CN101929951A - 一种牛奶中掺羊奶的近红外光谱判别方法 - Google Patents
一种牛奶中掺羊奶的近红外光谱判别方法 Download PDFInfo
- Publication number
- CN101929951A CN101929951A CN2009100230040A CN200910023004A CN101929951A CN 101929951 A CN101929951 A CN 101929951A CN 2009100230040 A CN2009100230040 A CN 2009100230040A CN 200910023004 A CN200910023004 A CN 200910023004A CN 101929951 A CN101929951 A CN 101929951A
- Authority
- CN
- China
- Prior art keywords
- milk
- sample
- near infrared
- discrimination
- infrared 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
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
一种牛奶中掺羊奶的近红外光谱判别方法,该方法包括1)选取奶样、2)近红外光谱采集以及3)聚类分析建立定性判别模型的步骤,对生鲜奶和掺假奶进行聚类分析,实现定性判定。本发明可快速定性并定量检测出牛奶中掺羊奶的情况,当羊奶占掺假奶重量百分比大于等于5%时,检测的准确率可达100%,单个样品检测时间在一分钟以内。
Description
技术领域
本发明涉及一种牛奶中掺羊奶的判别方法,具体涉及一种牛奶中掺羊奶的近红外光谱判别方法。
背景技术
随着人们生活水平不断提高,乳制品的消费量迅速增加,特别是营养高的牛乳制品的发展更是迅猛。生鲜牛奶作为牛奶制品生产的基本原料,其质量控制在生产管理中是至关重要的环节。在实际生产加工中,某些牛奶供应商为了降低成本,谋取更高的商业利益,将掺有羊奶的牛奶充当生鲜牛奶销售,损害了消费者利益,也损害的牛奶制品生产企业的利益,且降低了牛奶制品的品质,造成很大危害。目前,对牛奶中掺羊奶的鉴别的主要方法有:一种方法是利用牛奶内部成分的变化作为识别指示物,如NaCL含量的变化;另一种方法是利用酸滴定看是否沾管来进行识别;还有一种方法就是在加热条件下看奶中酪蛋白是否凝固来进行判别。这些理化检测方法虽然简单,但不够准确、难以满足实际需要,重要的是会破坏样品奶,造成不必要的浪费。
近红外光谱分析是近年来快速发展起来的一种快速、无损、无公害、可多组分同时分析的现代技术,广泛应用于农产品及食品质量检测中,但是还没有关于对掺有羊奶的牛奶进行近红外光谱鉴别的相关文章的报道。
发明内容
本发明的目的在于提供一种牛奶中掺羊奶的近红外光谱判别方法,其为牛奶中掺羊奶提供了一种定性和定量检测的途径,检测结果准确且不会破坏样品奶。
本发明的技术方案是:
一种牛奶中掺羊奶的近红外光谱判别方法,其特殊之处在于,该方法包括以下步骤:
1)选取奶样
含不同重量浓度梯度羊奶的掺假奶的配制,按照羊奶浓度以重量百分比分别为5%,10%,20%,35%,50%,75%,100%的梯度,进行配制,得到羊奶浓度不同实验样品;再和生鲜牛奶组成实验样品8种,每种梯度10个样,共80个样备用;
2)近红外光谱采集
利用傅里叶变换近红外光谱仪,结合固体光纤探头采集牛奶的漫反射光谱;检测波数范围为4000~12000cm-1,间隔8cm-1,每次扫描64次取平均,通过相连的计算机记录吸光度值log1/R。
3)聚类分析建立定性判别模型
先将每个样品作为一类,选定样品间的一种距离和类与类之间的距离,然后将距离最近的两类合并成一个新类,计算新类与其他类之间的距离,再重复上述并类过程,直到最后全都并成一类为止,建立定性判别模型;
将生鲜牛奶样品作为一类,将含不同浓度羊奶的掺假奶作为一类,对生鲜奶和掺假奶进行聚类分析,实现定性判定。
上述牛奶中掺羊奶的近红外光谱判别方法,进行定性判定后,还包括定量判定,所述定量判定包括:
1)选取奶样
定性判别后,70个掺假奶样按照羊奶浓度以重量百分比分别为5%,10%,20%,35%,50%,75%,100%的梯度选取校正集样品49个、验证集样品21个;
