 cm-1，molecular bonds NIR：140004000 cm-1，complex structural information Common merit：rapid，non-destructive，be appropriate for different state，employed chemometric analysis,（2）Raman spectroscopy特点：对于碳碳双键，碳碳或碳氮三键敏感，对水不敏感，对无机物有高度的选择性。报道不多，例子：植物油和蜂蜜掺假,（3）NMR spectroscopy13C NMR 鉴定脂肪酸组成，
9、区分奶牛奶和水牛奶。1H NMR 区分不同品种咖啡。应用较少，设备昂贵，操作复杂。,（4）SNIF-NMR and IRMSIRMS:同位素比质谱仪，可以进行少量样品的同位素测定和区分,精确测量同位素含量;SNIF-NMR:点特异性天然同位素分馏核磁共振技术，可以确定同位素在分子中的具体位置。它们是目前国际上通用的2 种同位素比值检测技术，这2 种技术的联合使用可以获得多元素多方位的信息,从而解决更复杂的掺假问题。,原理与应用：原理：在人工、天然和生物合成过程中，产物分子具有特殊的同位素比例，即所谓的“同位素签字”。生命科学中常用的有：13C/12C、18O/16O、2H/1H、15N/14N
10、，已成功应用于多种食品掺假检测，被认为是可信度最高的检测方法之一。,13C/12C：Dependent on Plants physiologyC3 plants:cereals and most fruits,use the Calvine-Benson pathway to fix CO2 C4 plants:maize(corn)and sugar cane,use the Hatche-Slack pathwayC3 plants fix CO2 and incorporate less 13C than C4 plants.,13C/12C：用于检测是否外加糖。添加蔗糖、玉米糖化液、
11、玉米果葡糖浆。解决办法：IRMS检测CO2添加甜菜糖，如何检测？解决办法：SNIF-NMR 技术可以检测出乙醇分子特定位置上氘的相对浓度。,这种不同植物来源的糖可影响发酵后酒精分子中氘的分布。研究表明,葡萄酒乙醇分子中甲基位(D/H)含量在很大程度上取决于发酵糖的氘含量,它代表着糖的植物来源,因此利用核磁共振技术分析乙醇分子中不同位点的2 H 含量,可鉴别酿酒原料的种类以及葡萄酒在发酵前是否添加了外源物质(如甜菜糖、甘蔗糖、玉米糖等)。,实例,18O/16O：由于蒸腾作用,植株中重同位素富集,使植物自身水分子中18 O/16 O 的含量相对自来水、地表水要高,如果在酿造期间外加水,其18 O/
12、16 O 的比值会降低,因此通过测定葡萄酒中水分子18 O/16 O 的比值,可鉴别葡萄酒在生产过程中是否加水。目前测定18O/16 O 的比值主要利用IRMS 技术。同位素比质谱仪通过测CO2 中离子质量m/z 46(12 C16O18 O)和m/z 44(12 C16 O16 O)比值的变化来判断水中18 O/16O 同位素的含量.,15N/14N：化肥15N含量低，而有机肥15N含量高。可用来检测有机食品和普通食品。,（5）Fluorescent and UVvis pectroscopyGuimet,F.,Ferre,J.,Boque,R.,&Rius,F.X.(2004).Appli
13、cation of unfold principal component analysis and parallel factor analysis to the exploratory analysis of olive oils by means of excitation-emission matrix.Analytica Chimica Acta,515(1),7585.Gonza lez,M.,Lobo,M.G.,Mendez,J.,&Carnero,A.(2005).Detection of colour dulteration in cochineals by spectroph
14、otometric determination of yellow and red pigment groups.Food Control,16,105112.,2、Chromatographic techniques（1）Gas chromatography（2）HPLC,3、Electronic nose电子鼻(Electronic Nose)技术主要是基于一系列选择性气体传感器对食品挥发性成分的鉴别作用。优点：样品的需要量相对小和前处理简单,分析快速,并且很容易和化学计量学连用。缺点：对特殊化合物的选择性不是很好。例子：Guadarrama 等成功的应用电子鼻技术和PCA 鉴别了6 种不
