Machine Translated by Google

Tạp chí quốc tế về đặc tính thực phẩm

ISSN: 1094-2912 (In) 1532-2386 (Trực tuyến) Trang chủ tạp chí: http://www.tandfonline.com/loi/ljfp20

Phân biệt đối xử cà phê Peaberry bằng cách sử dụng tia cực tím có thể nhìn thấy

Quang phổ Kết hợp với SIMCA và PLS-DA

Diding Suhandy & Meinilwita Yulia

Để trích dẫn bài viết này: Diding Suhandy & Meinilwita Yulia (2017): Sự phân biệt đối xử cà phê Peaberry

Sử dụng Quang phổ nhìn thấy được UV kết hợp với SIMCA và PLS-DA, Tạp chí Quốc tế về Thực phẩm

Đặc tính

Để liên kết đến bài viết này: http://dx.doi.org/10.1080/10942912.2017.1296861

Phiên bản tác giả chấp nhận đưa lên mạng:

01 Mar 2017.

Gửi bài báo của bạn đến tạp chí này

Lượt xem bài viết: 3

Xem các bài viết liên quan

Xem dữ liệu Dấu chéo

Điều khoản & Điều kiện đầy đủ của việc truy cập và sử dụng có thể

được tìm thấy tại http://www.tandfonline.com/action/journalInformation?journalCode=ljfp20

Tải xuống bởi: [Đại học Phúc Đán] Ngày: 09/03/2017, Lúc: 00:12
Machine Translated by Google

Tên tạp chí: Tạp chí quốc tế về đặc tính thực phẩm

Phân biệt cà phê Peaberry bằng phương pháp quang phổ nhìn thấy được bằng tia cực tím

Kết hợp với SIMCA và PLS-DA

Diding Suhandy1 # , Meinilwita Yulia2

1 Bộ môn Kỹ thuật Nông nghiệp, Khoa Nông nghiệp, Đại học Lampung,

Jl. Giáo sư Tiến sĩ Soemantri Brojonegoro Số 1, Bandar Lampung, 35145, Indonesia

2 Khoa Công nghệ Nông nghiệp, Đại học Bách khoa bang Lampung, Jl. Soekarno Hatta No.

10, Rajabasa Bandar Lampung, Indonesia

# Tương ứng Tác giả: E-mail: Bộ môn Cơ khí Nông nghiệp, Khoa

Bản thảo được chấp nhận

Nông nghiệp, Đại học Lampung, Jl. GS.TS Soemantri Brojonegoro No.1, Bandar

Lampung. 35145, Indonesia. Email: diding.sughandy@fp.unila.ac.id.

Điện thoại: +62-813 7334 7128

Đã nhận: 2016-09-20

Được chấp nhận: 2017-02-15

TRỪU TƯỢNG

Thông tin quang phổ tử ngoại (UV-VIS) (190-400 nm) được sử dụng để phân loại cà phê

các mẫu vào loại cà phê hạt đậu nguyên chất hoặc cà phê bình thường nguyên chất bằng cách sử dụng hai phép đo hóa học

phương pháp: mô hình độc lập mềm của loại tương tự lớp (SIMCA) và một phần bình phương nhỏ nhất

phân tích phân biệt đối xử (PLS-DA). Dữ liệu quang phổ của quả đậu và cà phê bình thường là

có được bằng cách sử dụng quang phổ kế UV-Vis (Genesys ™ 10S UV-Vis, Thermo Scientific, Hoa Kỳ). Vì

cả hai phương pháp phân biệt được giám sát: SIMCA và PLS-DA, tất cả các mẫu đều chính xác

1
Machine Translated by Google

được xếp vào các lớp tương ứng của chúng. Mô hình SIMCA đã phân loại tất cả các mẫu

chính xác (100%) vào loại cà phê đậu xanh hoặc cà phê bình thường, thậm chí với độ tin cậy 5%

mức độ; trong khi mô hình PLS-DA cũng phân loại chính xác tất cả các mẫu (100%). Điều tra

các bước sóng chính góp phần vào việc phân loại bằng cách sử dụng trọng số tải x và tải

của các biến tiềm ẩn chỉ ra bước sóng ở 230, 250, 270, 310 và 350 nm là quan trọng

để xác định các loại cà phê. Các bước sóng này có liên quan chặt chẽ đến

bước sóng hấp thụ của một số thành phần hóa học quan trọng trong cà phê rang: caffein,

axit caffeic và axit chlorogenic (CGA). Những kết quả này đã tạo cơ sở để phát triển một

phương pháp đơn giản và đáng tin cậy để xác thực cà phê peaberry (bao gồm cả những phương pháp phức tạp hơn

mẫu pha cà phê peaberry với cà phê bình thường) dựa trên quang phổ UV-VIS.

Bản thảo được chấp nhận

Từ khóa: Cà phê đào; SIMCA; PLS-DA; Quang phổ UV-Visible; phân loại

tỷ lệ.