2)采用偏最小二乘法建立掺假奶中羊奶含量的定标模型
建立光谱无需进行预处理,采用“剔一”交叉验证法来确定主成分维数Rank为8,光谱范围为11995.4~4597.6cm-1时的模型,其R2最大,RMSECV最小;
3)优化模型
再通过“剔一”交叉验证法剔掉3个异常值样品后,建模共采用掺假奶样46个,建立羊奶定标模型,其中,R2为99.71%,RMSECV为1.67%,主成分为7,预测值和实测值达到极显著相关水平,完成模型的优化;
4)验证模型
利用建立的定标模型,预测验证集的21个样品,得近红外光谱预测值与实际值基本一致的结果,21个样品近红外光谱预测值与实际值的R2为99.80%,RMSEP为1.75%,验证模型的预测效果良好;
将预测值和实际值进一步通过配对t检验确认,在0.05显著性水平下,两种值不存在显著性差异,不存在系统误差,进一步验证所建的校正模型具有良好的预测能力,可以达到常规分析的精度要求。
上述计算光谱间的距离是利用欧氏距离来表示:
式中,a(k)和b(k)是谱图a和b在波长k处的吸光度值,n为波长点总数。
上述采集牛奶的漫反射光谱时,每次采集时先将样品倒入直径4cm,高5cm的圆柱形样品杯中,然后将固体光纤探头伸到液体中,需保证液面高度大于5cm。
上述每次采集光谱前,先选取含有等质量的样品,并在水浴锅中恒温至40±0.1℃。
上述“剔一”交叉验证法是指对代表待测的多组分系统仅有一组样品用于建模和检验该系统;开始建模之前要从这组样品中除去一个样品;这个样品被用作检验模型;其余样品用作该系统的建模。
上述采用偏最小二乘法建立掺假奶中羊奶含量的定标模型;所述采用“剔一”交叉验证法来确定主成分维数(Rank),在建模分析中,应遵循决定系数(R2)偏高、交互验证均方根差(RMSECV)偏小的原则。
上述固体光纤探头的直径为2mm较佳。
本发明是利用OPUS5.5 QUNAT-2定量分析软件实现定量分析。
上述光谱预处理及聚类分析利用OPUS5.5软件实现。
本发明的优点在于:可快速定性并定量检测出牛奶中掺羊奶的情况,当羊奶占掺假奶重量百分比大于等于5%时,检测的准确率可达100%,单个样品检测时间在一分钟以内。在0.05显著性水平下,预测值和实测值几乎不存在显著性差异,检测准确可靠,可直接应用于乳品品质的在线检测,具有广阔的发展前景。
附图说明
图1含不同浓度羊奶的掺假奶的平均光谱图;
图2含不同浓度羊奶的掺假奶的一阶倒数光谱图;
图3生鲜奶与含5%羊奶的掺假奶的聚类分析树形图;
图4生鲜奶与纯羊奶的聚类分析树形图;
图5校正集羊奶含量预测值与真值关系图;
图6验证集样品羊奶含量预测值与真值关系图。
具体实施方式
一种牛奶中掺羊奶的近红外光谱判别方法,该方法包括以下步骤:
1)选取奶样
含不同重量浓度梯度羊奶的掺假奶的配制,按照羊奶浓度以重量百分比分别为5%,10%,20%,35%,50%,75%,100%的梯度,进行配制,得到羊奶浓度不同实验样品;再和生鲜牛奶组成实验样品8种,每种梯度10个样,共80个样备用。
2)近红外光谱采集
利用傅里叶变换近红外光谱仪,结合直径为2mm的固体光纤探头采集牛奶的漫反射光谱;检测波数范围为4000~12000cm-1,间隔8cm-1,每次扫描64次取平均,通过相连的计算机记录吸光度值log1/R。
3)聚类分析建立定性判别模型
先将每个样品作为一类,选定样品间的一种距离和类与类之间的距离,然后将距离最近的两类合并成一个新类,计算新类与其他类之间的距离,再重复上述并类过程,直到最后全都并成一类为止,建立定性判别模型;
将生鲜牛奶样品作为一类,将含不同浓度羊奶的掺假奶作为一类,对生鲜奶和掺假奶进行聚类分析,实现定性判定。
进行定性判定后,还包括定量判定,所述定量判定包括:
1)选取奶样
定性判别后,70个掺假奶样按照羊奶浓度以重量百分比分别为5%,10%,20%,35%,50%,75%,100%的梯度选取校正集样品49个、验证集样品21个;
2)采用偏最小二乘法建立掺假奶中羊奶含量的定标模型
建立光谱无需进行预处理,采用“剔一”交叉验证法来确定主成分维数Rank为8,光谱范围为11995.4~4597.6cm-1时的模型,其R2最大,RMSECV最小;
3)优化模型
