一种预测茶油中掺假油种类的方法
技术领域
本发明属于油脂组成和含量测定
技术领域
，具体涉及一种预测茶油中掺假油种类的方法。背景技术
我国是茶油产量最大的国家，具有“东方橄榄油”之称。作为一种保健型的营养油脂，茶油有着与橄榄油一样的营养价值。研究表明茶油除含有较高含量的油酸，少量亚油酸、亚麻酸等外，还含有多种生理活性物质如角鲨烯、甾醇、生育酚、茶多酚等其它微量非皂化物。油酸作为茶油中含量最高的单不饱和脂肪酸，可以明显降低血液中有害的“低密度脂蛋白胆固醇”而保留有益的“高密度脂蛋白胆固醇”，最终达到降低血清胆固醇的作用，此外茶油还具有抗衰老、提高免疫力等作用，对生殖功能、细胞代谢均有影响。由于其较高的营养价值和经济价值，不良商贩为了牟取暴利，会在油茶籽油中掺入其他廉价的油脂，冒充纯油茶籽油出售，导致目前市场上茶油质量参差不齐，对消费者的健康造成潜在威胁。因此保障茶油的品质和安全，是一项长期和重要的课题。
近年来，许多研究成功建立了检测掺假茶油的先进方法，采用电子鼻、差示扫描量热法、离子迁移光谱、近/中红外光谱、拉曼光谱、核磁共振和荧光光谱等先进检测手段。虽然这些现代技术提供了更多的选择，但色谱法作为一种补充的靶向技术，仍然是鉴别掺假茶油的可靠方法。通过结合化学计量学方法，色谱法在鉴别植物油真伪中得到广泛应用，如茶油、橄榄油、花生油、芝麻油等。
化学计量学是将化学体系的测量值与体系的状态建立联系的学科，其本质是化学量测的基础理论与方法学。通过化学计量学方法可以全面地分析谱图数据，从复杂的多维数据中最大限度地提取有关研究对象成分、结构等重要信息，获得有效的特征数据，建立数学模型，有助于对测量数据的解释、判别和预测，具有计算速度快和识别功能佳等优点。
目前尚未有通过气相色谱所得的脂肪酸比值和通过高效液相色谱所得的生育酚组成，结合HCA、PLS-DA、以及SIMCA等化学计量学方法，对掺入玉米油、菜籽油、米糠油、芝麻油、和大豆油的掺假茶油进行判别的方法的公开报道，这一空白
技术领域
还需得以填补完善。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种预测茶油中掺假油种类的方法，通过行气相色谱(GC)获得不同油样的脂肪酸图谱，以及采用正相高效液相色谱法(HPLC)测定样本中的生育酚，结合化学计量学方法HCA、PLS-DA、和SIMCA，建立茶油中掺伪油种类，根据校验参数和验证集验证模型的可靠性。
技术方案：为实现上述目的，本发明采用的技术方案为：
一种预测茶油中掺假油种类的方法，采用的是气相色谱技术和高效液相色谱技术，结合化学计量学分析建立掺伪茶油鉴别模型，具体包括以下步骤：
(S1)样品配置：收集市售不同品牌的合格油脂，以茶油为被掺油、其他食用油为掺假油，将被掺油与掺假油以不同体积比例混合，获得掺伪茶油的实验样本，所述实验样本分为训练集和验证集；
(S2)数据采集：采集所述实验样本的气相色谱作为脂肪酸基础数据，采集所述实验样本的液相色谱作为生育酚基础数据；
(S3)无监督模型建立：基于无监督的HCA分析，分别结合脂肪酸基础数据、生育酚基础数据、以及脂肪酸和生育酚的基础数据，建立对应的纯油区分可视化模型；
(S4)有监督模型建立：将训练集中的脂肪酸基础数据和生育酚基础数据作为输入变量，分别结合有监督的PLS-DA模型和/或SIMCA模型，建立对应的PLS-DA判别模型和/或SIMCA判别模型；
(S5)模型验证：利用验证集中的脂肪酸基础数据、生育酚基础数据分别对所述PLS-DA判别模型和/或SIMCA判别模型进行验证，验证模型的正确率。
(S6)检测应用：处理掺伪茶油待测样品，采集待测样品的气相色谱作为脂肪酸检测数据，采集待测样品的液相色谱的生育酚检测数据，通过构建的PLS-DA判别模型和/或SIMCA判别模型，检测掺伪茶油待测样品的掺伪比例。
在一种实施例中，所述脂肪酸基础数据包括脂肪酸比值，所述生育酚基础数据包括生育酚组成。