GIỚI THIỆU

Cà phê là một trong những đồ uống phổ biến nhất trên thế giới [1], đặc biệt là ở các nước phát triển

các nước: với 4 và 5 kg tiêu thụ trên đầu người, tương ứng ở Mỹ và Châu Âu. trên

mặt khác, hạt cà phê chủ yếu được trồng ở các nước đang phát triển, với bốn

các nước chiếm hơn một nửa sản lượng của thế giới: Brazil, Việt Nam, Colombia

và Indonesia [2]. C-2: Tài liệu tham khảo phải có định dạng số?

Tại Indonesia, đảo Sumatra thống trị việc trồng cà phê, chiếm 74,2% tổng sản lượng cà phê toàn quốc.

sản xuất, với các khu vực sản xuất lớn nhất là Bengkulu, Lampung và Nam Sumatra.

2
Machine Translated by Google

Trong số các loại cà phê được sản xuất, có một số loại cà phê đặc biệt, có

giá trị kinh tế đặc biệt cao, bao gồm cà phê cầy hương ('kopi luwak' trong tiếng Indonesia)

và cà phê Peaberry ('kopi lanang' trong tiếng Indonesia). Quả đậu xanh (còn gọi là caracol

hay ốc sên trong tiếng Tây Ban Nha) là một đột biến tự nhiên của hạt cà phê bên trong quả anh đào. Bình thường hai

hạt cà phê mọc thành quả (hai lá mầm) - phẳng tựa vào nhau như nửa quả đậu phộng;

nhưng trong những trường hợp hiếm hoi, một hạt duy nhất được tạo ra (monocyledon). Sản xuất đậu phộng

cà phê rất hạn chế với chỉ khoảng 7% của bất kỳ vụ cà phê nhất định nào có hạt đậu.

Giá cao hơn đối với đậu Peaberry xuất phát từ `` hương vị được cho là đậm đặc hơn của nó

so với đậu bình thường.

Gần đây, xác thực thực phẩm ngày càng trở nên quan trọng do nhu cầu

đảm bảo nguồn gốc sản phẩm và đảm bảo không pha tạp chất gây ô nhiễm hoặc chất độn rẻ tiền hơn

Bản thảo được chấp nhận

đã xảy ra [3]. Là một sản phẩm kinh doanh có lợi nhuận với khả năng bị tạp nhiễm và

buôn bán lừa đảo, cà phê peaberry đang cần những thủ tục xác thực như vậy. Tại cà phê

giai đoạn đậu, ngay cả sau khi rang, hạt đậu (dạng tròn) và hạt cà phê bình thường (dạng phẳng

hình dạng) rất dễ phân biệt bằng mắt thường. Tuy nhiên sau khi mài, sự phân biệt của mặt đất

cà phê làm từ quả đậu phộng hay cà phê bình thường không thể được thực hiện bằng mắt thường, cũng như không thể pha trộn

cà phê xay được dễ dàng phát hiện. Vì vậy, để cung cấp xác thực của peaberry

cà phê và bảo vệ người tiêu dùng khỏi bị tạp nhiễm, một phương pháp mạnh mẽ và dễ dàng để xác định

cà phê hạt đậu và phát hiện sự tạp nhiễm của nó là cần thiết.

Một số phương pháp đã được sử dụng để phát hiện và định lượng sự pha trộn của cà phê, như

chi tiết trong một nghiên cứu gần đây [4]. Hơn nữa, tính khả thi của việc sử dụng phương pháp quang phổ (gần

quang phổ hồng ngoại và trung hồng ngoại) để phân loại và xác thực cà phê đã được

cũng được điều tra trong các nghiên cứu trước đây [5, 6, 7]. Gần đây, tia cực tím và khả kiến (UV-VIS)

3
Machine Translated by Google

quang phổ đã được áp dụng để phát hiện và định lượng cà phê bình thường

tạp nhiễm với vỏ cà phê [8, 9]. Phương pháp này cũng đã được sử dụng để phân biệt

giữa cà phê chồn bình thường và cà phê phi cầy bình thường [10, 11]. Những lợi thế của điều này

kỹ thuật bao gồm nó không tốn kém và là một kỹ thuật phân tích được sử dụng thường xuyên; đặc điểm

cho vay để áp dụng ở Indonesia. Tuy nhiên, cho đến nay vẫn chưa có báo cáo nào về việc sử dụng

phương pháp này để phân biệt giữa quả cà phê xay nguyên chất và cà phê bình thường. Do đó, trong

nghiên cứu này, chúng tôi điều tra việc sử dụng phổ UV-VIS kết hợp với phép đo hóa học

phương pháp (SIMCA và PLS-DA) để phân biệt giữa cà phê xay và cà phê bình thường

mẫu.