再通过“剔一”交叉验证法剔掉3个异常值样品后,建模共采用掺假奶样46个,建立羊奶定标模型,其中,R2为99.71%,RMSECV为1.67%,主成分为7,预测值和实测值达到极显著相关水平,完成模型的优化;
4)验证模型
利用建立的定标模型,预测验证集的21个样品,得近红外光谱预测值与实际值基本一致的结果,21个样品近红外光谱预测值与实际值的R2为99.80%,RMSEP为1.75%,验证模型的预测效果良好;
将预测值和实际值进一步通过配对t检验确认,在0.05显著性水平下,两种值不存在显著性差异,不存在系统误差,进一步验证所建的校正模型具有良好的预测能力,可以达到常规分析的精度要求。
本发明计算光谱间的距离是利用欧氏距离来表示:
式中,a(k)和b(k)是谱图a和b在波长k处的吸光度值,n为波长点总数。
其中采集牛奶的漫反射光谱时,每次采集时先将样品倒入直径4cm,高5cm的圆柱形样品杯中,然后将固体光纤探头伸到液体中,需保证液面高度大于5cm。
其中每次采集光谱前,先选取含有等质量的样品,并在水浴锅中恒温至40±0.1℃。
其中“剔一”交叉验证法是指对代表待测的多组分系统仅有一组样品用于建模和检验该系统;开始建模之前要从这组样品中除去一个样品;这个样品被用作检验模型;其余样品用作该系统的建模。
本发明采用偏最小二乘法建立掺假奶中羊奶含量的定标模型;所述采用“剔一”交叉验证法来确定主成分维数(Rank),在建模分析中,应遵循决定系数(R2)偏高、交互验证均方根差(RMSECV)偏小的原则。
本发明是利用OPUS5.5 QUNAT-2定量分析软件实现定量分析。
本发明光谱预处理及聚类分析利用OPUS5.5软件实现。
具体地,本发明在建模过程中采用“剔一”交叉验证法来确定主成分维数(Rank),在建模分析中,决定系数(R2)偏高为好,交互验证均方根差(RMSECV)偏小为好,所以建模条件的选取一定要适当,避免出现过拟合现象,并且要保证预测具有较高的精度。本研究应用OPUS QUANT 2定量分析软件中的优化功能选择最佳建模条件。结果表明,光谱无需进行预处理,主成分为8,光谱范围为11995.4~4597.6cm-1时,模型的R2最大,RMSECV最小。然后进一步利用通过“剔一”交叉验证法优化模型,剔掉3个异常值样品后,建模共采用掺假奶样46个,建立的羊奶定标模型的预测值和实测值的关系如图5,其中,R2为99.71%,RMSECV为1.67%,主成分为7,预测值和实测值达到极显著相关水平,说明建立的模型可靠、可行。
模型的验证与评价
利用建立的定标模型,预测验证集的21个样品,由图6可以看出,近红外光谱预测值与实际值基本一致,21个样品近红外光谱预测值与实际值的R2为99.80%,RMSEP为1.75%,说明模型的预测效果良好,能满足生产中羊奶的检测精度要求。将预测值和实测值进一步通过配对t检验确认,在0.05显著性水平下,两种值不存在显著性差异,表明不存在系统误差。进一步说明,所建的校正模型具有良好的预测能力,可以达到常规分析方法的精度要求。
利用德国布鲁克光学仪器公司(BRUKER OPTICS)MPA TM傅里叶变换近红外光谱仪,结合2mm固体光纤探头采集牛奶的漫反射光谱。每次采集时先将样品倒入直径4cm,高5cm的圆柱形样品杯中,然后将固体光纤探头伸到液体中,保证液面高度大于5cm。检测波数范围为4000~12000cm-1,间隔8cm-1,每次扫描64次取平均,通过相连的计算机记录吸光度值(log1/R)。每次采集光谱前,先均质样品,并在水浴锅中恒温至(40±0.1)℃。
聚类分析建立定性判别模型
聚类分析的基本思想是先将每个样品作为一类,选定样品间的一种距离和类与类之间的距离,然后将距离最近的两类合并成一个新类,计算新类与其他类之间的距离,再重复上述并类过程,直到最后全都并成一类为止。通过对生鲜奶和含有羊奶的掺假奶进行聚类分析,研究近红外光谱技术在掺假奶检测中的应用。
本实验采用标准方法计算光谱间的距离,即利用欧氏距离来表示:
式中,a(k)和b(k)是谱图a和b在波长k处的吸光度值,n为波长点总数。
本实验将采集的生鲜奶样品作为一类,将含不同浓度羊奶的掺假奶作为一类,对生鲜奶和掺假奶进行聚类分析。光谱预处理及聚类分析利用OPUS5.5软件实现。
偏最小二乘(PLS)法建立定量分析模型
