1. 首頁
  2. 應用文章

食品安全檢測

  1. 拉曼光譜應用
  2. 食品安全檢測

基於拉曼光譜技術快速分析蜂蜜種類

 

研究背景

隨著防疫鬆綁，提升自我免疫力對抗病毒也成為大家關注的焦點。維生素C 在人體的免疫力扮演不可或缺的角色，因此除了營養補充品外，蜂蜜檸檬水、蜂蜜柚子茶等飲品也成為近年多數人推薦的防疫夯品。
 
蜂蜜是蜜蜂採集植物之花蜜或蜜露，經蜜蜂收集、混合自身分泌物質進行轉化、儲存、脫水到熟成之天然甜物質[1]。蜂蜜作為一種營養物質，有許多健康益處，例如調節免疫力和腸道微生物、抗菌、抗炎、抗氧化等。但蜂蜜的價格經常受到植物、地理來源的影響，為保障食品安全，確保蜂蜜市場的穩定，蜂蜜的種類辨別至關重要。常見的檢測方式為傳統的感官人工檢測，但檢測結果容易受貯藏條件等因素的影響[2]。因此，市場需要開發一套簡單快速的檢測方法。


 

不同植物來源的蜂蜜拉曼光譜測試

 
    圖1：4種植物來源的蜂蜜
 

拉曼光譜採集

把RMS1000固定在支架上，取少量蜂蜜置於鋁箔紙上，放置樣品載物平臺上，微調探頭到樣品的距離，使得雷射聚焦在樣品上。
光譜採集參數為：

雷射功率：根據不同蜂蜜選擇不同功率，一般為200～400 mw。

積分時間：根據不同蜂蜜選擇不同積分時間，一般為800～1000 ms。

光譜平均次數：5次。


                圖2：拉曼光譜採集過程

 

拉曼光譜資料處理

光譜預處理方法：光譜平滑，選取光譜範圍為300～1600cm-1；扣除光譜基線；進行最大值正規化。以預處理後的拉曼光譜資料進行主成分分析，資料包括：百花10個、黃花7個、荊花10個、桃花9個。

 

實驗結果
 

                                      圖3：4種植物來源蜂蜜的原始拉曼光譜

如圖3所示，蜂蜜的螢光訊號較強，需要進行較長時間的光漂白過程，一般為1min左右。深色蜂蜜（黃花和桃花）的螢光訊號比淺色蜂蜜（百花和荊花）更強。

我們以百花蜜的拉曼光譜來看，在421、518、628、703、820、869、914、1070、1125、1262、1369、1455cm-1出現明顯的特徵峰。接著，參考下表祁龍凱研究員等人對荔枝蜜的成分研究[3]，可知拉曼譜峰顯示出了醯胺類、氨基酸類、蛋白質類、碳水化合物類等物質的拉曼光譜特徵，由此可初步判定蜂蜜中含蛋白質、氨基酸、糖類等物質。



                                 荔枝蜜拉曼光譜指紋圖譜的研究[3]
 

 

                                    圖4：4種植物來源蜂蜜3D主成分圖
 

圖4結果表明，拉曼光譜結合主成分分析的方法可以區分四種不同植物來源的蜂蜜。拉曼光譜可以直接、快速檢測百花蜜中的主要成分，其指紋圖譜的建立可為蜂蜜的分析及線上品質控制提供一定的理論依據。
 

關於蜂蜜真偽檢測，M. Oroian等[4]曾做過一項研究，實驗中先使用拉曼光譜直快速分析蜂蜜中的主要成分，再結合PLS-LDA (partial least square linear discriminant analysis)分析對蜂蜜的真偽進行分類，發現準確率可達到96.54%，這種方法將更適合用於檢測蜂蜜摻偽。另外，在某學術期刊中，WU XJ等人[5]將拉曼光譜結合卷積神經網路 (CNN) 和化學計量學，實現對摻有高果糖玉米糖漿、大米糖漿、麥芽糖漿和混合糖漿的蜂蜜樣品的識別和量化。

 

檢測設備：RMS1000 -785手持拉曼光譜儀

                             

參考文獻

[1]QIAO JT, CHEN LH, KONG LJ, et al. Characteristic components and   authenticity evaluation of rape, acacia, and linden honey [J]. J Agric Food Chem, 2020, 68(36): 9776‒9788.

[2]高西貝,杜欣玥,王琪琦,張根生.蜂蜜的真實性鑑別方法研究進展[J].食品安全品質檢測學報,2022,13(18):5842-5848.DOI: 10.19812/j.cnki.jfsq11-5956/ts.2022.18.038.

[3]祁龍凱,林勵,陳地靈,譚東山.荔枝蜜拉曼光譜指紋圖譜的研究[J].現代食品科技,2014,30(03):201-205.DOI: 10.13982/j.mfst.1673-9078.2014.03.005.

[4] OROIAN M, ROPCIUC S, PADURET S. Honey adulteration detection using raman spectroscopy [J]. Food Anal Methods, 2018, 11(4): 959‒968.
[5] WU XJ, XU BR, MA RQ, et al. Identification and quantification of adulterated honey by Raman spectroscopy combined with convolutional neural network and chemometrics [J]. Spectrochim Acta A, 2022, 274:121‒133. 

 
回上頁