Bản thảo được chấp nhận

VẬT LIỆU VÀ PHƯƠNG PHÁP

Chuẩn bị mẫu

Một kg hạt cà phê hạt đậu rang (giống robusta: Coffea canephora) được

được thu hái trực tiếp từ một nông dân trồng cà phê tại Liwa, Lampung, Indonesia (Hasti coffee Lampung),

trong khi một mẫu 1 kg khác của hạt cà phê rang bình thường (giống Robusta) cũng được thu thập

để tạo mẫu cà phê xay bình thường (không phải hạt đậu). Toàn bộ hạt cà phê đã được thu hoạch

thủ công từ cùng một đồn điền và tách thủ công thành quả đậu và cà phê bình thường

đậu. Những mẫu cà phê này sau đó được xay riêng bằng máy xay cà phê gia đình.

(Sayota). Vì kích thước hạt trong bột cà phê có ảnh hưởng đáng kể đến quang phổ

[12], chúng tôi sàng cả hai loại mẫu cà phê qua một tổ các sàng tiêu chuẩn Hoa Kỳ

(số mắt lưới là 40) trên máy lắc sàng Meinzer II (Công ty Khoa học CSC, Hoa Kỳ) cho

4
Machine Translated by Google

10 phút để thu được hạt có kích thước 420 µm. Các phép đo thử nghiệm là

thực hiện ở nhiệt độ phòng (khoảng 27-29 ° C). Trong nghiên cứu này, chúng tôi đã chuẩn bị 50 mẫu

mỗi quả đậu và cà phê bình thường.

Để phát triển và đánh giá mô hình hiệu chuẩn, các mẫu được chia thành hai

nhóm: hiệu chuẩn và tập mẫu dự đoán. Bộ mẫu hiệu chuẩn có 68 mẫu

(34 mẫu mỗi loại cà phê peaberry và cà phê bình thường) đã được sử dụng để phát triển hiệu chuẩn

mô hình với đầy đủ xác nhận chéo. Bộ mẫu dự đoán có 32 mẫu (mỗi loại 16 mẫu

quả đậu và cà phê bình thường) được sử dụng để đánh giá hiệu suất của

đã phát triển mô hình hiệu chuẩn.

Sau đó thu được chiết xuất nước tiêu chuẩn của các mẫu cà phê [8, 9]. Đầu tiên, 1,0 g

Bản thảo được chấp nhận

từng mẫu được cân và cho vào cốc thủy tinh. Sau đó 10 mL nước cất ở 90-

98 ° C được thêm vào và trộn bằng máy khuấy từ (Máy khuấy Cimarec ™, model S130810-33,

Barnstead International, USA) ở tốc độ 350 vòng / phút trong 5 phút. Sau đó, các mẫu được lọc bằng cách sử dụng

Giấy lọc định lượng có kích thước lỗ 25 mm cùng với bình Erlenmeyer. Sau khi làm mát

đến nhiệt độ phòng (trong 20 phút), tất cả dịch chiết sau đó được pha loãng theo tỷ lệ 1:20 (mL: mL)

tỷ lệ với nước cất.

Thu thập dữ liệu quang phổ sử dụng quang phổ kế nhìn thấy được tia UV

Dữ liệu quang phổ của các chất chiết xuất từ quả đậu phộng và cà phê bình thường đã pha loãng này được thu thập bằng cách sử dụng tia cực tím.

Quang phổ kế Vis (Genesys ™ 10S UV-Vis, Thermo Scientific, USA) trong khoảng 190-700

nm. Máy đo quang phổ này là một máy quang phổ chùm tia kép được trang bị một ngăn chứa mẫu 5 ô và

5
Machine Translated by Google

1 ô để trống hoặc tham chiếu. Độ chính xác bước sóng là 1 nm, với silicon kép

điốt quang làm máy dò và đèn flash Xenon làm nguồn chiếu sáng.

Dữ liệu độ hấp thụ của chiết xuất từ quả đậu phộng và cà phê thông thường được thu thập tại phòng

nhiệt độ. Đối với điều này, chúng tôi đưa 3 mL dịch chiết vào cuvet có chiều dài đường dẫn 10 mm.

Trước khi đo các mẫu, một mẫu trắng (cùng loại nước cất được sử dụng trong quy trình chiết xuất)

được đặt bên trong ngăn chứa ô tham chiếu. Trong nghiên cứu này, phổ hấp thụ tương đối là

được tính như sau:

trong đó là cường độ của mẫu ở bước sóng λ và là cường độ của tham chiếu tại cùng một

Bản thảo được chấp nhận

bước sóng. "Quang phổ hấp thụ tương đối", sau đây được gọi là "quang phổ", đã được chuyển

vào máy tính để phân tích đa biến hơn nữa. Tiền xử lý quang phổ (PCA, PLS-DA hoặc

SIMCA) được thực hiện bằng Unscrambler 9.7 (CAMO Software AS, Na Uy).

Dữ liệu phân tích sử dụng phương pháp SIMCA

SIMCA là một phương pháp phân loại dữ liệu được giám sát dựa trên phương pháp PCA. Các

lý thuyết về SIMCA đã được thảo luận rộng rãi và có thể tìm thấy ở những nơi khác [13, 14, 15].