利用OPUS5.5 QUNAT-2定量分析软件,输入校验集的光谱和相应的数据,选定适当的预处理方法和光谱范围后用PLS计算程序进行运算。利用交互验证(Cross-Validation)的方法来确定模型的最佳主成分维数(Rank),利用真值与模型计算值之间的建模相关系数(R2),建模标准差(RMSECV),预测相关系数(R2),预测标准差(RMSEP)等指标评定模型的好坏。
结果与分析
含不同浓度羊奶的掺假奶的近红外光谱图分析
图1为不同浓度实验样品的平均近红外光谱图,从图中可以看出,羊奶含量各异的样品的近红外光谱形状基本相似,但随着羊奶掺入量的增加谱图有向下漂移的趋势,这种趋势主要是由脂肪差异所导致的散射不均引起的,可见,不同组分的掺假奶有不同的吸收特征,这为聚类分析提供了依据。牛奶和羊奶主要组分为水、蛋白质和脂肪,水的吸收峰特别强,由近红外吸收光谱图(图1)可以看出,水分子在6896cm-1左右有明显的一级倍频吸收,二级倍频约在10416cm-1,合频位于5128cm-1附近,为了避免水分子强吸收的干扰,在选择定标谱区时应尽量避开这一谱区。
图2为不同浓度掺假奶的一阶导数光谱图,一阶导数处理后,光谱的重叠峰明显分开,更细致地反映样品的光谱特征。通过对近红外光谱进行导数处理可以提高光谱分辨率,可以找到各官能团所对应的吸收峰位置。在图2中,8800~7800cm-1波段主要集中了各种基团中C-H键伸缩、弯曲振动的二级倍频信息,而6250~4400cm-1波段则大量集中了各种基团C-H,O-H键的一级倍频跟合频吸收,由于牛奶、羊奶中含有大量的富含C-H,O-H键的脂肪,蛋白质等有机成分,因此这些波段的线性变化趋势应该就反映了蛋白质的变化趋势,这些特征吸收峰也为羊奶检测的鉴别机理研究提供了参考依据。通过这些特征波段的选取,可以有效的提高羊奶的判别精度。
聚类分析对掺有羊奶的牛奶的鉴别
对光谱数据进行了聚类分析,结果,生鲜奶与各浓度掺假奶都得到了正确的归类。图3与图4为纯牛奶与掺假奶的聚类分析树形图,其中,纵坐标表示光谱与类之间的距离。图3为生鲜奶与含5%羊奶的掺假奶的聚类分析图,样品共20个,其中有10个为生鲜奶样品,10个为掺入5%羊奶的样品,没有误判,正确判别率为100%。图4为生鲜奶与纯羊奶聚类分析树形图,样品共20个,其中10个为生鲜奶样品,10个纯羊奶样品,没有误判,正确判别率为100%。
结果表明,采用聚类分析法,对生鲜奶与单一浓度的掺假奶可以进行很好的鉴别,即生鲜奶分别与含5%,10%,20%,35%,50%,75%,100%羊奶的掺假奶进行聚类分析都能被完全区分开,当掺入的羊奶含量不低于5%时,正确判别率可以达到100%。当对生鲜奶与含不同浓度羊奶的掺假奶共80个样品一起进行聚类分析时,生鲜奶与掺假奶也能完全区分开。
2.3羊奶定量检测模型的建立与优化
在完成快速、准确的定性判别后,还对70个掺假奶样(生鲜奶样品未列入)的羊奶掺入量进行了定量测定,考察羊奶含量定量检测的可行性,其中校正集样品49个,验证集样品21个。
校正模型的建立与优化
采用偏最小二乘法建立掺假奶中羊奶含量的定标模型。建模过程中采用“剔一”交叉验证法来确定主成分维数(Rank),在建模分析中,决定系数(R2)偏高为好,交互验证均方根差(RMSECV)偏小为好,所以建模条件的选取一定要适当,避免出现过拟合现象,并且要保证预测具有较高的精度。本研究应用OPUS QUANT 2定量分析软件中的优化功能选择最佳建模条件。结果表明,光谱无需进行预处理,主成分为8,光谱范围为11995.4~4597.6cm-1时,模型的R2最大,RMSECV最小。然后进一步利用通过“剔一”交叉验证法优化模型,剔掉3个异常值样品后,建模共采用掺假奶样46个,建立的羊奶定标模型的预测值和实测值的关系如图5,其中,R2为99.71%,RMSECV为1.67%,主成分为7,预测值和实测值达到极显著相关水平,说明建立的模型可靠、可行。
模型的验证与评价
利用建立的定标模型,预测验证集的21个样品,由图6可以看出,近红外光谱预测值与实际值基本一致,21个样品近红外光谱预测值与实际值的R2为99.80%,RMSEP为1.75%,说明模型的预测效果良好,能满足生产中羊奶的检测精度要求。将预测值和实测值进一步通过配对t检验确认,在0.05显著性水平下,两种值不存在显著性差异,表明不存在系统误差。进一步说明,所建的校正模型具有良好的预测能力,可以达到常规分析方法的精度要求。
Claims (10)
1.一种牛奶中掺羊奶的近红外光谱判别方法,其特征在于,该方法包括以下步骤:
