CN101275912A - 一种液体食品褐变检测方法 - Google Patents
一种液体食品褐变检测方法 Download PDFInfo
- Publication number
- CN101275912A CN101275912A CNA2008101060625A CN200810106062A CN101275912A CN 101275912 A CN101275912 A CN 101275912A CN A2008101060625 A CNA2008101060625 A CN A2008101060625A CN 200810106062 A CN200810106062 A CN 200810106062A CN 101275912 A CN101275912 A CN 101275912A
- Authority
- CN
- China
- Prior art keywords
- browning
- food
- liquid
- fluorescence
- spectrum
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Abstract
本发明涉及一种液体食品褐变检测方法,该液体食品本身就具有荧光性或在褐变时具有荧光性,该方法包括步骤:获取若干个不同程度褐变的液体食品样本;采集液体食品样本的荧光光谱,并测定表征液态食品褐变程度的参考值;根据上述参考值建立荧光光谱与褐变程度之间的对应关系;采集待测液态食品的荧光光谱,根据所述荧光光谱与褐变程度之间的对应关系确定其褐变程度。本发明的液体食品褐变检测方法对本身就具有荧光性的液体食品或在褐变过程中产生荧光物质的液体食品进行褐变检测,无需样品前处理、快速无损,且具有很高的灵敏度,适用范围广,为液态食品褐变的在线实时检测提供了技术基础。
Description
技术领域
本发明涉及食品分析技术领域,具体涉及一种液体食品褐变检测方法。
背景技术
在果汁加工及贮藏过程中,褐变是影响其产品质量的关键因素。褐变不仅影响果汁的色泽、风味,也造成果汁营养价值的严重损失,甚至会产生一些有害物质,对果汁食品的安全性造成威胁。果汁的褐变主要分酶促褐变和非酶褐变。酶促褐变通常是由果蔬中多酚氧化酶和过氧化物酶催化多酚类底物所引起的氧化反应,果汁的酶促褐变从水果破碎、榨汁即已开始。非酶褐变是指不需要经过酶的催化而产生的一类褐变,如:迈拉德反应、抗坏血酸氧化、脱镁叶绿素褐变等等,热处理是导致非酶褐变的重要原因。其中,非酶褐变是果汁在制造及贮藏中发生的主要褐变反应。因此,褐变控制是果汁加工中的关键技术,如何检测褐变的发生及褐变的程度,对于果汁加工工艺的优化设计、果汁生产的在线控制及果汁产品的质量跟踪检测,都具有重要的意义。
褐变的检测主要有三种方法,一是根据果汁在可见光区的吸收特性,先用乙醇对果汁进行色素提取,对乙醇果汁混合物离心,在420nm波长下测定澄清液的吸光度,以此作为褐变程度的衡量指标。二是利用果汁对可见光的反射特性,使用比色计测定果汁的反射光谱,再计算出色值,结果以CIE L*a*b或Hunter L a b三色空间值表示,CIE L*a*b及Hunter L a b是为了解决颜色空间的感知一致性问题,对CIE 1931XYZ系统进行非线性变换,制定的颜色空间的规范。第三种方法采用化学分析、色谱分析测定褐变过程中产生的中间物及最终产物的含量,如羟甲基糠醛HMF,来衡量褐变的程度。第一种方法需要进行样品的预处理,难以进行快速、在线的分析,其单波长的吸光度信息难以反映褐变中多种物质的变化;第二种方法易受测量物理条件的影响,且其结果难以反映果汁的真实颜色;第三种方法比较准确,但分析过程复杂,费时费力,难以用于在线分析。
目前,如何快速准确地检测果汁的褐变,成为果汁加工企业及研究人员共同关心的课题,但还没有一种更好的解决方案。
发明内容
本发明的目的是提供一种液体食品褐变检测方法,利用该方法对本身就具有荧光性的液体食品或在褐变过程中能产生荧光物质的液体食品进行褐变检测,无需样品前处理、快速无损,且具有很高的灵敏度,适用范围广,为液态食品褐变的在线实时检测提供了技术基础。
为实现上述目的,本发明采用如下技术方案:
提供一种液态食品褐变检测方法,所述液体食品本身就具有荧光性或在褐变时具有荧光性,该方法包括以下步骤:获取若干个不同程度褐变的液体食品样本;用荧光光谱仪采集所述液体食品样本的荧光光谱,并测定表征液态食品褐变程度的参考值;根据所述表征液态食品褐变程度的参考值,建立荧光光谱与褐变程度之间的对应关系;用荧光光谱仪采集待测液态食品的荧光光谱,根据所述荧光光谱与褐变程度之间的对应关系确定所述待测液态食品的褐变程度。
其中,所述液态食品为果汁或牛奶。
其中,所述荧光光谱为激发光谱或发射光谱。