Đầu tiên, một mô hình PCA đã được tạo cho mỗi lớp bằng cách sử dụng bộ dữ liệu hiệu chỉnh cho mỗi

lớp tương ứng. Trong mô hình SIMCA, số lượng PCA bằng với số lượng

các lớp mẫu, bởi vì mỗi lớp cần tạo mô hình PCA của riêng mình để tạo

Mô hình SIMCA cho mỗi lớp. Đối với điều này, chúng tôi đã phát triển một mô hình SIMCA cho cả Peaberry

và các mẫu cà phê bình thường. Một điểm quan trọng trong việc phát triển mô hình SIMCA là xác định

6
Machine Translated by Google

số lượng PC tối ưu (thành phần chính) tham gia vào mô hình. Ở đây, chúng tôi đã sử dụng

phương pháp xác thực chéo đầy đủ và tính sai số bình phương trung bình gốc của xác thực chéo

(RMSECV). Giá trị RMSECV thấp nhất tương ứng với số lượng PC tối ưu. Các

hiệu suất của mô hình SIMCA sau đó được đánh giá bằng cách sử dụng bộ mẫu dự đoán.

Các mẫu trong tập dự đoán được chiếu vào từng mô hình SIMCA và khoảng cách còn lại của chúng

tính toán. Độ lệch chuẩn còn lại được sử dụng làm thước đo khoảng cách tới hạn cho

phân loại. Nếu khoảng cách còn lại từ mô hình thấp hơn giới hạn thống kê của chúng,

mẫu được xác định cho lớp đó và nếu phương sai còn lại cao hơn, thì mẫu đó

không thuộc giai cấp đó.

Dữ liệu phân tích sử dụng PLS-DA

Bản thảo được chấp nhận

PLS-DA dựa trên thuật toán hồi quy PLS (trong nghiên cứu này, chúng tôi đã sử dụng thuật toán PLS1 với

chỉ một biến Y phụ thuộc) [16], tìm kiếm các biến tiềm ẩn (LVs) với

hiệp phương sai lớn nhất với các biến Y. PLS-DA cố gắng xây dựng các mô hình có thể

tối đa hóa sự phân tách giữa các lớp đối tượng. Giải thích chi tiết về PLS-DA

thuật toán có thể được tìm thấy trong tài liệu [17, 18, 19, 20]. Trong PLS-DA của chúng tôi, mỗi mẫu trong

bộ hiệu chuẩn đã được gán một biến giả làm giá trị tham chiếu (biến y), là một

số tùy ý cho biết mẫu có thuộc một lớp cụ thể hay không [21] (1 =

cà phê peaberry, 0 = cà phê bình thường). Mô hình hiệu chuẩn PLS-DA được phát triển bằng cách sử dụng

bộ mẫu hiệu chuẩn và số LV tối ưu được xác định bằng RMSECV

giá trị. Giá trị RMSECV thấp nhất tương ứng với số LVs tối ưu. Các

hiệu suất của mô hình PLS-DA được đánh giá bằng cách sử dụng bộ mẫu dự đoán sử dụng ± 0,5

như một giá trị ngưỡng để phân định các lớp. Một mẫu được coi là đã được phân loại chính xác

nếu giá trị dự đoán nằm trên cùng một phía của điểm giữa của giá trị được chỉ định là 0,5, thì một lần cắt

7
Machine Translated by Google

tắt các tiêu chí thường được sử dụng [22, 23, 24, 25]. Một mẫu cà phê được phân loại là peaberry

cà phê nếu giá trị của nó trên 0,5 và được phân loại là cà phê bình thường nếu giá trị dưới 0,5.

KẾT QUẢ VÀ THẢO LUẬN

Phân tích dữ liệu quang phổ của mẫu Peaberry và cà phê thông thường

Hình 1 cho thấy dữ liệu quang phổ của các mẫu cà phê đậu và cà phê thông thường trong khoảng 190-700

nm (vùng tử ngoại và khả kiến). Có thể thấy rằng quang phổ của cả hai loại cà phê có một

hình dạng tương tự nhưng cường độ hấp thụ không giống nhau. Quang phổ của cà phê bình thường có cao hơn

cường độ hấp thụ, đặc biệt là trong vùng tử ngoại (sau 390 nm). Trong vùng hiển thị

cả hai phổ có cường độ hấp thụ gần như giống nhau và chồng lấp lẫn nhau. Tuy nhiên,

Bản thảo được chấp nhận

ngoài 290 nm, phổ hạt cà phê và cà phê bình thường thường chồng lên nhau và không dễ dàng để

phân biệt đối xử giữa hai người. Dữ liệu quang phổ này (190-400 nm) sẽ được sử dụng để tiếp tục

phân tích.