1)选取奶样
含不同重量浓度梯度羊奶的掺假奶的配制,按照羊奶浓度以重量百分比分别为5%,10%,20%,35%,50%,75%,100%的梯度,进行配制,得到羊奶浓度不同实验样品;再和生鲜牛奶组成实验样品8种,每种梯度10个样,共80个样备用;
2)近红外光谱采集
利用傅里叶变换近红外光谱仪,结合固体光纤探头采集牛奶的漫反射光谱;检测波数范围为4000~12000cm-1,间隔8cm-1,每次扫描64次取平均,通过相连的计算机记录吸光度值log1/R。
3)聚类分析建立定性判别模型
先将每个样品作为一类,选定样品间的一种距离和类与类之间的距离,然后将距离最近的两类合并成一个新类,计算新类与其他类之间的距离,再重复上述并类过程,直到最后全都并成一类为止,建立定性判别模型;
将生鲜牛奶样品作为一类,将含不同浓度羊奶的掺假奶作为一类,对生鲜奶和掺假奶进行聚类分析,实现定性判定。
2.根据权利要求1所述牛奶中掺羊奶的近红外光谱判别方法,其特征在于,进行定性判定后,还包括定量判定,所述定量判定包括:
1)选取奶样
定性判别后,70个掺假奶样按照羊奶浓度以重量百分比分别为5%,10%,20%,35%,50%,75%,100%的梯度选取校正集样品49个、验证集样品21个;
2)采用偏最小二乘法建立掺假奶中羊奶含量的定标模型
建立光谱无需进行预处理,采用“剔一”交叉验证法来确定主成分维数Rank为8,光谱范围为11995.4~4597.6cm-1时的模型,其R2最大,RMSECV最小;
3)优化模型
再通过“剔一”交叉验证法剔掉3个异常值样品后,建模共采用掺假奶样46个,建立羊奶定标模型,其中,R2为99.71%,RMSECV为1.67%,主成分为7,预测值和实测值达到极显著相关水平,完成模型的优化;
4)验证模型
利用建立的定标模型,预测验证集的21个样品,得近红外光谱预测值与实际值基本一致的结果,21个样品近红外光谱预测值与实际值的R2为99.80%,RMSEP为1.75%,验证模型的预测效果良好;
将预测值和实际值进一步通过配对t检验确认,在0.05显著性水平下,两种值不存在显著性差异,不存在系统误差,进一步验证所建的校正模型具有良好的预测能力,可以达到常规分析的精度要求。
3.根据权利要求1或2所述牛奶中掺羊奶的近红外光谱判别方法,其特征在于,所述计算光谱间的距离是利用欧氏距离来表示:
式中,a(k)和b(k)是谱图a和b在波长k处的吸光度值,n为波长点总数。
4.根据权利要求3所述牛奶中掺羊奶的近红外光谱判别方法,其特征在于:所述采集牛奶的漫反射光谱时,每次采集时先将样品倒入直径4cm,高5cm的圆柱形样品杯中,然后将固体光纤探头伸到液体中,需保证液面高度大于5cm。
5.根据权利要求4所述牛奶中掺羊奶的近红外光谱判别方法,其特征在于:所述每次采集光谱前,先选取含有等质量的样品,并在水浴锅中恒温至40±0.1℃。
6.根据权利要求5所述牛奶中掺羊奶的近红外光谱判别方法,其特征在于:所述“剔一”交叉验证法是指对代表待测的多组分系统仅有一组样品用于建模和检验该系统;开始建模之前要从这组样品中除去一个样品;这个样品被用作检验模型;其余样品用作该系统的建模。
7.根据权利要求6所述牛奶中掺羊奶的近红外光谱判别方法,其特征在于:所述采用偏最小二乘法建立掺假奶中羊奶含量的定标模型;所述采用“剔一”交叉验证法来确定主成分维数(Rank),在建模分析中,应遵循决定系数(R2)偏高、交互验证均方根差(RMSECV)偏小的原则。
8.根据权利要求7所述牛奶中掺羊奶的近红外光谱判别方法,其特征在于:所述固体光纤探头的直径为2mm。
9.根据权利要求7所述牛奶中掺羊奶的近红外光谱判别方法,其特征在于:利用OPUS5.5 QUNAT-2定量分析软件实现定量分析。
10.根据权利要求7所述牛奶中掺羊奶的近红外光谱判别方法,其特征在于:所述光谱预处理及聚类分析利用OPUS5.5软件实现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100230040A CN101929951B (zh) | 2009-06-19 | 2009-06-19 | 一种牛奶中掺羊奶的近红外光谱判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100230040A CN101929951B (zh) | 2009-06-19 | 2009-06-19 | 一种牛奶中掺羊奶的近红外光谱判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101929951A true CN101929951A (zh) | 2010-12-29 |
