Идентификация и аутентификация растительных масел методом цифровой цветометрии и хемометрического анализа

Описан простой и доступный способ идентификации и аутентификации пищевых растительных масел с использованием смартфона и хемометрического анализа. Идентификацию по региону происхождения и видовой принадлежности (оливковое, подсолнечное, рапсовое, хлопковое и др.) и аутентификацию (подлинность и фальсификация) растительных масел осуществляли по собственной окраске и флуоресценции при облучении образцов монохроматическим ультрафиолетовым излучением (А = 365 им). В качестве регистрирующего устройства при изучении оптических и цветометрических характеристик применяли смартфоны iPhone X и iPhone XIII (Apple, США), оснащенные специализированным программным обеспечением RGBer. Предложены тест-устройство на базе смартфона и способ измерения цветометрических параметров в аддитивной системе RGB для идентификации и аутентификации пищевых растительных масел. Обработку массива данных (по трем переменным R, G и В) проводили с использованием программного продукта XLSTAT. Для дифференциации образцов по региону происхождения и видовой принадлежности использовали методы главных компонент и иерархического кластерного анализа. Апробация представленного подхода выполнена с использованием образцов растительных масел коммерческого производства, приобретенных в магазинах розничной торговли. Применение хемометрического анализа позволило установить подлинность масел, идентифицировать их по региону происхождения и выявить факты фальсификации путем разбавления дорогих масел более дешевыми. Предложенный способ оценки качества растительной продукции отличают простота аппаратурного оформления, доступность используемых технических средств и материалов, возможность анализа на месте без привлечения высококвалифицированных специалистов, а также наглядность и экспрессность получения информации.

1. Yang Y., Ferro М. D., Cavaco I., Liang Y. Detection and identification of extra virgin olive oil adulteration by GC-MS combined with chemometrics / J. Agric. Food Chem. 2013. Vol. 61. E 36933702. DOI: 10.1021/jf4000538

2. Tomazzoni G., Meira M., Quintella С. M., et al. Identification of vegetable oil or biodiesel added to diesel using fluorescence spectroscopy and principal component analysis / Am. Oil Chem. Soc. 2014. Vol. 91. E 215 - 227. DOI: 10.1007Ы1746-013-2354-5

3. Al-Kahtani H. A., Ahmed M. A., Abou-Arab A. A., Hayat K. Identification of lard in vegetable oil binary mixtures and commercial food products by FTIR / Qual. Assur. Saf Crops Foods. 2017. Vol. 9. N 1. E 11 - 22. DOI: 10.3920/QAS2015.0692

4. Chen Y., Wang J., Xu Q., et al. Identification of edible-vegetable-oil types based on multi-kernel learning and multi-spectral fusion / IOF Conf. Sen: Mater. Sci. Eng. 2018. Vol. 452. 022054. DOI: 10.1088/1757-899X/452/2/022054

5. EOCT 30623-2018. Масла растительные и продукты со смешанным составом жировой фазы. Метод обнаружения фальсификации. — М.: Стандартинформ, 2018. — 23 с.

6. Моногарова О. В., Осколок К. В., Апяр и В. В. Цветометрия в химическом анализе / Жури, аналит. химии. 2018. Т. 73. № 11. С. 857 - 867. DOI: 10.1134/S0044450218110063

7. Иванов В. М., Кузнецов а О. В. Химическая цветометрия: возможности метода, области применения и перспективы / Успехи химии. 2001. Т. 70. № 5. С. 411 - 428. DOI: 10.1070/RC2001v070n05ABEH000636

8. Амели н В. Г., Шаока 3. А. Ч., Большако в Д. С. Твердофазно-флуориметрическое определение тетрациклинов на целлюлозной бумаге и тонком слое силикагеля в лекарственных препаратах с использованием смартфона / Хим.-фарм. жури. 2021. Т. 55. № 3. С. 52 - 54. DOI: 10.30906/0023-1134-2021-55-3-52-57

9. Амели н В. Г., Шаока 3. А. Ч., Большако в Д. С , Третьяков А. В. Цифровая цветометрия индикаторных тест-систем с использованием смартфона и хемометрического анализа при определении хинолонов в лекарственных препаратах / Жури, прикл. спектроск. 2022. Т. 89. № 1. С. 84 - 93. DOI: 10.47612/0514-7506-2022-89-1-84-93

10. Амелин В. Г., Шаока 3. А. Ч., Большаков Д. С. Использование смартфона в твердофазно-флуориметрическом определении некоторых нестероидных противовоспалительных средств в лекарственных препаратах / Хим.-фарм. жури. 2021. Т. 55. №9. С. 54-60. DOI: 10.30906/0023-1134-2021-55-9-54-60

11. Амели н В. Г., Шаока 3. А. Ч., Большако в Д. С. Сорбционно-флуориметрическое определение хинолонов в сточных и природных водах с использованием смартфона / Вести. Моск. ун-та. Сер. 2. 2021. Т. 62. № 4. С. 371 - 379.

12. Амели н В. Г., Шаока 3. А. Ч., Большако в Д. С. Использование смартфона для определения тетрациклинов в воде и молоке по сенсибилизированной твердофазной флуоресценции европия на его гидроксиде / Жури, аналит. химии. 2021. Т. 76. № 10. С. 952 - 958. DOI: 10.31857/S0044450221080028

13. Calabria D., Mirasoli М., Guardigli М., et al. Faper-based smartphone chemosensor for reflectometric on-site total polyphenols quantification in olive oil / Sens. Actuators, B. 2020. Vol. 305. 127522. DOI: 10.1016/j.snb.2019.127522

14. Nikolova K., Perifanova-Nemska M., Georgieva P., Boyadjiev D. Identification of vegetable oil adulterants in sunflower oil through discriminant analysis of colorimetric parameters / Bulgarian J. Agric. Sci. 2013. Vol. 19. N 3. E 508 – 512.

15. Christodouleas D., Fotakis C, Papadopoulos K., et al. Luminescent methods in the analysis of untreated edible oils: A review / Anal. Lett. 2012. Vol. 45. N. 5 - 6. E 625 - 641. DOI: 10.1080/00032719.2011.649461

16. Song W., Nanf eng J., Wang H. Use of smartphone videos and pattern recognition for food authentication / Sens. Actuators, B. 2019. Vol. 304. 127247. DOI: 10.1016/j.snb.2019.127247

17. De Melo Milanez K. D. Т., Pontes M. J. C. Classification of extra virgin olive oil and verification of adulteration using digital image and discriminant analysis / Anal. Methods. 2015. Vol. 7. E 8839 - 8846. DOI: 10.1039/C5AY01765C

18. Karagiorgos N., Nenadis N., Trypidis D., et al. An approach for estimating adulteration of virgin olive oil with soybran oil using image analysis / Froc. of 2017 6th International Conference on Modern Circuits and Systems Technologies (MOCAST). DOI: 10.1109/mocast.2017.7937672

19. Milanez К. D. Т. D. М., Pontes М. J. С. Classification of edible vegetable oil using digital image and pattern recognition techniques / Microchem. J. 2014. Vol. 113. ЕЮ - 16. DOI: 10.1016/j.microc.2013.10.011

20. Перегонча я О. В., Королькова Н. В., Нуридино в Ш. 3., Соколова С. А. Перспективы использования цифровой цветометрии в контроле цветности растительных масел при их рафинации / Агропромышленные технологии Центральной России. 2019. Вып. 4. № 14. С. 29 - 38.