Trong khoảng 190-400 nm, có thể quan sát thấy một số cực đại và cực tiểu, trong đó có các cực đại ở 281

và 320 nm. Các đáy ở bước sóng 256 và 310 nm. Các đỉnh và thông qua này có liên quan chặt chẽ với nhau

đến độ hấp thụ của một số thành phần hóa học quan trọng trong quá trình rang cà phê. Ví dụ,

đỉnh ở 281 nm liên quan chặt chẽ đến độ hấp thụ của caffeine, trong khi ở 310 nm và

320 nm có liên quan đến độ hấp thụ của axit caffeic [8]. Máng ở 256 nm là gần

liên quan đến độ hấp thụ của axit vanilic.

số 8
Machine Translated by Google

Phân tích các thành phần chính (PCA)

Đầu tiên, một PCA được thực hiện trên toàn bộ tập dữ liệu (100 mẫu) bằng cách sử dụng bản gốc, cũng như trước

xử lý dữ liệu quang phổ trong dải 190-400 nm. Tiền xử lý quang phổ bằng cách sử dụng

Thuật toán đạo hàm đầu tiên của Savitzky-Golay dẫn đến sự phân tách rất rõ ràng giữa peaberry

và các mẫu cà phê bình thường. Hình 2 cho thấy điểm PCA dọc theo hai PC đầu tiên,

đại diện cho gần như toàn bộ của tổng phương sai (94%). Hình 2 cho thấy rằng một lớp rõ ràng

đã đạt được sự phân tách, trong đó hai cụm riêng biệt được quan sát thấy cách nhau bởi trục PC1.

Mẫu cà phê Peaberry được phân thành cụm rõ ràng bên trái trong khi mẫu cà phê bình thường

xuất hiện ở bên phải của trục PC1.

Kết quả phân loại bằng phương pháp SIMCA

Bản thảo được chấp nhận

Phân loại SIMCA để phân biệt giữa các mẫu Peaberry và coffe bình thường là

được phát triển bằng cách tạo ra các mô hình PCA riêng lẻ cho từng loại mẫu cà phê

(Peaberry và bình thường) sử dụng bộ mẫu hiệu chuẩn (34 mẫu cho mỗi loại). Các

Mô hình SIMCA của cà phê hạt đậu và cà phê bình thường sau đó được sử dụng để dự đoán loại cà phê

mẫu trong bộ mẫu dự đoán (16 mẫu từ mỗi lớp). Kết quả dự đoán

cho thấy rằng mô hình SIMCA đã phân loại chính xác (100%) tất cả các mẫu,

peaberry hoặc cà phê bình thường, xuống mức ý nghĩa 5%, như thể hiện trong Hình 3. Từ

hình, có thể thấy rằng tất cả các mẫu đã được tách biệt và tập hợp chặt chẽ với lớp

họ nên thuộc về. Có thể thấy, không có mẫu nào được đặt ở góc phần tư phía dưới bên trái,

điều này sẽ chỉ ra rằng họ thuộc cả hai lớp đồng thời. Cũng không có

các mẫu ở góc phần tư phía trên bên phải, biểu thị một mẫu không thuộc một trong hai

9
Machine Translated by Google

các mô hình được xác định. Các góc phần tư phía trên bên trái và phía dưới bên phải xác định các mẫu thuộc về

lớp cá biệt.

Để tính toán hiệu suất của phân loại, một ma trận nhầm lẫn đã được tạo,

với độ chính xác, độ nhạy và độ đặc hiệu của việc phân loại mẫu cà phê bằng cách sử dụng

đã phát triển các mô hình SIMCA (Bảng 1). Có thể thấy rằng kết quả dự đoán (sử dụng 16 mẫu

đối với mỗi lớp) đạt yêu cầu (100%) về tỷ lệ chính xác, độ nhạy và độ đặc hiệu.

Kết quả Phân loại sử dụng Phân tích Phân biệt Bình phương Ít nhất Một phần

Phương pháp (PLS-DA)

Một phương pháp phân biệt có giám sát, PLS-DA, đã được thực hiện để phát triển một mô hình hiệu chuẩn

Bản thảo được chấp nhận

giữa dữ liệu quang phổ (dưới dạng biến dự đoán) và loại cà phê (dưới dạng biến mục tiêu). Đây

Mô hình PLS-DA được sử dụng để dự đoán loại cà phê trong bộ mẫu dự đoán và

kết quả được mô tả trong Hình 4. Có thể thấy rõ rằng cả cà phê peaberry và cà phê bình thường

mẫu được giới hạn cho lớp học của riêng họ. Ví dụ: tất cả các mẫu quả đậu (có dấu o )

có giá trị trên 0,5 và dưới 1,5 và do đó tất cả các mẫu dâu tây được phân loại chính xác thành

được 1: cà phê đậu. Tất cả các mẫu cà phê bình thường (có dấu x ) đều có giá trị trên -0,5 và

dưới 0,5 và do đó tất cả các mẫu cà phê bình thường được phân loại chính xác là 0: bình thường

cà phê. Từ đó, chúng ta có thể thấy rằng kết quả dự đoán sử dụng mô hình PLS-DA là

đạt yêu cầu với tỷ lệ phân loại đúng 100% đối với mẫu cà phê nhân và cà phê thường.