CN101929951B CN101929951B (zh) | 2012-06-27 |
Family
ID=43369248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009100230040A Expired - Fee Related CN101929951B (zh) | 2009-06-19 | 2009-06-19 | 一种牛奶中掺羊奶的近红外光谱判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101929951B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102590128A (zh) * | 2012-01-10 | 2012-07-18 | 上海市兽药饲料检测所 | 利用近红外光谱进行生鲜乳掺假识别的方法 |
CN102841185A (zh) * | 2012-09-24 | 2012-12-26 | 光明乳业股份有限公司 | 一种牛乳掺假的检测方法 |
CN103353444A (zh) * | 2013-06-20 | 2013-10-16 | 塔里木大学 | 一种鲜驴奶中掺入牛奶的快速检测方法 |
CN105572096A (zh) * | 2015-12-16 | 2016-05-11 | 新希望双喜乳业(苏州)有限公司 | 一种用于牛奶掺伪的快速检测识别方法 |
CN106153570A (zh) * | 2015-03-24 | 2016-11-23 | 上海市闵行中学 | 使用中红外光谱快速判别牛奶中是否掺假的方法 |
CN107677633A (zh) * | 2017-09-18 | 2018-02-09 | 滁州学院 | 一种便携式近红外光谱技术快速辨别复原与非复原乳制品的方法 |
CN107884360A (zh) * | 2017-10-24 | 2018-04-06 | 浙江中烟工业有限责任公司 | 一种卷烟纸助燃剂检测方法 |
CN108169169A (zh) * | 2018-02-12 | 2018-06-15 | 北京理工大学珠海学院 | 一种基于近红外光谱技术的山茶油掺伪的快速检测方法 |
CN111678884A (zh) * | 2020-07-27 | 2020-09-18 | 浙江工商大学 | 一种检测牛奶中雌激素的方法 |
CN112525850A (zh) * | 2020-10-01 | 2021-03-19 | 华中农业大学 | 奶牛奶、马奶、骆驼奶、山羊奶和水牛奶的光谱指纹识别方法 |
CN112666112A (zh) * | 2020-10-01 | 2021-04-16 | 华中农业大学 | 骆驼奶与马奶的批量鉴别模型和方法 |
CN112666110A (zh) * | 2020-10-01 | 2021-04-16 | 华中农业大学 | 奶牛奶和山羊奶的光谱鉴别模型及方法 |
CN112666114A (zh) * | 2020-10-01 | 2021-04-16 | 华中农业大学 | 利用光谱识别水牛奶与马奶的方法 |
CN112666111A (zh) * | 2020-10-01 | 2021-04-16 | 华中农业大学 | 奶牛奶与马奶的快速鉴别方法 |
CN112666113A (zh) * | 2020-10-01 | 2021-04-16 | 华中农业大学 | 山羊奶和马奶的快速鉴别方法 |
CN112858313A (zh) * | 2021-01-14 | 2021-05-28 | 内蒙古农业大学 | 一种绵羊奶掺假检测装置 |
