Идентификация и установление фальсификации крахмала и муки методами цифровой цветометрии и ближней ИК-Фурье-спектроскопии

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

Предложено цветометрическое устройство для идентификации и установления фальсификации различных видов крахмала и муки по диффузному отражению УФ- и ИК-излучения светодиодов. Цветовые характеристики образцов (значения цифровых каналов RGB) определяли с помощью камеры смартфонов OnePlus 10 Pro и iPhone 14 с установленными приложениями PhotoMetrix PRO®, ColorGrab, RGBer. ИК-спектры в ближней области инфракрасного диапазона (4000–10 000 см–1) регистрировали с помощью ИК-спектрометра с преобразованием Фурье. Для обработки массива данных цветометрических и спектральных характеристик использовали специализированные программные пакеты: TQ Analyst 9, The Unscrambler X, XLSTAT. Идентификационными признаками служило расположение кластеров для отдельных видов крахмала и муки в методах главных компонент и иерархического кластерного анализа. Определены оптимальные длины волн для установления качественной фальсификации исследуемых образцов: для крахмала – одновременное участие всех светодиодов (365, 390, 850 и 880 нм), для муки – использование светодиодов с длинами волн облучения 365 и 390 нм. Оценку качественной фальсификации осуществляли, используя графики зависимости компоненты F1 от массовой доли добавляемой чужеродной добавки в крахмал или муку. Работоспособность цветометрического метода подтверждена методом ИК-спектроскопии с преобразованием Фурье в ближней области

Полный текст

Доступ закрыт

Об авторах

В. Г. Амелин

Всероссийский государственный центр качества и стандартизации лекарственных средств для животных и кормов; Владимирский государственный университет им. Александра Григорьевича и Николая Григорьевича Столетовых

Автор, ответственный за переписку.
Email: amelinvg@mail.ru
Россия, Звенигородское шоссе, 5, Москва; ул. Горького, 87, Владимир, 600000

О. Э. Емельянов

Владимирский государственный университет им. Александра Григорьевича и Николая Григорьевича Столетовых

Email: amelinvg@mail.ru
Россия, ул. Горького, 87, Владимир, 600000

З. А. Ч. Шаока

Всероссийский государственный центр качества и стандартизации лекарственных средств для животных и кормов; Владимирский государственный университет им. Александра Григорьевича и Николая Григорьевича Столетовых

Email: amelinvg@mail.ru
Россия, Звенигородское шоссе, 5, Москва; ул. Горького, 87, Владимир, 600000

А. В. Третьяков

Всероссийский государственный центр качества и стандартизации лекарственных средств для животных и кормов