其中,该方法在采集所述液体食品样本的荧光光谱之后,还包括对所采集的液体食品样本的荧光光谱进行预处理的步骤,所述预处理包括:用于去除荧光光谱基线漂移及由于样品颗粒散射造成的影响的光谱校正、用于去除噪声影响的去噪声处理、用于去除荧光光谱无关波长点的特征波长数据点选择。
其中,所述光谱校正的方法为下述之任一种:对所述荧光光谱的中心化处理、标准变量变换、附加散射校正、正交信号校正;所述去噪声的方法为S-G平滑去噪或小波去噪;所述的特征波长数据点选择的方法为遗传算法;所述的预处理还包括用于消除荧光光谱平移及线性漂移的求导变换。
其中,所述荧光光谱与褐变程度之间的对应关系包括:对液态食品褐变作定性判别的分类对应关系,及对液态食品褐变程度作定量预测的多元校正对应关系。
其中,用化学计量学方法建立对液态食品褐变作定性判别的分类对应关系,所述化学计量学方法为下述之任一种:软独立建模分类法判别SIMCA、偏最小二乘法DPLS、平行因子分析法PARAFAC、人工神经网络、支持向量机;
其中,用化学计量学方法建立对液态食品褐变程度作定量预测的多元校正对应关系,所述化学计量学方法为下述之任一种:多元线性回归、偏最小二乘、人工神经网络、支持向量机,N维偏最小二乘法N-PLS。
其中,该方法在建立荧光光谱与褐变程度之间的对应关系之后,还包括:采集相同液态食品样本的荧光光谱,将所采集的荧光光谱与所建立的荧光光谱与褐变程度之间的对应关系作对比,对其褐变进行定性分类、定量预测,并根据误差要求,对所述对应关系反复优化,直至达到误差要求。
其中,所述褐变包括酶促褐变和非酶褐变,利用比色计或液相色谱法,或紫外分光光度法测定表征液态食品褐变程度的参考值。
其中,所述的荧光光谱仪为正面荧光光谱仪,所述正面荧光光谱仪的激发光谱波长范围为200-900nm。
其中,对于苹果汁的褐变分析,所述荧光光谱若为发射光谱,则所述发射光谱所对应的激发波长为250nm、266nm、355nm、400nm和408nm。
利用本发明的液态食品褐变检测方法具有以下优点:
1.无需样品前处理,采用正面荧光光谱仪,可直接测定其反射荧光光谱,无需装样、离心、澄清等预处理过程;
2.快速无损,荧光光谱的采集时间非常短,模型计算的时间基本可以忽略;
3.灵敏度高,相比于可见光区的基于透射和漫反射的褐变检测方法,荧光分析法灵敏度非常高;
4.适用范围广,褐变过程中或多或少会产生一些荧光物质或伴随荧光物质含量的变化,本发明适用对象为本身就具有荧光性的液体食品或在褐变过程中能产生荧光物质的液体食品,其范围很广;
5.为液态食品褐变的在线实时检测提供了技术基础。
附图说明
图1为本发明液态食品的褐变检测方法流程图;
图2为本发明实施例1中鲜苹果汁的平均三维EEM荧光光谱图;
图3为本发明实施例2中五种不同热处理下的苹果汁的平均发射光谱图。
具体实施方式
本发明提出的液体食品褐变的检测方法是基于荧光光谱的,结合附图和实施例说明如下。
本发明检测方法的实施主要包括模型建立和模型的使用及维护,涉及到的硬件设置包括荧光光谱仪,另外需要有样品池,软件设施包括化学计量学软件、计算机等部分。利用本发明的方法可以建立定性分析模型和定量分析模型,对于定性分析模型,用于简单判断果汁是否褐变;对于定量分析模型,不但用于判断果汁是否褐变,还用于判断其褐变的程度,如用褐变量为0表示无褐变,20表示轻微褐变,50表示严重褐变,数值越大褐变程度越大。根据所建模型的类别,采集有代表性的样品,如要建立定性分析模型,需采集无褐变及有褐变的样品,若要建立定量分析模型,需采集具有常见的不同程度褐变的样品。若用于在线检测则需设计专门的数据实时采集传输系统和光谱采集系统如光纤,因为有些场合在生产线上安装带有样品池的光谱仪不太方便,使用光纤可将光谱仪安装在生产线附近,而把光纤直接置于生产线上,延长了光谱采集的距离。
如图1所示为本发明液态食品的褐变检测方法流程图,该方法主要包括步骤:获取若干个不同程度褐变的液体食品样本;用荧光光谱仪采集所述液体食品样本的荧光光谱,并测定表征液态食品褐变程度的参考值;采用化学计量学方法根据所述表征液态食品褐变的参考值,建立荧光光谱与褐变程度之间的对应关系;用荧光光谱仪采集待测液态食品的荧光光谱,根据所述荧光光谱与褐变程度之间的对应关系确定其褐变程度。
下面用两个实例说明本发明的具体实施方式。
实施例1
本实施例为基于三维荧光矩阵的苹果汁酶促褐变的定性及定量检测方法。
该方法主要包括以下步骤:
样品制备:采集德国波茨坦当地果园的皮诺瓦Pinova苹果,并榨汁,经离心、过滤,制得澄清的苹果汁样品30个,将每个样品分成两部分,一部分样品用于立即进行荧光光谱采集并进行褐变参考值测量;然后在20℃恒温箱中贮存4天,使其发生酶促褐变,然后再进行荧光光谱采集进行褐变参考值测量;另一部分在80℃水浴中加热10分钟迅速冷却后再在20℃恒温箱中贮存4天,使其发生轻微非酶褐变,然后再进行荧光光谱采集进行褐变参考值测量,该步骤中将测量时间岔开并采取轻度加热是为了得到三种不同程度褐变的果汁样品;