10
Machine Translated by Google

Điều tra về bước sóng nhạy cảm

Cả hai mô hình SIMCA và PLS-DA đều liên quan đến việc sử dụng rất nhiều biến dự báo (210

biến bước sóng trong khoảng từ 190 đến 400 nm). Điều quan trọng là phải xác định chính

bước sóng điều khiển các mô hình này. Đối với điều này, chúng tôi đã vẽ các kết quả tải x (từ SIMCA)

và tải các biến tiềm ẩn (LVs) (từ PLS-DA). Tải x cho biết mức độ

biến x (bước sóng) được tính đến bởi các thành phần mô hình. Nó có thể được sử dụng để

hiểu mỗi biến số x (bước sóng) đóng góp bao nhiêu vào ý nghĩa

biến thể trong dữ liệu, và để giải thích các mối quan hệ biến. Nó cũng hữu ích cho việc giải thích

ý nghĩa của từng thành phần mô hình. Trọng lượng tải cho biết mỗi

bước sóng (biến x) góp phần giải thích sự biến đổi phản ứng (loại cà phê) cùng

từng thành phần mô hình. Trọng lượng tải đã được chuẩn hóa, để chiều dài của chúng có thể

Bản thảo được chấp nhận

diễn giải, cũng như hướng của họ. Bước sóng (biến x) với trọng lượng tải lớn

các giá trị rất quan trọng để xác định loại cà phê (cà phê đậu hay cà phê bình thường).

Với một chức năng tương tự, việc tải các biến tiềm ẩn (LV) chủ yếu được sử dụng để kiểm tra

ảnh hưởng của bước sóng (biến x) đến việc xác định loại cà phê (biến y). lớn

giá trị tuyệt đối cho thấy một ảnh hưởng đáng kể của bước sóng.

Từ Hình 5, một số bước sóng có thể được xác định với trọng số tải x cao, bao gồm

bước sóng 230, 270 và 350 nm. Trong hình 6, một số bước sóng có tải trọng cao

biến tiềm ẩn ở 230, 250, 270, 310 và 350 nm có thể được quan sát. Các bước sóng đó là

được coi là quan trọng đối với sự khác biệt giữa các lớp. Các bước sóng này là

liên quan chặt chẽ đến độ hấp thụ của một số thành phần hóa học quan trọng trong cà phê rang.

Ví dụ, bước sóng ở 270 nm có liên quan đến độ hấp thụ của caffein, trong khi 310 và

11
Machine Translated by Google

350 nm có liên quan chặt chẽ đến độ hấp thụ của axit caffeic và axit chlorogenic (CGA),

tương ứng [8, 26].

PHẦN KẾT LUẬN

Nghiên cứu này chứng minh tiềm năng của thông tin quang phổ UV-Visible được sử dụng cho

phân biệt mạnh mẽ và đơn giản các mẫu cà phê xay nguyên chất và cà phê xay thông thường.

Hai phương pháp phân biệt đối xử có giám sát được điều tra, SIMCA và PLS-DA, cung cấp

tỷ lệ phân loại thỏa đáng, với tất cả các mẫu được phân loại chính xác vào

các lớp tương ứng. Điều tra tiếp theo về các bước sóng đặc biệt nhạy cảm

sử dụng trọng số tải x và tải các biến tiềm ẩn (LVs) cho thấy rằng độ hấp thụ

Bản thảo được chấp nhận

cường độ ở 230, 250, 270, 310 và 350 nm rất quan trọng để phân biệt giữa

các loại cà phê được kiểm tra trong nghiên cứu này. Các bước sóng đó có liên quan chặt chẽ đến

bước sóng hấp thụ của một số thành phần hóa học quan trọng trong cà phê rang, chẳng hạn

như caffein, axit caffeic và axit chlorogenic (CGA).

NHÌN NHẬN

Chúng tôi xin cảm ơn Khoa Kỹ thuật Nông nghiệp, Đại học Lampung

để có giấy phép sử dụng quang phổ kế nhìn thấy được tia UV và các thiết bị hỗ trợ của nó. Các tác giả cũng sẽ

xin cảm ơn Hasti Coffee Lampung đã cung cấp các mẫu cà phê cho chúng tôi. Chúng tôi cũng

ghi nhận Giáo sư Garry John Piller (Cao học Nông nghiệp, Đại học Kyoto,

Japan) vì sự giúp đỡ và những trao đổi hữu ích trong quá trình chuẩn bị bản thảo.

12
Machine Translated by Google

NGƯỜI GIỚI THIỆU

[1] Duarte, SMdS; Abreu, CMPd; Menezes, HCd; Santos, MHd; Gouvea, CMCP

Ảnh hưởng của quá trình chế biến và rang đối với hoạt động chống oxy hóa của cà phê pha. Món ăn

Khoa học. Công nghệ. (Campina). 2005, 25, 387–393.

[2] ICO. 2016. http://www.ico.org/trade_statistics.asp?section=St Statistics (truy cập: Tháng 9

Ngày 16 năm 2016.