Email: amelinvg@mail.ru
Россия, Звенигородское шоссе, 5, Москва, 123022

Список литературы

  1. ГОСТ 7698-93. Крахмал. Правила приемки и методы анализа. М.: Изд-во стандартов. 2001. 39 с.
  2. Jane J.-L., Kasemsuwan T., Leas S., Zobel H., Robyt J.F. Anthology of starch granule morphology by scanning electron microscopy // Starch – Stärke. 1994. V. 46. № 4. P. 121. https://doi.org/10.1002/star.19940460402
  3. Li L., Sai M., Jianxin C. Identification of starch granules using a two-step identification method // J. Archaeolog. Sci. 2014. V. 52. P. 421. https://doi.org/10.1016/j.jas.2014.09.008
  4. Podgorbunskikh E.M., Dome K.V., Buchtoyarov A.V., Bychkov A.L. X-ray diffraction for detecting starch adulteration and measuring the crystallinity indices of the polymorphic modifications of starch // Health, Food Biotechnol. 2022. V. 4. № 1. P. 6. https://doi.org/10.36107/hfb.2022.i1.s131
  5. Pastor K., Aćanski M., Vujić D. A review of adulteration versus authentication of flour / Flour and Breads and their Fortification in Health and Disease Prevention. Ch. 3. Elsevier Inc., 2019. P. 21. https://doi.org/10.1016/B978-0-12-814639-2.00003-4
  6. Zhang S., Liu S., Shen L., Chen S., He L., Liu A. Application of near-infrared spectroscopy for the nondestructive analysis of wheat flour: A review // Curr. Res. Food Sci. 2022. V. 5. P. 1305. https://doi.org/10.1016/j.crfs.2022.08.006
  7. Ndlovu P.F., Magwaza L., Tesfay S.Z., Mphahlele R.R. Rapid visible–near infrared (Vis–NIR) spectroscopic detection and quantification of unripe banana flour adulteration with wheat flour // J. Food. Sci. Technol. 2019. V. 56. № 12. P. 5484. https://doi.org/10.1007/s13197-019-04020-0
  8. Fu X., Chen J., Fu F., Wu C. Discrimination of talcum powder and benzoyl peroxide in wheat flour by near-infrared hyperspectral imaging // Biosyst. Eng. 2020. V. 190. P. 120. https://doi.org/10.1016/j.biosystemseng.2019.12.006
  9. Du Ch., Sun L., Bai H., Zhao Z., Li X., Gai Z. Quantitative detection of talcum powder in wheat flour based on near-infrared spectroscopy and hybrid feature selection // Infrared Phys. Technol. 2022. V. 123. Article 104185. https://doi.org/10.1016/j.infrared.2022.104185
  10. Wang D., Ma Z.H., Pan L.G., Han P., Zhao L., Wang J.H. Research on the quantitative determination of lime in wheat flour by near-infrared spectroscopy // Spectrosc. Spectr. Anal. 2013. V. 33. P. 69. https://doi.org/10.3964/j.issn.1000-0593(2013)01-0069-05
  11. Arslan F.N., Akin G., Elmas Ş.N.K., Üner B., Yilmaz I., Janssen H-G., Kenar A. FT-IR spectroscopy with chemometrics for rapid detection of wheat flour adulteration with barley flour // J. Consum. Prot. Food S. 2020. V. 15. № 3. P. 245. https://doi.org/10.1007/s00003-019-01267-9
  12. Ziegler J.U., Leitenberger M.C., Longin F.H., Würschum T., Reinhold C., Schweiggert R.M. Near-infrared reflectance spectroscopy for the rapid discrimination of kernels and flours of different wheat species // J. Food Compos. Anal. 2016. V. 51. P. 30. https://doi.org/10.1016/j.jfca.2016.06.005
  13. Verdú S., V´asquez F., Grau R., Ivorra E., S´anchez A.J., Barat J.M. Detection of adulterations with different grains in wheat products based on the hyperspectral image technique: The specific cases of flour and bread // Food Control. 2016. V. 62. P. 373. https://doi.org/10.1016/j.foodcont.2015.11.002
  14. Lohumi S., Lee S., Lee W-H., Kim M.S., Mo Ch., Bae H., Cho B-К. Detection of starch adulteration in onion powder by FT-NIR and FT-IR spectroscopy // J. Agric. Food Chem. 2014. V. 62. № 38. P. 9246. https://doi.org/10.1021/jf500574m
  15. Амелин В.Г., Шаока З.А.Ч., Большаков Д.С. Идентификация и аутентификация сухого коровьего молока с использованием смартфона и хемометрического анализа // Вестн. Моск. ун-та. Сер. 2. Химия. 2023. Т. 64. № 1. С. 49. (Amelin V.G., Shogah Z.A.Ch., Bolshakov D.S. Identification and authentication of cow milk powder using a smartphone and chemometric analysis // Moscow Univ. Chem. Bull. 2022. V. 77. Suppl. 1. P. 36. https://doi.org/10.3103/S0027131422070033)
  16. Böck F.C., Helfer G.A., da Costa A.B., Dessuy M.B., Ferrao M.F. PhotoMetrix and colorimetric image analysis using smartphones // J. Chemometrics. 2020. V. 34. Article 12. https://doi.org/10.1002/cem.3251
  17. Helfer G.A., Magnus V.S., Böck F.C., Teichmann A., Ferrãoa M.F., da Costa A.B. PhotoMetrix: An application for univariate calibration and principal components analysis using colorimetry on mobile devices // J. Braz. Chem. Soc. 2017. V. 28. № 2. P. 328. https://doi.org/10.5935/0103-5053.20160182
  18. Rateni G., Dario P., Cavallo F. Smartphone-based food diagnostic technologies: A review // Sensors. 2017. V. 17. P. 1453. https://doi.org/10.3390/s17061453
  19. Амелин В.Г., Шаока З.А.Ч., Третьяков А.В. Анализ молочной продукции: определение массовой доли молочного жира и выявление фальсификации смартфоном с приложением Photometrix PRO® // Журн. аналит. химии. 2024. Т. 79. № 1. С. 105. (Amelin V.G., Shogah Z.A.Ch., Tretyakov A.V. Analyzing dairy products: measuring milk fat mass fraction and detecting adulteration using the Photometrix PRO® smartphone app // J. Anal. Chem. 2024. V. 79. № 1. P. 50. https://doi.org/10.1134/S1061934824010039)