荧光光谱采集:任何荧光物质都具有荧光光谱,荧光光谱包括激发光谱和发射光谱,激发光谱是通过测量荧光体的发光能量随激发波长变化而获得的光谱。它是荧光强度对激发波长的关系曲线,它可以反映不同波长的激发光引起荧光的相对效率;荧光发射光谱是当荧光物质在固定的激发光源照射后所产生的分子荧光,它是荧光强度对发射波长的关系曲线。它表示在所发射的荧光中各种波长组分的相对强度。由于各种不同的荧光物质有它们各自的激发光谱和发射光谱,所以,可用它来鉴别各种荧光物质。褐变过程中或多或少会产生一些荧光物质或伴随荧光物质含量的变化,因此通过测定其激发光谱或发射光谱,便可检测褐变。本实施例采用荧光光谱仪测定苹果汁的发射光谱,采用的荧光光谱仪为正面荧光光谱仪,具体是美国PerkinElmer公司生产的型号为LS55的正面荧光光谱仪,为了得到发射光谱,需要荧光光谱仪的激光射到果汁样品上,再反射回来,从另一个角度被检测器检测得到光谱强度值,本实施例中激光的激发波长分别为250nm、266nm、355nm和408nm,采用不同的激发波长以反映褐变中不同荧光物质所产生的光谱信息,对应得到发射光谱的波长范围分别为280~899nm,296~899nm,385~899nm和438~899nm。每条发射光谱的分辨率为0.5nm,每条发射光谱所含的数据点的个数是由荧光光谱仪的光谱分辨率及采样波长间隔所确定,其中鲜果汁的平均三维光谱见图2,图中包括对应的每个数据点包括三组数据:激发波成范围、发射波长范围、荧光强度,由现有的荧光光谱仪直接得到。
参考值的测定:使用比色计测定苹果汁的色值,将果汁装入10mm光程的石英比色皿中,再将比色皿贴紧比色计,在暗处测定,测定结果以CIE L*a*b表示,本实施例中采用的比色计为日本Konica MinoltaSensing公司生产的型号为CM-2600d的比色计,利用比色计通过采集可见光区的反射光谱自动计算出苹果汁的色值并在液晶屏上显示,以CIE L*a*b表示果汁的褐变程度,上述过程为现有通用技术,这里不再详述。苹果汁的褐变程度可由色值的真实值表示;也可由其变化量表示,即用褐变后果汁的L*、a*、b*值减去新鲜果汁的L*、a*、b*,得到ΔL*、Δa*、Δb*;也可用颜色变化值ΔE表示,其中ΔE=((ΔL*)2+(Δa*)2+(Δb*)2)0.5,每一条光谱对应的CIE L*a*b值是一组,该步骤利用现有技术测得了表征果汁褐变程度的参考值,得到了果汁的褐变程度,为后面的建模中建立荧光光谱与褐变程度之间的对应关系提供了数据参考;
光谱预处理:实际中原始采集到的荧光光谱由于噪声等因素干扰,与真实荧光光谱相差很多,因此需要预处理,对于定性分类模型,本实施例采用标准变量变换SNV(standard normal variate)对荧光光谱进行预处理,以去除果汁中颗粒散射的影响。对于定量预测模型,本实施例中采用的光谱预处理方法为中心化处理,中心化处理能改变光谱数据的坐标原点,有助于后续的多元校正建模。在光谱分析中采用预处理目前用的很广泛,但对于光谱具体用哪种预处理方法最佳,需通过实验确定,本实施例中上述方法预处理后得到的荧光光谱具有很好的处理效果;
模型的建立:
对于定性分类模型,对于30个新鲜苹果汁样品和60个褐变苹果汁样品,按1∶1的比例划分为校正集和预测集,校正集用于建立荧光光谱与褐变的对应模型关系,预测集用于验证该模型是否满足要求。根据前面测得的样品的荧光光谱,及在参考值确定中得到与每个样品对应的褐变程度,本实施例中采用软独立建模分类法SIMCA(Soft independent modeling of class analogy)建立展开光谱的分类模型,建立荧光光谱与褐变程度之间的对应关系,实现对新鲜果汁、贮藏后的果汁、加热后再贮藏的果汁的分类,这三类果汁分别代表无褐变、酶促褐变、轻微非酶褐变,利用交互验证法确定每一类的最佳主成分数,采用交互验证法确定最佳主成分数是SIMCA分类建模中很普遍的现有方法,这里不再详细说明;
对于定量预测模型,对于90个苹果汁样本,分别建立CIE L*、a*、b*、ΔL*、Δa*、Δb*、ΔE的预测模型,采用浓度梯度法按2∶1的比例划分校正集、预测集,校正集用于建立荧光光谱与褐变程度的对应模型关系,预测集用于验证该模型是否满足要求。用浓度梯度法划分校正集、预测集是建立光谱模型时通用的方法,这里不再详述。用N-PLS(N-way partial least squares)最小二乘法建立校正集90×1240×4(90代表90个苹果汁样本,1240代表每条荧光光谱的数据点数,4代表得到4条荧光光谱)荧光三维矩阵与CIE L*a*b参考值之间的校正模型,建立荧光光谱与褐变程度之间的对应关系,实现对贮藏后的果汁、加热后再贮藏的果汁的褐变程度的预测,这三类果汁分别代表无褐变、酶促褐变、轻微非酶褐变。具体采用N-way toolbox在matlab下计算,N-way toolbox的使用可参考文献Andersson,C.A.,& Bro,R.(2000).The N-way Toolbox for MATLAB.Chemometrics and IntelligentLaboratory Systems,52,1-4.)。这里说的荧光三维矩阵包括图1中的三维数据,还包括贮藏后的果汁、加热后再贮藏的果汁的三维数据,校正集预测集就是对这些三维数据划分的)。