在一种实施例中，所述脂肪酸比值包括P/S,O/P,O/L,O/Ln和L/S；所述生育酚组成包括α-生育酚、β-生育酚、γ-生育酚和δ-生育酚的质量百分比以及γ-生育酚与α-生育酚的比值γ/α。P代表棕榈酸，S代表硬脂酸，O代表油酸，L代表亚油酸，Ln代表α-亚麻酸
在一种实施例中，(S1)中所述掺伪茶油的实验样本的掺假比例为0％、5％、10％、20％、30％、40％、50％、60％、70％、80％、100％(w/w)，所述掺假油包括玉米油、菜籽油、米糠油、芝麻油、和大豆油其中任意一种。
在一种具体实施例中，(S1)中所述掺伪茶油的实验样本具体为：从36种茶油中任选3种茶油作为样本茶油，3种玉米油、3种菜籽油、3种米糠油、3种芝麻油、和3种大豆油，与所述三种茶油按所述比例混匀，获得135个掺假样本，总计191个样本。
在一种实施例中，(S2)中所述采集所述实验样本的气相色谱作为脂肪酸基础数据包括：提取所述实验样本的脂肪酸，所述脂肪酸进行气相色谱分析，获得相应的脂肪酸图谱，采集得到脂肪酸基础数据；
所述提取所述实验样本的脂肪酸包括：将所述掺伪茶油的实验样本进行甲酯化，上清液经微滤后得脂肪酸；
所述气相色谱分析的条件为:Trace-TR-FAME柱毛细管柱，进样口和检测器的温度均为220℃；进样量为1μL，载气为高纯氮气，采用分流比为1:100的恒流模式，载气流速为1mL/min。
在一种实施例中，(S2)中所述采集所述实验样本的液相色谱作为生育酚基础数据包括：提取所述实验样本的生育酚，所述生育酚进行液相色谱分析，获得相应的生育酚图谱，采集得到生育酚基础数据；
所述提取所述实验样本的生育酚包括：将所述掺伪茶油的实验样本加入的正己烷中，溶解提取得生育酚；
所述液相色谱的条件为：Sehperisorb Silica柱，柱温25℃，检测波长295nm，进样量20μL，流动相为正己烷:异丙醇(v:v＝98.5:1.5)，流速1mL/min。
在一种实施例中，(S5)中首先通过将掺假比例5％-100％进行模型建立，再逐次提高至10％-100％，20％-100％，30％-100％，40％-100％，逐步优化所述PLS-DA模型和/或SIMCA模型。
另一方面，本发明还提供一种设备或系统，包括：
接收单元，其被配置为接收掺伪茶油的实验样本的脂肪酸基础数据、生育酚基础数据的至少一部分；
存储器，其用于存储能够生成所述掺伪茶油的实验样本中的掺假油的预测的PLS-DA模型和/或SIMCA模型；以及
处理器，其被配置为访问存储在所述存储器中的所述PLS-DA模型和/或SIMCA模型以执行上述的方法的步骤，以生成所述掺伪茶油的实验样本中的掺假油的预测。
另一方面，本发明还提供一种计算机可读存储介质，包括计算机可读指令，所述计算机可读指令在由计算机执行时操作用于预测掺伪茶油的掺假油真伪，所述计算机可读指令被配置为执行上述任一所述的方法。
有益效果：本发明预测茶油中掺假油种类的方法，与现有技术相比，具有以下优势：
(1)通过脂肪酸比值、生育酚组成，结合HCA，可以将茶油(CAO)、玉米油(COO)、菜籽油(RAO)、米糠油(RBO)、芝麻油(SEO)、和大豆油(SOO)等植物油区分开，其中所有的茶油样品较好的聚集在一起，归因于茶油中含有较高的油酸/α-亚麻酸比值、油酸/棕榈酸比值、油酸/亚油酸比值，以及α-生育酚含量。
(2)该方法操作简单，技术可靠，可快速检测茶油中掺假油种类。通过PLS-DA判别模型和SIMCA判别模型均可较好的鉴别掺伪茶油，总的判别准确率均达到85.71％以上，绝大部分判别准确率均高于90％，最高判别准确率高达97.73％。
(3)通过比较PLS-DA判别模型和SIMCA判别模型的判别准确率，PLS-DA判别模型更适合用于鉴别高浓度掺伪茶油(100％＞掺假比例≥20％)，SIMCA判别模型更适合用于鉴别低浓度掺伪茶油(掺假比例≥5％)。