[3] Danezis, GP; Tsagkaris, AP; Camin, F., Brusic, V; Georgiou, CA Food

xác thực: Kỹ thuật, xu hướng & cách tiếp cận mới nổi. Xu hướng TrAC trong phân tích

Hoá học. 2016, 85, 123–132.

[4] Toci, AT; Farah, A.; Pezza, Nhân sự; Pezza, L. Sự pha trộn cà phê: Hơn hai thập kỷ

của nghiên cứu. Nhận xét quan trọng trong Hóa học phân tích. 2016, 46, 83–92.

Bản thảo được chấp nhận

[5] Santos, JR; Sarraguça, MC; Phạm vi, AOSS; Lopes, JA Đánh giá màu xanh lá cây

Chất lượng hạt cà phê bằng phương pháp quang phổ hồng ngoại gần: Phương pháp định lượng. Món ăn

Hoá học. 2012, 135, 1828–1835.

[6] Ebrahimi-Najafabadi, H.; Leardi, R.; Oliveri, P.; Casolino, MC; Jalali-Heravi, M.;

Lanteri, S. Phát hiện thêm lúa mạch vào cà phê bằng quang phổ hồng ngoại gần và

kỹ thuật đo hóa học. Talanta. 2012, 99, 175–179.

[7] Wang, J.; Tháng sáu, S.; Người cắn, HC; Gautz, L.; Hồng ngoại biến đổi Li, QX Fourier

quang phổ để xác thực cà phê Kona. Tạp chí Khoa học Thực phẩm. 2009, 74, C385 – C391.

[8] Souto, UTCP; Barbosa, MF; Dantas, HV; Pontes, AS; Lyra, WS; Diniz,

PHGD; Araújo, MCU; Silva, EC. Xác định sự tạp nhiễm trong rang xay

cà phê sử dụng quang phổ UV-Vis và SPA-LDA. LWT - Khoa học và Công nghệ Thực phẩm.

2015, 63, 1037–1041.

13
Machine Translated by Google

[9] Souto, UTCP; Pontes, MJC; Silva, EC; Galvão, RKH; Araújo, MCU; Sanches,

FAC; Cunha, FAS; Oliveira, MSR. Phân loại quang phổ UV – Vis của cà phê bằng

SPA – LDA. Hóa học thực phẩm. 2010,119, 368–371.

[10] Suhandy, D.; Yulia, M.; Waluyo, S.; Sugianti, C.; Iriani, R .; Handayani, FN; Apratiwi,

N. Khả năng sử dụng quang phổ tử ngoại nhìn thấy được và mô hình độc lập mềm của

loại tương tự (SIMCA) để phân loại cà phê cầy hương Indonesia (kopi luwak), trong

Kỷ yếu Hội thảo Quốc tế USR về An ninh Lương thực. 2016a, 245-253.

[11] Yulia, M.; Suhandy, D.; Waluyo, S.; Sugianti, C. Phát hiện và định lượng

sự pha trộn trong cà phê luwak thông qua quang phổ có thể nhìn thấy tia cực tím kết hợp với

phương pháp hóa học,” trong Kỷ yếu của USR International. Hội thảo An ninh lương thực.

2016, 254 - 261.

[12] Suhandy, D.; Waluyo, S.; Sugianti, C.; Julia, M.; Irani, R.; Handayani, FN;

Bản thảo được chấp nhận

Apratiwi, N. Việc sử dụng quang phổ UV-Vis-NIR và phép đo hóa học để xác định

sự tạp nhiễm trong cà phê arabica rang xay -Phát hiện ảnh hưởng của kích thước hạt

về phân tích quang phổ-,” trong Kỷ yếu Hội thảo Nasional Tempe. 2016b, 198-204.

[13] Derde, MP; Massart, DL So sánh hiệu suất của mô hình lớp

kỹ thuật UNEQ và PRIMA. Hóa học và Hệ thống Phòng thí nghiệm Thông minh. 1988, 4,

65–93.

[14] Candolfi, A.; De Maesschalck, R .; Massart, DL; Hailey, PA; Harrington, ACE

Xác định các tá dược bằng quang phổ NIR và SIMCA. Tạp chí của

Phân tích Dược phẩm và Y sinh. 1999, 19, 923–935.

[15] Mertens, B.; Thompson, M.; Fearn, T. Phát hiện ngoại lệ thành phần chính và SIMCA:

A Tổng hợp. Chuyên viên phân tích. 1994, 119, 2777–2784.

14
Machine Translated by Google

[16] Sun, J.; Giang, S.; Mao, H.; Ngô, X.; Li, Q. Phân loại đậu đen bằng cách sử dụng

gần Hình ảnh siêu kính hồng ngoại. Tạp chí Quốc tế về Thuộc tính Thực phẩm. 2016, 19,

1687–1695.

[17] Wold, S.; Sjostrom, M.; Eriksson, L. Hồi quy PLS: một công cụ cơ bản của phép đo hóa học.