利用上述方法建立定性与定量模型后,均采用预测集样品来进行验证,验证过程均为:把采集的预测集样品的荧光光谱值代入已建立的模型,根据该模型中已建立的荧光光谱值与褐变程度的对应关系,计算出褐变预测值,然后根据预测值与真实值(即参考值测定步骤中测定的褐变程度),计算出相关系数,用相关系数来衡量模型是否满足要求,一般相关系数大于0.85说明模型效果较好。并根据误差要求(如分类正确率应大于80%,定量预测时褐变参考值的预测误差小于10%),对模型进行反复优化。如果模型达不到要求,需重新采集样品、重复步骤上面的步骤,直至所建立的模型满足要求。结果表明,所建立的定性分类或定量预测模型能准确识别新鲜的苹果汁和发生酶促褐变的苹果汁,对预测集样品的识别正确率为100%。所建立的定量模型能准确预测L*、b*、ΔL*、Δb*、ΔE的值。预测相关系数均大于0.9,这里所说的预测相关系数是光谱分析与化学计量学领域中一个很通用的模型效果衡量指标,表示预测出来的样品的值与它的真实值之间的相关度,相关度越大,表示预测越准确,从而实现对酶促褐变程度的预测。
褐变的在线检测:在建立好上述定性分类模型与定量预测模型后,在生产线上使用光纤将光谱仪安装在生产线附近,而把光纤直接置于生产线上,通过采集生产线上果汁的荧光光谱,将得到的荧光光谱值输入,代入已建立的模型,根据该模型中已建立的荧光光谱值与褐变程度的对应关系,该模型直接输出褐变预测值。
本实施例中光谱预处理必须在采集完光谱后,但参考值的测定与光谱的采集无先后顺序,一般是参考值和光谱采集完后,再用软件对光谱进行预处理并建立模型。
实施例2
本实施例为基于荧光光谱的苹果汁非酶褐变的定性分类与定量预测检测方法。
该方法主要包括以下步骤:
样品制备:采集德国波茨坦当地果园的皮诺瓦Pinova苹果,并榨汁,经离心、过滤,制得澄清的苹果汁样品8个。将每个样品分成三部分,第一部分样品立即进行荧光光谱采集并进行褐变参考值测量,记作“Fresh”,第二部分和第三部分在95℃水浴中分别加热30分钟、60分钟,用冰水浴冷却后立即进行荧光光谱采集并进行褐变参考值测量,分别记作“H30”和“H60”。然后将加热后的两种苹果汁在20℃恒温箱中贮存6天,然后再进行测量,结果记作“S30”和“S60”。至此,得到五种不同热处理的苹果汁,共计40个样本,它们具有不同程度的非酶褐变。
荧光光谱采集:采用荧光光谱仪测定苹果汁的发射光谱,激发波长为400nm,本实施例中采用的荧光光谱仪为正面荧光光谱仪,具体是美国PerkinElmer公司生产的型号为LS55的正面荧光光谱仪。对应的发射光谱的范围分别为430-600nm,五种不同热处理下的苹果汁的平均发射光谱见图3;
参考值的测定:对于上述每个苹果汁样品的非酶褐变指数(NEBI)的测定按国际通用方法,先用乙醇对果汁进行色素提取,对乙醇果汁混合物离心,在420nm波长下测定澄清液的吸光度,色值采用比色计测定,本实施例中所用的比色计为日本的KonicaMinolta Sensing公司生产的型号为CM-2600d的比色计,测定结果以CIE L*a*b表示,羟甲基糠醛HMF的含量采用紫外分光光度法测定,HMF是非酶褐变的中间产物,测量它可以知道褐变的程度,HMF的测定用的是现有技术-紫外分光光度法,这样,就可以得到每个果汁样品的褐变程度,及与褐变程度对应的参考值CIE L*a*b;
光谱预处理:
对于定性分类模型,采用标准变量变换SNV(standard normalvariate)对荧光光谱进行预处理,以去除果汁中颗粒散射的影响;对于定量分析模型,本实施例中采用的光谱预处理方法为中心化处理,中心化处理能改变光谱数据的坐标原点,有助于后续的多元校正建模。
分类模型的建立:对于五种不同程度非酶褐变的苹果汁样品,按1∶1的比例划分为校正集和预测集,校正集用于建立荧光光谱与褐变的对应模型关系,预测集用于验证该模型是否满足要求。采用化学计量学法中的软独立建模分类法SIMCA建立荧光光谱的分类模型,建立荧光光谱与褐变程度之间的对应关系,实现对新鲜果汁、加热30min的果汁、加热60min的果汁、加热30min及60min完后再贮藏的果汁的分类,这五种果汁分别代表不同程度的褐变,利用交互验证法确定每一类的最佳主成分数;
定量预测模型的建立:对于40个苹果汁样本,分别建立L*、a*、b*、ΔL*、Δa*、Δb*、ΔE的预测模型,采用浓度梯度法按2∶1的比例划分校正集、预测集,用偏最小二乘法PLS建立荧光发射光谱与参考值之间的校正模型,实现对上述五类果汁样品的分类。