附图说明
图1为脂肪酸和生育酚比值热图，其中，(a)为脂肪酸比值热图，(b)为生育酚比值热图，(c)为脂肪酸和生育酚比值热图。1-toc％:α-生育酚％；2-toc％:β-生育酚％；3-toc％:γ-生育酚％；4-toc％:δ-生育酚％；3-toc/1-toc:γ-/α-生育酚。
图2为不同掺假种类及掺假比例茶油样品PLS-DA得分图：(a)≥5％，(b)≥10％，(c)≥20％，(d)≥30％，(e)≥40％；CAO：茶油，COO：玉米油，RAO：菜籽油，RBO：米糠油，SEO：芝麻油，SOO：大豆油。
图3为不同掺假种类及掺假比例茶油样品SIMCA得分图：(a)≥5％，(b)≥10％，(c)≥20％，(d)≥30％，(e)≥40％；CAO：茶油，COO：玉米油。
具体实施方式
下面结合附图和实施例对本发明作更进一步的说明。根据下述实施例，可以更好的理解本发明。然而，本领域的技术人员容易理解，实施例所描述的具体的物料配比、工艺条件及其结果仅用于说明本发明，而不应当也不会限制权利要求书中所详细描述的本发明。
本发明的具体实施方案包括以下步骤：
(S1)样品配置：收集市售不同品牌的合格油脂，以茶油为被掺油、其他食用油为掺假油，将被掺油与掺假油以不同体积比例混合，获得掺伪茶油的实验样本；在建立有监督模式识别模型即PLS-DA判别模型和/或SIMCA判别模型之前，将所采集的实验样本分为训练集和验证集两大类；
需要说明的是，在本发明中，“PLS-DA判别模型和/或SIMCA判别模型”包括了三种情况：第一，PLS-DA判别模型；第二，SIMCA判别模型；第三，PLS-DA判别模型和SIMCA判别模型。三种情况均在本发明的保护范围中，即PLS-DA判别模型和SIMCA判别模型两种模型可以各自单独使用，也可以两者均使用。在本具体实施方案中，两种判别模型均给出了相应的实施例进行说明，每一个单独使用的PLS-DA判别模型实施例都是完整的示例，可以作为完整的判别结果；也可以将两种判别模型的结果进行横向比较，优选判别准确率更高的一种判别模型的判别结果。
在一种示例中，随机取2/3的实验样本划分为训练集，用于建立PLS-DA判别模型和/或SIMCA判别模型；剩余1/3的实验样本作为验证集，用于评价PLS-DA判别模型和/或SIMCA判别模型的预测能力；
在一种示例中，被掺油与掺假油所用油脂种类和数量分别为：36种茶油、6种玉米油、3种菜籽油、4种米糠油、3种芝麻油、和4种大豆油，总共获得56种纯植物油样；掺伪茶油所用的混合油样总体积为1mL，掺假比例为0％、5％、10％、20％、30％、40％、50％、60％、70％、80％、100％(w/w)，从36种茶油中任选3种茶油作为样本茶油，再从掺假油中任选3种玉米油、3种菜籽油、3种米糠油、3种芝麻油和3种大豆油，与上述三种茶油按上述比例混匀，获得135个掺假样本，总计191个样本。
将191个样本分为128个训练集和63个验证集，训练集中纯茶油样本以及掺玉米油、菜籽油、米糠油、芝麻油、和大豆油的样本依次为24、22、20、21、20、21，验证集中依次为12、11、10、10、10、10。
在一种示例中，通过将掺假比例5％-100％，提高至10％-100％，20％-100％，30％-100％，40％-100％，逐步优化PLS-DA判别模型和SIMCA判别模型。
(S2)数据采集：采集所述实验样本的气相色谱作为脂肪酸基础数据，采集所述实验样本的液相色谱作为生育酚基础数据；
在一种示例中，脂肪酸基础数据包括脂肪酸比值，生育酚基础数据包括生育酚组成。在一种具体示例中，所述脂肪酸比值包括P/S,O/P,O/L,O/Ln和L/S；所述生育酚组成包括α-生育酚、β-生育酚、γ-生育酚和δ-生育酚的质量百分比以及γ-生育酚与α-生育酚的比值γ/α。
在一种示例中，脂肪酸基础数据、生育酚基础数据的采集方法分别如下：
S21、脂肪酸比值的测定