Hóa học và Hệ thống Phòng thí nghiệm Thông minh. 2001, 58, 109–130.

[18] Barker, M.; Rayens, WS Một phần bình phương nhỏ nhất để phân biệt. Tạp chí của

Hóa học. 2003, 17, 166 - 173.

[19] Xie, L.; Ying, Y .; Ying, T. Sự kết hợp và so sánh các phương pháp đo hóa học cho

xác định cà chua chuyển gen bằng cách sử dụng phương pháp truyền qua khuếch tán nhìn thấy và cận hồng ngoại

kĩ thuật. Tạp chí Kỹ thuật Thực phẩm. 2007, 82, 395–401.

[20] Ballabio, D.; Consonni, V. Công cụ phân loại trong hóa học. Phần 1: mô hình tuyến tính. PLS

ĐA. Phương pháp phân tích. 2013, 5, 3790–3798.

Bản thảo được chấp nhận

[21] Ngô, X.; Ngô, B. .; CN, J .; Li, M.; Du, H. Phân biệt táo bằng tia hồng ngoại gần

quang phổ và sắp xếp phân tích phân biệt. Tạp chí Quốc tế về Thuộc tính Thực phẩm. 2016,

19, 1016–1028.

[22] Shen, F.; Ying, Y .; Lý, B.; Zheng, Y. Liu, Q. Phân biệt gạo trộn của Trung Quốc

tuổi rượu dựa trên quang phổ cận hồng ngoại. Tạp chí Quốc tế về Thuộc tính Thực phẩm. 2012,

15, 1262–1275.

[23] da Silva, NC; Pimentel, MF; Honorato, RS; Talhavini, M.; Maldaner, AO;

Honorato, FA Phân loại xăng Brazil và xăng nước ngoài pha cồn

sử dụng quang phổ hồng ngoại. Khoa học pháp y quốc tế. 2015, 253, 33–42.

[24] Silva, AC; Pontes, LFBL; Pimentel, MF; Pontes, MJC Phát hiện tạp chất trong

nhiên liệu cồn etylic ngậm nước sử dụng quang phổ hồng ngoại và nhận dạng mẫu có giám sát

các phương pháp. Talanta. 2012, 93, 129– 134.

15
Machine Translated by Google

[25] da Silva, MPF; e Brito, LR; Danh dự, FA; Paim, APS; Pasquini, C. Pimentel, MF

Phân loại xăng có hoặc không có phụ gia phân tán và tẩy rửa sử dụng tia hồng ngoại

quang phổ và phân loại đa biến. Nhiên liệu. 2014, 116, 151–157.

[26] Belay, A.; Ture, K .; Redi, M.; Asfaw, A. Đo lượng caffeine trong hạt cà phê với

Máy quang phổ UV/vis. Hóa học thực phẩm. 2008,108, 310–315.

Bản thảo được chấp nhận

16
Machine Translated by Google

Bảng 1. Ma trận nhầm lẫn với độ chính xác, độ nhạy và độ đặc hiệu của việc phân loại các mẫu cà phê
bằng SIMCA sử dụng bộ mẫu dự đoán Loại cà phê hạt đậu (được ấn định bởi mô hình hạt đậu của SIMCA)
Loại cà phê bình thường

(được chỉ định bởi mô hình SIMCA

bình thường)

Cà phê hạt đậu (thực tế) 16 0

Bản thảo được chấp nhận

Loại cà phê bình thường (thực tế) 0 16

Sự chính xác (%) 100

Nhạy cảm (%) 100

Độ đặc hiệu (%) 100

17
Machine Translated by Google

Hình 1 Phổ ban đầu của các mẫu cà phê đậu và cà phê bình thường trong vùng có thể nhìn thấy tia cực tím

(190-700 nm).

Bản thảo được chấp nhận

18
Machine Translated by Google

Hình 2 Phân tích các thành phần chính của quang phổ từ các mẫu hạt đậu và cà phê bình thường

(chiếu lên hai thành phần chính đầu tiên).

Bản thảo được chấp nhận

19
Machine Translated by Google

Hình 3 Biểu đồ Cooman để phân loại các mẫu cà phê đậu và cà phê bình thường (dọc và

các đường ngang màu đỏ hiển thị khoảng tin cậy 95%).

Bản thảo được chấp nhận

20
Machine Translated by Google

Hình 4 Giá trị lớp ước tính theo mô hình PLS-DA so với hiệu chuẩn và dự đoán

ô mẫu để phân biệt giữa cà phê đậu và cà phê bình thường.

Bản thảo được chấp nhận

21
Machine Translated by Google

Fig.5 Trọng lượng X-Loading so với bước sóng của hai PC trên cùng (PC1 và PC2) của cà phê

mẫu (trên: cà phê peaberry, dưới: cà phê bình thường).

Bản thảo được chấp nhận

22
Machine Translated by Google

Hình 6 Đồ thị tải của các biến tiềm ẩn so với bước sóng cho mô hình PLS-DA.

Bản thảo được chấp nhận

23