تشخیص و سنجش تقلب در روغن پسته با طیف نورسنجی جذبی ترکیب شده با تبدیل موجک پیوسته: آشکارسازی با نقاط عبور صفر

محورهای موضوعی : شیمی تجزیه

روح الله دستاران ¹ , علی شیبانی ² , مسعود رضا شیشه بر ³

1 - دانشجو دکتری شیمی تجزیه، گروه شیمی، دانشگاه آزاد اسلامی یزد، یزد، ایران
2 - دانشیار گروه شیمی، گروه شیمی، دانشگاه آزاد اسلامی یزد، یزد، ایران
3 - دانشیار گروه شیمی، گروه شیمی، دانشگاه آزاد اسلامی یزد، یزد، ایران

تاریخ دریافت : 1399/11/28 تاریخ پذیرش : 1400/02/25 تاریخ انتشار : 1400/12/01

کلید واژه: تقلب در روغن پسته, تبدیل موجک پیوسته, نقطه عبور صفر,

چکیده مقاله :

در این پژوهش، آشکارسازی تقلب در روغن پسته با روغن های ارزان قیمت شامل آفتاب گردان، سویا، ذرت، کرچک و فندق با روش طیف نورسنجی-تبدیل موجک پیوسته بررسی و تعیین شد. در ابتدا، انواع متفاوت از تبدیل موجک پیوسته برای پردازش طیف های جذبی موردمطالعه و بررسی قرار گرفتند که روش های morl٬fk18 و sym7 به عنوان مناسب ترین روش ها انتخاب شدند. منحنی های واسنجی مربوط به روغن های ارزان قیمت با اندازه گیری شدت نشانک های تبدیل موجک در نقاط عبور صفر رسم شدند. این منحنی ها در گستره 10 تا 50 % روغن ارزان در روغن پسته با ضرایب همبستگی بالاتر از 0/99 خطی هستند. نتیجه های بازیابی و انحراف معیار نسبی برای بیان صحت و دقت اندازه گیری ها به ترتیب در گستره های 98/4 تا 102/3% و 0/9 تا 3/8 % واقع شدند. درصد اختلاط 5 % به عنوان حد تعیین تقلب در روغن پسته با روغن های مطالعه شده گزارش شد. سادگی، سرعت، ارزانی و همچنین، عدم نیاز به مرحله جداسازی از دیگر مزایای روش پیشنهادی است.

چکیده انگلیسی:

In this paper, the detection of pistachio oil adulteration with cheaper oils including sunflower, soybean, corn, castor and hazelnut has been investigated and determined. Firstly, different continuous wavelet transforms have been studied and tested that morl, fk18 and sym7 techniques were found to be suitable for the processing of absorption spectra. The calibration curves of cheaper oils were plotted by determining the intensity of wavelet signals in zero crossing points. These curves were linear in 10-50% (wcheaper oil/wpistachio oil) levels with pistachio oil and also the correlation coefficients were higher than 0.994. Recovery and relative standard deviation results, as accuracy and precision parameters; were in the range of 98.4 to 102.3% and 0.9 to 3.8%, respectively. The quantification limit of pistachio oil adulteration was 5.0% (w/w) for the studied cheaper oils. Other advantages of the proposed method were simple, fast, low cost and also without the need to separation step.

منابع و مأخذ:

[1] AL-Saghir, M.; Porter, D.M.; Am. J. Plant Sci. 3, 12-32, 2012.

[2] Arena, E.; Campisi, S.; Fallico, B.; Maccarone, E.; Food Chem. 104, 403-408, 2007. 

[3] Satil, F.; Azcon, N.; Baser, K.H.C.; Chem. Nat. Compd. 39, 322-324, 2003. 

[4] Taghizadeh, S.F.; Rezaee, R.; Davarynejad, G.; Karimi, G.; Nemati, S.H.; Asili, J.; J. Food Meas. Charact. 12, 2138-2144, 2018.

[5] Garcia, J.M.; Agar, I.T.; Streif, J.; Gartenbauwissenschalft 57, 130-133, 1992.

[6] Crawford, A.G.; “The Role of Fats in Human Nutrition”, Ellis Horwood, England, 1985.

[7] Kamangar, T.; Farrohi, F.; Mehran, M.; J. Amer. Oil. Chem. Soc. 52, 512-513, 1975.

[8] Sheibani, A.; Ghotbaddini, N.; Sadeghi, F.; Orient. J. Chem. 30, 1205-1209, 2014.

[9] Aykas, D.P.; Menevseoglu, A.; Food Control 121, 107670, 2021.

[10] Menevseoglu, A.; Aykas, D.P.; Adal, E.; J. Food Meas. Charact. 15, 1075-1082, 2021.

[11] Sezer, B.; Apaydin, H.; Bilge, G.; Boyaci, I.H.; J. Sci. Food Agric. 99, 2236-2242, 2019.

[12] González-Domínguez, R.; Sayago, A.; María Teresa Morales, M.T.; Fernández-Recamales, A.; Foods 8, 287, 2019.

[13] Vanstone, N.; Moore, A.; Martos, P.; Neethirajan, S.; Food Qual. Safe. 2, 189-198, 2018.

[14] Vasconcelos, M.; Coelho, L.; Barros, A.; de Almeida, J.M.; Cogent Food Agric. 1, 1-13, 2015.

[15] Frankel, E.N.; Mailer, R.J.; Wang, S.C.; Shoemaker, C.F.; Guinard, J.X.; Flynn, J.D.; Sturzenberger, N.D.; “Evaluation of Extra-Virgin Olive Oil Sold in California”, UC Davis Olive Center, Davis, 2011.

[16] Christy, A.A.; Kasemsumran, S.; Du, Y.; Ozaki, Y.; Anal. Sci. 20, 935-940, 2004.

[17] Jabeur, H.; Zribi, A.; Makni, J.; Rebai, A.; Abdelhedi, R.; Bouaziz, M.; J. Agri.; Food Chem. 62, 4893-4904, 2014.

[18] Pirsa, S.; Banafshechin, E.; Amiri, S.; Rahimirad, A.; Ghafarzadeh, J.; J. Iran. Chem. Soc. 18, 1167-1177, 2021.

[19] Alizadeh, M.; Pirsa, S.; Faraji, N.; Food Anal. Methods 10(6), 2092-2101, 2017.

[20] Ghasemi, F.; Pirsa, S.; Alizadeh, M.; Mohtarami, F.; Sep. Sci. Tech. 53(1), 117-125, 2018.

[21] Thavarajah, P.; Low, N.H.; J. Agric.; Food Chem. 54(13), 4861-4867, 2006.

[22] He, Y.; Bai, X.; Xiao, Q.; Liu, F.; Zhou, L.; Zhang, C.; Crit. Rev. Food Sci. Nutr. Published Online: 16 Jun 2020.

[23] Daubechies, I.; “Ten lectures on wavelets”, Society for Industrial and Applied Mathematics, Philadelphia; 1992.

[24] Alsberg, B.K.; Woodward, A.M.; Kell, D.B.; Chemom. Intell. Lab. Syst. 37, 215-239, 1997.

[25] Ma, X.G.; Zhang, Z.X.; Anal.; Chim. Acta. 485, 233-239, 2003.

[26] Walczak, B.; “Wavelets in Chemistry”, Data Handling in Science and Technology, United Kingdom, 2002.

[27] Ehrentreich, F.; Anal. Bioanal. Chem. 372, 115-121, 2002.

[28] Shao, X.G.; Leung, A.K.M.; Chau, F.T.; Acc.; Chem. Res. 36, 276-283, 2003.