模型验证:对于定性分类与定量预测模型,均采用预测集样品来进行验证。并根据误差要求(如分类正确率应大于80%,定量预测时褐变参考值的预测误差小于10%),对模型进行反复优化。如果模型达不到要求,需重新采集样品、重复上面的步骤,直至所建立的模型满足要求。结果表明,所建立的褐变鉴别模型能准确识别不同程度非酶褐变的苹果汁(Fresh,H30,H60,S30,S60),对预测集样品的识别正确率均大于85%。所建立的定量预测模型能准确预测非酶褐变指数NEBI、L*、b*、ΔL*、Δb*、ΔE*的值(预测集相关系数均大于0.8),从而实现对非酶褐变程度的预测。
本发明液态食品褐变检测方法中,对荧光光谱的预处理可以包括:用于去除荧光光谱基线漂移及由于样品颗粒散射造成影响的光谱校正、用于去除噪声影响的去噪声处理、用于去除荧光光谱无关波长点的特征波长数据点选择。其中光谱校正的方法可为对所述荧光光谱的中心化处理、标准变量变换、附加散射校正或正交信号校正;去噪声的方法可为:S-G平滑去噪或小波去噪;特征波长数据点选择的方法为遗传算法波长优化;所述的预处理还包括用于消除荧光光谱平移及线性漂移的求导变换。
本发明液态食品褐变检测方法中,采用化学计量学方法建立对果汁褐变作定性判别的分类模型时,除采用软独立建模分类法SIMCA外,还可采用判别偏最小二乘法DPLS、人工神经网络、支持向量机,或采用平行因子分析PARAFAC分析及聚类的方法;采用化学计量学方法建立对于果汁褐变程度作定量预测的多元校正模型时,还可采用多元线性回归、偏最小二乘PLS、人工神经网络、支持向量机,或采用N维偏最小二乘N-PLS直接建立荧光光谱与褐变参考值之间的关系。在建模时既可将发射光谱或激发光谱展开,即unfolded spectra;也可直接建立三维荧光光谱excitation-emission matrix(EEM)与褐变之间的定性、定量模型。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (11)
1、一种液态食品褐变检测方法,所述液体食品本身就具有荧光性或在褐变时具有荧光性,其特征在于,该方法包括以下步骤:
获取若干个不同程度褐变的液体食品样本;
用荧光光谱仪采集所述液体食品样本的荧光光谱,并测定表征液态食品褐变程度的参考值;
根据所述表征液态食品褐变程度的参考值,建立荧光光谱与褐变程度之间的对应关系;
用荧光光谱仪采集待测液态食品的荧光光谱,根据所述荧光光谱与褐变程度之间的对应关系确定所述待测液态食品的褐变程度。
2、如权利要求1所述的液态食品褐变检测方法,其特征在于,所述液态食品为果汁或牛奶。
3、如权利要求1所述的液态食品褐变检测方法,其特征在于,所述荧光光谱为激发光谱或发射光谱。
4、如权利要求1或2所述的液态食品褐变检测方法,其特征在于,该方法在采集所述液体食品样本的荧光光谱之后,还包括对所采集的液体食品样本的荧光光谱进行预处理的步骤,所述预处理包括:用于去除荧光光谱基线漂移及由于样品颗粒散射造成的影响的光谱校正、用于去除噪声影响的去噪声处理、用于去除荧光光谱无关波长点的特征波长数据点选择。
5、如权利要求4所述的液态食品褐变检测方法,其特征在于,
所述光谱校正的方法为下述之任一种:对所述荧光光谱的中心化处理、标准变量变换、附加散射校正、正交信号校正;
所述去噪声的方法为S-G平滑去噪或小波去噪;
所述的特征波长数据点选择的方法为遗传算法;
所述的预处理还包括用于消除荧光光谱平移及线性漂移的求导变换。
6、如权利要求1或2所述的液态食品褐变检测方法,其特征在于,所述荧光光谱与褐变程度之间的对应关系包括:对液态食品褐变作定性判别的分类对应关系,及对液态食品褐变程度作定量预测的多元校正对应关系。
7、如权利要求6所述的液态食品褐变检测方法,其特征在于,
用化学计量学方法建立对液态食品褐变作定性判别的分类对应关系,所述化学计量学方法为下述之任一种:软独立建模分类法判别SIMCA、偏最小二乘法DPLS、平行因子分析法PARAFAC、人工神经网络、支持向量机;
用化学计量学方法建立对液态食品褐变程度作定量预测的多元校正对应关系,所述化学计量学方法为下述之任一种:多元线性回归、偏最小二乘、人工神经网络、支持向量机,N维偏最小二乘法N-PLS。
8、如权利要求1或2所述的液态食品褐变检测方法,其特征在于,该方法在建立荧光光谱与褐变程度之间的对应关系之后,还包括:
采集相同液态食品样本的荧光光谱,将所采集的荧光光谱与所建立的荧光光谱与褐变程度之间的对应关系作对比,对其褐变进行定性分类、定量预测,并根据误差要求,对所述对应关系反复优化,直至达到误差要求。
9、如权利要求1或2所述的液态食品褐变检测方法,其特征在于,所述褐变包括酶促褐变和非酶褐变,利用比色计或液相色谱法,或紫外分光光度法测定表征液态食品褐变程度的参考值。
10、如权利要求1或2所述的液态食品褐变检测方法,其特征在于,所述的荧光光谱仪为正面荧光光谱仪,所述正面荧光光谱仪的激发光谱波长范围为200-900nm。