15、同产地的橄榄油。,4、DNA-based technology DNA 技术具有高效、准确、稳定的优点,但是因为DNA 容易降解,很多加工食品不一定能提取出DNA,或者生产者可以故意降解掺入物质的DNA,这样就不能达到鉴别的作用。,5、Immunological technology主要是ELISA 技术，这种技术利用抗体结合目的蛋白的特异性可以从质和量两个方面去检测蛋白质,达到鉴别真伪的目的。特点：酶联免疫技术具有特异性强的优点,缺点就是针对一些特殊的蛋白要获得抗体非常困难。例子：（1）Jha 等利用ELISA 技术成功地鉴别了食品中肉的品种。（2）Moatsou 等报道把ELISA 技术鉴
16、别不同种牛奶也有很好的效果。,6、Thermal techniques差示扫描量热法：可以判断液晶的相变情况,也可以测定各相态存在的温度范围和转变温度。例子：动物油脂掺入植物油,四、化学计量学建模技术研究进展,化学模式识别方法包括主成分分析(Principle component analysis,PCA)、聚类分析(Cluster analysis,CA)和判别分析(Discriminant analysis,DA)等方法。按照有没有训练可以划分为有监督的模式识别方法(Supervised classification)和无监督的模式识别方法(Unsupervised classificat
17、ion)。前者是事先规定分类的标准和种类的数目,通过大批已知样本的信息处理(称为训练或学习)找出规律,再用计算机预报未知。后者是只有一大批样本,事先没有规定分类标准,也没有规定分成几类,却要求通过信息处理找出合适的分类方法并实现分类。,主成分分析(PCA),主成分分析就是根据在初选的特征量间可能存在的相关性,找到一种空间变换方式,通过对原特征(经标准化后的)变量进行线性组合,形成若干个新的特征矢量。要求它们之间相互正交,并能最大限度地保留原样本集所含的原始信息。主成分分析在模式识别方面的应用是将多元变量用特征投影的方式进行降维,得到可在二维或三维空间显示的特征变量,然后利用人眼进行分类识别,属
18、于无监督的模式识别方法。,聚类分析(CA),聚类分析是数理统计的一种方法,适用于对于样本没有类的先验知识的情况。包括系统聚类方法、k均值聚类法、图论方法中的最小生成树等方法。其中系统聚类法和k均值聚类法是比较常用的方法。系统聚类法的基本思想是在各自成类样本中,将距离最近的样本并为一个新类,计算新类与其它类的距离,直到所有的样本并为一类;k均值聚类法是一种动态聚类方法,其基本思想是假设一个分类数目k,任意选取k个点作为初始类聚点,逐个计算其它样本与k 个类重心之间的距离,选取距离最小者将其并入该类,再重新计算各类的重心,并以该重心为新的凝聚点,直到每个样本都被归类。,判别分析(DA),判别分析属
19、于有监督的模式识别方法,它需要用已知的类别的样本集进行训练,得到判别模型,才能对未知样本进行类别的判定。判别分析的代表性方法有线性判别(LDA)、K最邻近法(KNN)、简易分类算法(SIMCA)、人工神经网络(ANN)和支持向量机(SVM)。,LDA 的目标是寻找最能把两类样本分开的投影直线,以投影后样本类间离散度和样本类内离散度的比值最大的形式选择线性变换矩阵。KNN 法方法的思路是:如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。,SIMCA 分
20、类法是建立在主成分分析的基础上的一种识别方法,其基本思路是先利用主成分分析的显示结果得到一个样本分类的基本印象,然后分别对各类样本建立相应的类模型,并用这些类模型来对未知样品进行判别分析,以确定其属于哪一类或不属于哪一类。,人工神经网络(ANN)又称神经网络,由于具有自学习、高容错和高度非线性描述能力等优点,所以被逐渐地应用于各个领域。人工神经网络又分反向传播神经网络(Back Propagation net work)、径向基人工神经网络(Radial BasisFunction net work)和自组织人工神经网络(Kohonen net work)等。各种人工神经网络模型中,反向传播神经网络是应用最广泛的一种。,SVM最初是为了解决模式识别中的两分类问题而设计的,该方法基于统计学习理论中结构风险最小化的原则,通过一定的非线性映射方法将原始变量投射到高维空间,然后在高维空间构造最优分类超平面,实现样品的分类。SVM 有效地解决了ANN 存在的过拟合和局部最小等问题,具有很强的推广能力。,Thanks!,