A：样品前处理：称取约50mg样品于5mL离心管中，分别加入2mL正己烷和0.5mL2mol/L KOH-CH3OH溶液；涡旋30s，静置，取1mL上清液经0.22μm微孔滤膜过滤后置于气相瓶进行气相色谱分析。
B：气相色谱条件:Trace-TR-FAME柱毛细管柱(60m×2.5mm×2.5mm，0.20μm，Varian Inc.,USA)；进样口和检测器的温度均为220℃；进样量为1μL，载气为高纯氮气，采用分流比为1:100的恒流模式，载气流速为1mL/min。升温程序如下：从初温60℃(持续3min)以5℃/min的速率升至175℃(持续15min)，再以2℃/min的速率升至220℃(持续10min)，最后以2℃/min的速率升温至215℃(持续20min)。
S22、生育酚组成测定
A：样品前处理：准确称取100mg油样，加入1mL正己烷溶解，涡旋混匀，过0.22μm有机膜，进行液相色谱分析。
B：色谱条件：采用正相高效液相色谱法测定油样中生育酚含量，SehperisorbSilica柱(25cm×4.6mm×5μm)，柱温25℃，检测波长295nm，取20μL进样，流动相为正己烷:异丙醇(v:v＝98.5:1.5)，流速1mL/min。
C：定性和定量分析：外标法测定油茶籽油中α、β、γ和δ-生育酚4种构型生育酚的含量以及总生育酚含量。
(S3)无监督模型建立：基于无监督的HCA分析，分别结合脂肪酸基础数据、生育酚基础数据、以及脂肪酸和生育酚的基础数据，建立对应的纯油区分可视化模型；
(S4)有监督模型建立：将训练集中的脂肪酸基础数据和生育酚基础数据作为输入变量，分别结合有监督的PLS-DA模型和SIMCA模型，建立PLS-DA判别模型和SIMCA判别模型；
在一种具体示例中，将获得的脂肪酸比值和生育酚比值数据导入MetaboAnalyst5.0和SIMCA 13(Umetrics,Malmo,Sweden)软件中，建立聚类分析(HCA)、偏最小二乘判别分析的PLS-DA判别模型和簇类独立软模式法的SIMCA判别模型。
(S5)模型验证：利用验证集中的脂肪酸基础数据、生育酚基础数据分别对所述PLS-DA判别模型、SIMCA判别模型进行验证，验证模型的正确率。
在一种示例中，还包括调整并设定模型参数，制定判定规则，在判别分析中，将茶油数值设定为1，掺假茶油数值设定为0，阈值设为0.5，并规定预测值中≥0.5判定为1，＜0.5判定为0，获得PLS-DA判别模型、SIMCA判别模型的判别准确率数据。
(S6)检测应用：处理掺伪茶油待测样品，采集待测样品的气相色谱作为脂肪酸检测数据，采集待测样品的液相色谱的生育酚检测数据，通过构建的PLS-DA判别模型、SIMCA判别模型，检测掺伪茶油待测样品的掺伪比例。
在上述步骤中，本实施例采用了HCA、PLS-DA、SIMCA的化学计量学方法，具体相关原理如下：
聚类分析(Hierarchical cluster analysis，HCA)是指根据被测样本的属性，用数学的方法按照样品的相似性或差异性来确定各样本间的关系，然后按这种关系对被测样本进行聚类的方法。通俗地说，是“同一类聚”，即同一类待测的样本在所建模型中就靠得较近，而不同种类的被测样品就离的远一些。
偏最小二乘判别分析(Partial least squares-discriminate analysis，PLS-DA)是一种有监督的模式识别方法，其有很强的提供信息的能力，所建立的模型也更加的稳定，有很强的抗干扰能力，是应用最广泛的定量建模方法。当所测样本的噪声比较大且存在着多重的共线性时，适合选用偏最小二乘法对实验样品进行分析与鉴定，可以使所得结果更为准确。