11、如权利要求2所述的液态食品褐变检测方法,其特征在于,对于苹果汁的褐变分析,所述荧光光谱若为发射光谱,则所述发射光谱所对应的激发波长为250nm、266nm、355nm、400nm和408nm。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008101060625A CN101275912B (zh) | 2008-05-08 | 2008-05-08 | 一种液体食品褐变检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008101060625A CN101275912B (zh) | 2008-05-08 | 2008-05-08 | 一种液体食品褐变检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101275912A true CN101275912A (zh) | 2008-10-01 |
CN101275912B CN101275912B (zh) | 2010-08-25 |
Family
ID=39995558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008101060625A Expired - Fee Related CN101275912B (zh) | 2008-05-08 | 2008-05-08 | 一种液体食品褐变检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101275912B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101995403A (zh) * | 2010-08-18 | 2011-03-30 | 南京农业大学 | 梨果实加工能力评价的生理标记方法 |
CN102799895A (zh) * | 2012-06-26 | 2012-11-28 | 福建鸿博印刷股份有限公司 | 基于最小二乘支持向量机的胶印油墨配色方法 |
CN103389275A (zh) * | 2013-08-02 | 2013-11-13 | 中国农业科学院农产品加工研究所 | 一种测定果肉褐变度的方法 |
CN103712939A (zh) * | 2013-12-30 | 2014-04-09 | 张显超 | 一种基于紫外可见光谱的污染物浓度拟合方法 |
CN104062274A (zh) * | 2014-04-29 | 2014-09-24 | 江西农业大学 | 基于遗传优化算法的同步荧光光谱特征波长选择方法 |
CN104677875A (zh) * | 2015-03-24 | 2015-06-03 | 江南大学 | 一种三维荧光光谱结合平行因子鉴别不同品牌白酒的方法 |
CN105223175A (zh) * | 2015-09-28 | 2016-01-06 | 江南大学 | 一种三维荧光光谱结合非负矩阵分解鉴别浓香型白酒年份的方法 |
CN105334186A (zh) * | 2015-12-10 | 2016-02-17 | 山东大学 | 一种近红外光谱分析方法 |
CN107014756A (zh) * | 2017-04-17 | 2017-08-04 | 成都曙光光纤网络有限责任公司 | 一种光谱测试系统光源设计方法 |
CN109297916A (zh) * | 2018-11-20 | 2019-02-01 | 中国农业科学院农产品加工研究所 | 分析多酚化合物氧化产物的人工神经网络及预测方法 |
CN109477789A (zh) * | 2016-07-21 | 2019-03-15 | 西门子医疗保健诊断公司 | 使用比色皿之间的参考测量来消除源灯强度漂移效应 |
CN105628630B (zh) * | 2015-12-28 | 2019-04-16 | 中国农业科学院农产品加工研究所 | 一种基于模拟体系的果蔬脆片褐变因素的分析方法 |
CN112816446A (zh) * | 2020-12-24 | 2021-05-18 | 四川长虹电器股份有限公司 | 一种基于荧光光谱检测荧光轮粉体衰变的方法 |
CN112868953A (zh) * | 2021-02-26 | 2021-06-01 | 玉林师范学院 | 一种激光辐照联合磁场酶解制备百香果果汁的方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1235035C (zh) * | 2003-11-20 | 2006-01-04 | 上海交通大学 | 用于光谱定量的自动分析方法 |