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Внешний вид и блок-схема устройства для цветометрического анализа с разными светодиодами: 1 – смартфон, 2 – источники питания, 3 – проба в стрипованных лунках, 4 – светодиоды, 5 – резисторы.

Скачать (24KB)
Метаданные
3. Рис. 2. Графики РСА и НСА при длинах волн 365, 390,850 и 880 нм крахмала кукурузного (1.1–1.9), картофельного (2.1–2.5), пшеничного (3), тапиокового (4), горохового (5), рисового (6) и модифицированного кукурузного (7).

Скачать (106KB)
Метаданные
4. Рис. 3. Графики РСА-биплот при длинах волн облучения 365, 390, 850, 880 нм (а), РСА-биплот и НСА при длине волны облучения 365 нм (б) для муки: рисовой (1), льняной (2), гречневой (3), кукурузной (4), овсяной (5), нутовой (6), пшеничной (7.0–7.2), ячменной (8), псиллиума (9), облепиховой (10), черемуховой (11), грецкого ореха (12), льняной (13), виноградных косточек (14), семян тыквы (15), топинамбура (16), кунжута (17), расторопши (18), конопляной (19), амарантовой (20), кокосовой (21) и ржаной (22).

Скачать (35KB)
Метаданные
5. Рис. 4. Графики РСА-биплот и НСА при длинах волн облучения 365 (а) и 390 нм (б) для муки хлебных культур: рисовой (1), льняной (2), гречневой (3), кукурузной (4), овсяной (5), пшеничной (7.0–7.2), ячменной (8), льняной (13), амарантовой (20), ржаной (22).

Скачать (43KB)
Метаданные
6. Рис. 5. Графики РСА и НСА при длинах волн 365, 390, 850 и 880 нм для муки (номера из табл. 2) и крахмала кукурузного (1К), картофельного (2К) и пшеничного(3К).

Скачать (23KB)
Метаданные
7. Рис. 6. График РСА (а) и зависимость компоненты F1 от количества добавленного картофельного крахмала в кукурузный (б).

Скачать (18KB)
Метаданные
8. Рис. 7. График РСА (а) и зависимость компоненты F1 от количества добавленного мела в пшеничную муку (б).

Скачать (18KB)
Метаданные
9. Рис. 8. ИК-спектры крахмала (а) (номера из в табл. 1) и муки (б) (номера из табл. 2).

Скачать (23KB)
Метаданные
10. Рис. 9. Графики PCA-биплот и HCA разного вида крахмала: кукурузного (1.1–1.7), картофельного (2.1–2.5), пшеничного (3), топиокового (4), горохового (5), рисового (6), кукурузного (7).

Скачать (24KB)
Метаданные
11. Рис. 10. Графики РСА-биплот и НСА для муки хлебных культур: рисовой (1), льняной (2), гречневой (3), кукурузной (4), овсяной (5), пшеничной (7.0–7.2), ячменной (8), льняной (13), амарантовой (20), ржаной (22).

Скачать (23KB)
Метаданные

© Российская академия наук, 2024