CN114184573A (zh) * | 2021-11-01 | 2022-03-15 | 华中农业大学 | 牛奶中κ-酪蛋白的中红外快速批量检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100559184C (zh) * | 2005-12-01 | 2009-11-11 | 中国农业大学 | 一种鉴别苹果原汁的方法 |
CN101271107B (zh) * | 2008-04-09 | 2013-01-02 | 陕西科技大学 | 羊乳及其乳制品中掺入牛乳的快速免疫学检测方法 |
-
2009
- 2009-06-19 CN CN2009100230040A patent/CN101929951B/zh not_active Expired - Fee Related
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102590128B (zh) * | 2012-01-10 | 2014-03-19 | 上海市兽药饲料检测所 | 利用近红外光谱进行生鲜乳掺假识别的方法 |
CN102590128A (zh) * | 2012-01-10 | 2012-07-18 | 上海市兽药饲料检测所 | 利用近红外光谱进行生鲜乳掺假识别的方法 |
CN102841185A (zh) * | 2012-09-24 | 2012-12-26 | 光明乳业股份有限公司 | 一种牛乳掺假的检测方法 |
CN102841185B (zh) * | 2012-09-24 | 2015-01-07 | 光明乳业股份有限公司 | 一种牛乳掺假的检测方法 |
CN103353444A (zh) * | 2013-06-20 | 2013-10-16 | 塔里木大学 | 一种鲜驴奶中掺入牛奶的快速检测方法 |
CN103353444B (zh) * | 2013-06-20 | 2016-01-20 | 塔里木大学 | 一种鲜驴奶中掺入牛奶的快速检测方法 |
CN106153570A (zh) * | 2015-03-24 | 2016-11-23 | 上海市闵行中学 | 使用中红外光谱快速判别牛奶中是否掺假的方法 |
CN105572096A (zh) * | 2015-12-16 | 2016-05-11 | 新希望双喜乳业(苏州)有限公司 | 一种用于牛奶掺伪的快速检测识别方法 |
CN107677633A (zh) * | 2017-09-18 | 2018-02-09 | 滁州学院 | 一种便携式近红外光谱技术快速辨别复原与非复原乳制品的方法 |
CN107884360B (zh) * | 2017-10-24 | 2020-01-07 | 浙江中烟工业有限责任公司 | 一种卷烟纸助燃剂检测方法 |
CN107884360A (zh) * | 2017-10-24 | 2018-04-06 | 浙江中烟工业有限责任公司 | 一种卷烟纸助燃剂检测方法 |
CN108169169A (zh) * | 2018-02-12 | 2018-06-15 | 北京理工大学珠海学院 | 一种基于近红外光谱技术的山茶油掺伪的快速检测方法 |
CN111678884A (zh) * | 2020-07-27 | 2020-09-18 | 浙江工商大学 | 一种检测牛奶中雌激素的方法 |
CN112525850A (zh) * | 2020-10-01 | 2021-03-19 | 华中农业大学 | 奶牛奶、马奶、骆驼奶、山羊奶和水牛奶的光谱指纹识别方法 |
CN112666112A (zh) * | 2020-10-01 | 2021-04-16 | 华中农业大学 | 骆驼奶与马奶的批量鉴别模型和方法 |
CN112666110A (zh) * | 2020-10-01 | 2021-04-16 | 华中农业大学 | 奶牛奶和山羊奶的光谱鉴别模型及方法 |
CN112666114A (zh) * | 2020-10-01 | 2021-04-16 | 华中农业大学 | 利用光谱识别水牛奶与马奶的方法 |
CN112666111A (zh) * | 2020-10-01 | 2021-04-16 | 华中农业大学 | 奶牛奶与马奶的快速鉴别方法 |
CN112666113A (zh) * | 2020-10-01 | 2021-04-16 | 华中农业大学 | 山羊奶和马奶的快速鉴别方法 |