CN1657907A (zh) * | 2005-03-23 | 2005-08-24 | 江苏大学 | 基于间隔偏最小二乘法的农产品、食品近红外光谱谱区选择方法 |
-
2008
- 2008-05-08 CN CN2008101060625A patent/CN101275912B/zh not_active Expired - Fee Related
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101995403B (zh) * | 2010-08-18 | 2012-07-25 | 南京农业大学 | 梨果实加工能力评价的生理标记方法 |
CN101995403A (zh) * | 2010-08-18 | 2011-03-30 | 南京农业大学 | 梨果实加工能力评价的生理标记方法 |
CN102799895B (zh) * | 2012-06-26 | 2015-09-30 | 鸿博股份有限公司 | 基于最小二乘支持向量机的胶印油墨配色方法 |
CN102799895A (zh) * | 2012-06-26 | 2012-11-28 | 福建鸿博印刷股份有限公司 | 基于最小二乘支持向量机的胶印油墨配色方法 |
CN103389275A (zh) * | 2013-08-02 | 2013-11-13 | 中国农业科学院农产品加工研究所 | 一种测定果肉褐变度的方法 |
CN103712939A (zh) * | 2013-12-30 | 2014-04-09 | 张显超 | 一种基于紫外可见光谱的污染物浓度拟合方法 |
CN103712939B (zh) * | 2013-12-30 | 2016-07-20 | 张显超 | 一种基于紫外可见光谱的污染物浓度拟合方法 |
CN104062274A (zh) * | 2014-04-29 | 2014-09-24 | 江西农业大学 | 基于遗传优化算法的同步荧光光谱特征波长选择方法 |
CN104677875A (zh) * | 2015-03-24 | 2015-06-03 | 江南大学 | 一种三维荧光光谱结合平行因子鉴别不同品牌白酒的方法 |
CN104677875B (zh) * | 2015-03-24 | 2017-03-29 | 江南大学 | 一种三维荧光光谱结合平行因子鉴别不同品牌白酒的方法 |
CN105223175A (zh) * | 2015-09-28 | 2016-01-06 | 江南大学 | 一种三维荧光光谱结合非负矩阵分解鉴别浓香型白酒年份的方法 |
CN105334186A (zh) * | 2015-12-10 | 2016-02-17 | 山东大学 | 一种近红外光谱分析方法 |
CN105628630B (zh) * | 2015-12-28 | 2019-04-16 | 中国农业科学院农产品加工研究所 | 一种基于模拟体系的果蔬脆片褐变因素的分析方法 |
CN109477789A (zh) * | 2016-07-21 | 2019-03-15 | 西门子医疗保健诊断公司 | 使用比色皿之间的参考测量来消除源灯强度漂移效应 |
CN109477789B (zh) * | 2016-07-21 | 2021-10-22 | 西门子医疗保健诊断公司 | 使用比色皿之间的参考测量来消除源灯强度漂移效应 |
US11226346B2 (en) | 2016-07-21 | 2022-01-18 | Siemens Healthcare Diagnostics Inc. | Eliminating source lamp intensity drift effect using reference measurement between cuvettes |
CN107014756A (zh) * | 2017-04-17 | 2017-08-04 | 成都曙光光纤网络有限责任公司 | 一种光谱测试系统光源设计方法 |
CN109297916A (zh) * | 2018-11-20 | 2019-02-01 | 中国农业科学院农产品加工研究所 | 分析多酚化合物氧化产物的人工神经网络及预测方法 |
CN109297916B (zh) * | 2018-11-20 | 2021-03-30 | 中国农业科学院农产品加工研究所 | 分析多酚化合物氧化产物的人工神经网络及预测方法 |
CN112816446A (zh) * | 2020-12-24 | 2021-05-18 | 四川长虹电器股份有限公司 | 一种基于荧光光谱检测荧光轮粉体衰变的方法 |
CN112816446B (zh) * | 2020-12-24 | 2022-02-01 | 四川长虹电器股份有限公司 | 一种基于荧光光谱检测荧光轮粉体衰变的方法 |
CN112868953A (zh) * | 2021-02-26 | 2021-06-01 | 玉林师范学院 | 一种激光辐照联合磁场酶解制备百香果果汁的方法 |