簇类独立软模式法(Soft independent modeling of class analogies，SIMCA)，是由瑞典化学家Wold于1976年提出的一种基于主成分分析(Princi-pal componentanalysis，PCA)的监督模式识别分类方法，又称相似分析法。该算法的基本思路是利用先验分类知识,对每一种类别建立一个PCA模型，然后利用这些建立的模型判断未知样本的归属。SIMCA方法是通过F检验设定分类的置信区间,针对每个类,其F检验的两个维度的自由度分别为：(M-A)和(n-A-1)(M-A)，其中M为变量数(变量数对每类应该是一样的)，A为该类的有效主成分数，n为该类的样本数。
但是，目前没有任何关于通过气相色谱所得的脂肪酸指纹图谱、高效液相色谱所得的生育酚指纹图谱，结合HCA、PLS-DA、以及SIMCA，预测茶油中其它掺杂油的种类，包括玉米油、菜籽油、米糠油、芝麻油、和大豆油，为色谱技术结合化学计量学方法在茶油掺伪鉴别中的应用提供实验依据。
因此，本发明提出了一种预测茶油中掺假油种类的方法，通过行气相色谱(GC)获得不同油样的脂肪酸图谱，以及采用正相高效液相色谱法(HPLC)测定样本中的生育酚，结合化学计量学方法HCA、PLS-DA、和SIMCA，建立茶油中掺伪油种类，根据校验参数和验证集验证模型的可靠性。
以下结合具体实施例对本发明的具体实施方案作进一步详细说明：
需要说明的是，以下具体实施例中，所记载的“浓度”、“掺假量”、“掺假比例”等表示浓度和比例的表述用语，均意为：掺伪油中的掺假油的质量百分浓度。
实施例1样品配置与数据采集
1.1本实施例根据快速甲酯化法和气相色谱法对茶油、玉米油、菜籽油、米糠油、芝麻油和大豆油中的脂肪酸进行检测，获得脂肪酸比值包括P/S,O/P,O/L,O/Ln,和L/S的组成，如表1。
1.2本实施例根据正相高效液相色谱法对茶油、玉米油、菜籽油、米糠油、芝麻油、和大豆油中的生育酚进行检测，获得α、β、γ和δ-生育酚的百分比组成，以及γ-生育酚/α-生育酚比值，如表1。
表1不同植物油中脂肪酸和生育酚组成
实施例2无监督模型建立
根据脂肪酸比值、生育酚组成，对56种纯植物油进行HCA分析：56种纯油样本在图1(c)中得到最好的区分，其中茶油样品较好的聚集在一起，归因于茶油中其含有较高的油酸/α-亚麻酸比值、油酸/棕榈酸比值、油酸/亚油酸比值，以及α-生育酚含量。
实施例3有监督模型建立：PLS-DA判别模型
根据脂肪酸比值和生育酚组成，结合PLS-DA判别模型对掺伪油种类进行建模分析。
由图2和表2可知，当掺假比例≥5％时，总的判别准确率≥85.71％；随着掺假比例的提高，总的识别率逐步提升。
当其掺假比例≥20％时，通过PLS-DA判别模型，总的判别准确率≥94.34％，可较好的区分茶油(CAO)、掺有玉米油样的茶油(CAO+COO)、掺有大豆油样的茶油(CAO+SOO)、掺有米糠油样的茶油(CAO+RBO)、掺有芝麻油样的茶油(CAO+SEO)、以及掺有菜籽油样的茶油(CAO+RAO)。
当其掺假比例≥40％时，通过PLS-DA判别模型，总的判别准确率≥97.67％，能够较为精确地区分茶油(CAO)、掺有玉米油样的茶油(CAO+COO)、掺有大豆油样的茶油(CAO+SOO)、掺有米糠油样的茶油(CAO+RBO)、掺有芝麻油样的茶油(CAO+SEO)、以及掺有菜籽油样的茶油(CAO+RAO)。
由上所述，说明通过PLS-DA判别模型可较好的鉴别掺伪茶油，尤其适用于鉴别掺伪高浓度(掺假比例≥20％)的掺假茶油。
表2 PLS-DA判别模型的判别准确率
注：≥5％指：100％＞掺假量≥5％；
≥10％指：100％＞掺假量≥10％；
≥20％指：100％＞掺假量≥20％；
≥30％指：100％＞掺假量≥30％；
≥40％指：100％＞掺假量≥40％；
下面的表3、表4同理。
实施例4有监督模型建立：SIMCA判别模型
根据脂肪酸比值和生育酚组成，结合SIMCA判别模型对掺伪油种类进行建模分析。
