食用油的成分與品管
餿水油在台灣所造成的波瀾，不斷地擴大中。翻開台灣的「毒油史」，自從1979年第一次發生米糠油多氯聯苯中毒事件以來，總是每隔一段時間，這種戲碼就得重複上演。無論法規及品質認證制度如何翻新，只要有市場、有需求、有價格競爭、有貪心又黑心的商人，從古至今，我們看到殺頭的生意總是有人做！
然而，在這個事件當中，我們也發現多數的食品商、餐廳、攤販受限於自身對於原料品質的檢驗能力，即使用了較貴的油品，仍舊冤枉蒙受其害。隨著消費者意識的抬頭，對食品安全的要求也相對提高，從這次的事件中，那些中大型食品廠，動輒上千萬的損失。這個損失的金額，已經足以仿效「義美食品」，建立自家的品質檢驗制度及設備。如果，原料成本是永遠不可能排除的商業考量，消費者難以承受因為國家高規格品檢制度而高漲的食品價格。那麼，建立起扎實的品管制度，更頻繁、更詳細地對來料進行進貨檢驗，對於一間具有規模食品廠來說，將是唯一的選項！
或許您的觀念，還停留在一群博士研究員，穿著實驗衣，穿梭在像醫院的專業實驗室。其實，隨著需求、與科技的進步，目前的檢測儀器，已經朝向專業、專用的方向演進。不難想像，儀器市場上將出現，像電子廠用來檢驗來料品質的專用儀器，使用在食品產業中。以食用油的品質檢驗來說，不外乎脂肪構成成分、製程殘留物質，化學添加物、以及毒物、重金屬幾項（請參閱勢動科技市場部所撰「餿水油與科學檢測技術」一文），只要技術上能夠檢出這些物質，把儀器設備導入食品的製程中，又有何不可？
以現有的光譜儀設備及技術，已經能夠很精確地辨識出大多數的化學元素成分。只要我們能夠了解那些影響食用油品質及安全的部份，就能夠以光譜儀實現食品工廠的品管要求。從食用油的基本組成成分，「三酸甘油脂」來看，分解開來便是甘油及脂肪酸，不同的油脂，具有不同的脂肪酸組成。以餿水油的成份（地溝油的成份）來說，由於被重複使用過，不飽和脂肪酸的比例會比新油多，脂肪酸的碳(C)、氫(H)、氧(O)元素組成，會跟新油不一樣。另外，被重複使用過的食用油，必定經過調味料烹煮，難免殘留味精、食鹽、調味鹽等等的佐料，因此像氮(N)、鈉(Na)、鈣(Ca)等元素，也是分析食用油品質的重點。
對於食品工廠來說，研究元素的成份多寡，並不是品管要求的重點。當物料品質標準已經制定並確定檢驗標準，接下來就能夠以此一標準作為長期監控的要素。比方說，某個香酥油的供應商突然調漲售價，基於成本考量，食品廠需要替換另外一家價格有競爭力的供應商。為了確定新的供應商提供同樣品質的油品，只要將原來的檢驗標準，套在這個新供應傷的油品上，便能夠維持原來的品質水準，達到品管要求。
以儀器（光譜儀）來實現這樣的需求，我們可以從標準樣品 (Golden Sample) 各項關鍵光譜線的數值，建立測試項目及測試標準值。以後便可以用這些標準來比對待測油品。以上面的例子來說，當手上握有香酥油標準樣品的相關檢驗數據，以光譜儀檢測並比對新供應商的油品，便可以了解品質跟原本供應商的差異。目前光學零組件，拜手機、相機產業的蓬勃發展所賜，一日千里。無論光學鏡片、光學感測器、LED光源等等，不但品質功能大幅提昇了，價格也越來越便宜。光譜儀的技術，也在近年來不斷改進之下，精確度大幅提昇。將光譜儀變成製程的一部分，已經指日可待。（像電子製造業在生產線上配備X光檢驗機器、光學辨識 (AOI) 設備）。
除了前面提到的元素以外，還可以加入其他能够提高辨識率的元素或分子等等的參數，作為品質比對的依據，這些參數，我們稱為特徵值。而將這些參數量化的過程叫做特徵值擷取。不過，經過特徵值擷取後的數據，都只是原始資料據 (Raw Data)，還需要經過一些數學的計算過程，提高這些數字相互間的關連性，才能讓比對的結果更精確。比方說，將數值經過傅立葉轉換到頻域再做分析，便是常見的作法。
目前，在分析比對上的技術，也在不斷地精進。除了傳統的統計方法外，近年來，隨著機器人的蓬勃發展，人工智慧演算法的研究也在進步中。以往受限於計算機速度限制的演算法，也在電腦處理器速度倍速成長下，有長足的進展。在這些辨識待測物與標準樣品差異的應用中，就常見到人工智慧演算法的影子，像類神經網路 (Artificial Neural Network)演算法、基因演算法 (Genetic Algorithm) 等等。我們也看到越來越多科學家在食品安全領域，在提高檢驗辨識率的突破。最近，一些研究論文更指出，對餿水油檢測的技術，透過這些先進的演算法，辨識率已經能夠超過9成5。
勢動科技也將持續跟在儀器科技的浪頭上，為您引進最先進的技術，最經濟的成本，在性能與價格上達到最佳化，並幫助您避免離因為品質問題造成的鉅額損失！
In ACTTR, we act on transition and radiation!