CN112868953B (zh) * | 2021-02-26 | 2023-07-21 | 玉林师范学院 | 一种激光辐照联合磁场酶解制备百香果果汁的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101275912B (zh) | 2010-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101275912B (zh) | 一种液体食品褐变检测方法 | |
CN104897607B (zh) | 便携式近红外光谱食品建模与快速检测一体化方法和系统 | |
CN100590417C (zh) | 一种植物叶片生理指标无损检测方法 | |
CN101620180B (zh) | 近红外技术快速检测茶叶品质的方法 | |
Ouyang et al. | Real-time monitoring of process parameters in rice wine fermentation by a portable spectral analytical system combined with multivariate analysis | |
CN102590129B (zh) | 近红外检测花生中氨基酸含量的方法 | |
Zhu et al. | Evaluation of the non-enzymatic browning in thermally processed apple juice by front-face fluorescence spectroscopy | |
CN101413885A (zh) | 一种快速定量蜂蜜品质的近红外光谱方法 | |
CN104977258B (zh) | 基于二维相关光谱的茶叶/化妆品等品质检测方法 | |
CN102175638A (zh) | 一种快速无损检测黄酒成分含量的装置 | |
CN102636450A (zh) | 基于近红外光谱技术无损检测枸杞中枸杞多糖含量的方法 | |
CN108846203A (zh) | 水果无损检测的方法及装置 | |
Beghi et al. | Rapid evaluation of grape phytosanitary status directly at the check point station entering the winery by using visible/near infrared spectroscopy | |
CN103411955A (zh) | 基于拉曼光谱的头孢类抗生素混合溶液的浓度检测方法 | |
Fernández-Novales et al. | A feasibility study on the use of a miniature fiber optic NIR spectrometer for the prediction of volumic mass and reducing sugars in white wine fermentations | |
CN105044024A (zh) | 一种基于近红外光谱技术对葡萄果实进行无损检测的方法 | |
CN101614663A (zh) | 可见和近红外光谱的蜂花粉品种鉴别方法 | |
CN102937575B (zh) | 一种基于二次光谱重组的西瓜糖度快速建模方法 | |
CN103760130B (zh) | 近红外光谱测定复方麝香注射液中吐温-80含量的方法 | |
CN102297846A (zh) | 一种快速测定发酵液中透明质酸含量的方法 | |
CN104596976A (zh) | 近红外漫反射光谱技术测定造纸法再造烟叶蛋白质的方法 | |
CN110376154A (zh) | 基于光谱校正的水果在线检测方法及系统 | |
Hao et al. | Study on robust model construction method of multi-batch fruit online sorting by near-infrared spectroscopy | |
CN202002879U (zh) | 一种黄酒成分含量检测装置 | |
Shen et al. | Evaluation of near‐infrared and mid‐infrared spectroscopy for the determination of routine parameters in Chinese rice wine |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20100825 Termination date: 20130508 |