CN112858313A (zh) * | 2021-01-14 | 2021-05-28 | 内蒙古农业大学 | 一种绵羊奶掺假检测装置 |
CN112858313B (zh) * | 2021-01-14 | 2022-11-18 | 内蒙古农业大学 | 一种绵羊奶掺假检测装置 |
CN114184573A (zh) * | 2021-11-01 | 2022-03-15 | 华中农业大学 | 牛奶中κ-酪蛋白的中红外快速批量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101929951B (zh) | 2012-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101929951B (zh) | 一种牛奶中掺羊奶的近红外光谱判别方法 | |
Chen et al. | Rapid measurement of total acid content (TAC) in vinegar using near infrared spectroscopy based on efficient variables selection algorithm and nonlinear regression tools | |
CN102590129B (zh) | 近红外检测花生中氨基酸含量的方法 | |
CN101413885A (zh) | 一种快速定量蜂蜜品质的近红外光谱方法 | |
CN101995389B (zh) | 一种由近红外光谱快速识别原油种类的方法 | |
CN105300923A (zh) | 一种近红外光谱分析仪在线应用时无测点温度补偿模型修正方法 | |
CN102735642B (zh) | 一种快速无损鉴别初榨橄榄油和油橄榄果渣油的方法 | |
CN103645155B (zh) | 生鲜羊肉嫩度的快速无损检测方法 | |
CN102252992A (zh) | 一种对中药提取过程进行近红外在线检测方法 | |
CN102636454A (zh) | 近红外光谱快速测定食用油中低碳数脂肪酸含量的方法 | |
CN102841069B (zh) | 一种由中红外光谱识别原油种类的方法 | |
CN104502299A (zh) | 一种利用近红外光谱技术鉴别五常稻花香大米的方法 | |
CN104062258A (zh) | 一种采用近红外光谱快速测定复方阿胶浆中可溶性固形物的方法 | |
CN103592255A (zh) | 一种基于近红外光谱技术的阿胶化皮液中总蛋白含量的软测量方法 | |
CN105548070A (zh) | 一种苹果可溶性固形物近红外检测部位补偿方法及系统 | |
CN106596456A (zh) | 基于可变移动窗口选择溶液近红外光谱谱区的方法 | |
CN103948393A (zh) | 一种血液成分含量的近红外无创检测方法及装置 | |
CN103712948B (zh) | 生鲜羊肉中挥发性盐基氮含量的快速无损检测方法 | |
CN105548027A (zh) | 基于近红外光谱测定调和油中茶油含量的分析模型及方法 | |
CN106525755A (zh) | 基于近红外光谱技术的油砂pH值测试方法 | |
Xu et al. | Combining local wavelength information and ensemble learning to enhance the specificity of class modeling techniques: Identification of food geographical origins and adulteration | |
CN108072627A (zh) | 一种用中红外光谱快速检测酱油中氨基酸态氮和总酸含量的方法 | |
CN105954228A (zh) | 基于近红外光谱的油砂中金属钠含量的测量方法 | |
CN103134763A (zh) | 由红外光谱预测原油密度的方法 | |
CN110376154A (zh) | 基于光谱校正的水果在线检测方法及系统 |
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: 20120627 Termination date: 20130619 |