由图3和表3可知，当掺假比例≥5％时，通过SIMCA判别模型，可较好区分CAO+COO、CAO+RAO、CAO+RBO、CAO+SEO和CAO+SOO，其训练集的判别准确率在90％以上，纯茶油的训练集判别准确率为91.67％，总的判别准确率≥-92.06％。
当掺假比例≥20％时，通过SIMCA判别模型，总的判别准确率在92.45％以上，可较好的区分茶油(CAO)、掺有玉米油样的茶油(CAO+COO)、掺有大豆油样的茶油(CAO+SOO)、掺有米糠油样的茶油(CAO+RBO)、掺有芝麻油样的茶油(CAO+SEO)、以及掺有菜籽油样的茶油(CAO+RAO)。而掺假比例≥30％时，验证集的样本数进一步减少，掺有玉米油样的茶油(CAO+COO)和掺有菜籽油样的茶油(CAO+RAO)验证集准确率较低，从而导致总的验证集识别率最低(89.58％)。
由上所述，说明通过SIMCA判别模型可较好的鉴别掺伪茶油，对鉴别掺假比例≥5％的不同掺伪浓度的掺假茶油均适用。
表3 SIMCA判别模型的判别准确率
此外，对比实施例3、4所得的两种判别模型的准确率，结果如表4所示。
首先，当掺假比例≥20％时，PLS-DA判别模型的判别准确率在94.34％以上，相同掺假比例下，PLS-DA判别模型的判别准确率明显高于SIMCA判别模型的判别准确率(92.45％)。同时，当掺假比例≥30％和掺假比例≥40％时，均能发现与上述掺假比例≥20％时相同的结果，即PLS-DA判别模型的识别率高于SIMCA判别模型的识别率。
因此，可以看出，当掺假比例≥20％时，相较于SIMCA判别模型，PLS-DA判别模型具有更高的判别准确率(高达97.67％)，故PLS-DA判别模型更适合用于鉴别高浓度掺伪茶油(掺假比例≥20％)。
其次，当掺假比例≥10％时，SIMCA判别模型的判别准确率在93.10％以上，相同掺假比例下，SIMCA判别模型的判别准确率明显高于PLS-DA判别模型的判别准确率(91.38％)。同时，当掺假比例≥5％时，均能发现与上述掺假比例≥10％时相同的结果，即SIMCA判别模型的识别率高于PLS-DA判别模型的识别率。
因此，可以看出，当掺假比例≥5％时，相较于PLS-DA判别模型，SIMCA判别模型具有更高的判别准确率(高达96.88％)，故SIMCA判别模型更适合用于鉴别低浓度掺伪茶油(掺假比例≥5％)。
综合以上分析，可以看出，PLS-DA判别模型更适合用于鉴别高浓度掺伪茶油(掺假比例≥20％)，SIMCA判别模型更适合用于鉴别低浓度掺伪茶油(掺假比例≥5％)。即当掺伪茶油的掺假比例较高时(掺假比例≥20％)，优选以PLS-DA判别模型的判定结果为主要参考，当掺伪茶油的掺假比例较低时(掺假比例≥5％)，优选以SIMCA判别模型的判定结果为主要参考。
表4 PLS-DA判别模型与SIMCA判别模型的判别准确率比较
综上所述，本发明提供了一种预测茶油中掺假油种类的方法，向茶油中掺入不同比例的玉米油、菜籽油、米糠油、芝麻油、和大豆油，进行气相色谱(GC)和高效液相色谱(HPLC)检测，获得相应的脂肪酸和生育酚图谱。通过脂肪酸比值、生育酚组成，结合HCA分析，可将茶油、玉米油、菜籽油、米糠油、芝麻油、和大豆油较好的区分开。再通过PLS-DA判别模型和/或SIMCA判别模型对掺伪茶油进行判别，总的判别准确率均达到85.71以上，绝大部分判别准确率均高于90％，最高判别准确率高达97.73％。该方法操作简单，技术可靠，可快速检测茶油中掺假油种类。
其中，当掺假量在20％以上时(100％＞掺假比例≥20％)，通过PLS-DA判别模型，可更好的区分茶油和掺假茶油，其判别准确率在94.34％以上，最高判别准确率高达97.67％。
当掺假量在掺假比例≥5％时，结合SIMCA判别模型，可更好的区分掺假茶油，判别准确率在92.06％以上，最高判别准确率高达96.88％。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
