CN102297845A - 一种采用近红外光谱法快速检测涪陵榨菜中食盐含量的方法 - Google Patents
一种采用近红外光谱法快速检测涪陵榨菜中食盐含量的方法 Download PDFInfo
- Publication number
- CN102297845A CN102297845A CN2011101367809A CN201110136780A CN102297845A CN 102297845 A CN102297845 A CN 102297845A CN 2011101367809 A CN2011101367809 A CN 2011101367809A CN 201110136780 A CN201110136780 A CN 201110136780A CN 102297845 A CN102297845 A CN 102297845A
- Authority
- CN
- China
- Prior art keywords
- sample
- spectrum
- salt content
- model
- salt
- 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.)
- Pending
Links
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种采用近红外光谱法快速检测涪陵榨菜中食盐含量的方法。本发明方法检测步骤包括样本采集,各样本食盐含量的标准测定,采集各样本光谱建立、检验模型,产品检测分类等步骤。本发明方法具有无需预处理、无污染、在线检测、多组分同时测定的特点,更环保、快速、简便快速,且能够利用化学计量学来建立测定涪陵榨菜等腌菜中食盐含量的定性和定量模型。本发明的创新在于,近红外光谱不能反映无机食盐的特征吸收峰,但由于样品中食盐含量不同而释放出不同的Na+和Cl-离子从而影响水的吸收峰,因此可建模快速测定食盐含量,并同时根据食盐含量进行聚类分成低盐、中盐和高盐等有益效果。
Description
技术领域
本发明是一种分子光谱分析方法,尤其涉及一种采用近红外光谱法快速检测涪陵榨菜中食盐含量的方法。
背景技术
涪陵榨菜系采用茎瘤芥菜(Brassica juncea cosson,Var tumida,Var.nor,俗称青菜头)经整理、脱水、三榨三腌而制成的一种蔬菜咸腌菜品。
涪陵榨菜传统加工工艺,因采用风脱水而独具特色,其产品以其鲜、香、嫩、脆,回味返甜,深受国内外广大消费者喜爱,并于2005年成为国家地理标志产品。在涪陵榨菜3次加盐腌制过程中,需要严格控制用盐量:若用盐量过高,会导致榨菜含水量下降,影响榨菜得率和脆度,并且会使榨菜后熟转化变慢;若用盐量过低,则榨菜中乳酸含量上升,发酵速度加快,消耗风味物质,造成产品酸败。另外,现代医学研究表明,食盐摄入过多,易诱导引发高血压、心脏病等。因此,对涪陵榨菜中食盐含量的控制显得异常重要。
目前,国内外食品中食盐含量的测定方法有很多,但是均存在二次污染,有的需要预处理,更多的是耗时长的缺点,例如,国标法GB/T12457-2008对食盐的检测方法虽然准确可靠,但其前处理繁琐,检测耗时间长,无法满足对大批量样本快速检测和生产质量及时监控的需求,也有利用光谱方法测定食品中食盐含量的,但仅仅只是定量测定无法根据其含量快速分类。
近红外光谱(NIR)是近年迅速发展起来的一种高效简捷的分析方法,其最大特点是快速、对检测组分无损无污染,并能多组分同时测定。近红外光谱的谱区范围定义为780~2526 nm的电磁波,信息来源于分子内部振动的倍频与合频,并且主要反映分子中C-H、N-H、O-H基团的倍频和合频振动吸收光谱, 可以得到样品中有机分子含氢基团的特征信息,其化学信息量相当丰富,而且利用近红外光谱技术分析样品具有方便、快速、高效、准确和成本较低,不破坏样品,不消耗化学试剂,不污染环境等优点,因此该技术受到越来越多人的青睐。因为近红外光谱主要反映的是含氢基团的振动吸收,而无机分子没有含氢基团,故无近红外光谱的特征吸收峰,所以现有技术中该方法主要用于有机分子的检测。但由于样品中食盐含量不同而释放出不同的Na+和Cl-离子从而影响水的吸收峰,因此可以化学计量学建模间接地快速测定食盐含量。
现已知的相近领域的研究大致有:Ellekjer等利用近红外透射和漫反射两种方式对香肠中的食盐含量进行了检测;Lin等利用短波近红外漫反射对熏鲑鱼中的食盐含量进行了检测;韩东海等利用近红外法检测了腐乳中的食盐含量。虽然这些方法均是用近红外光谱的手段检测不同食品中的食盐含量,但是近红外光谱法检测具体应用中,对不同的样本进行检测,应当根据待测样本的特点分别建不同的模,同时这些已公开的内容只是单纯的含量检测方法,并未对待测样本进行定性聚类分析,因而无法对待测样本中食盐含量的高低分类进行定性判别。
发明内容
本发明的目的在于提供一种采用近红外光谱法快速检测涪陵榨菜中食盐含量的方法,本方法利用样品中食盐含量不同而释放出不同的Na+和Cl-离子从而影响水的吸收峰蓝移,因此可以化学计量学建模间接快速测定食盐含量。且该方法无需预处理,能无污染、简便快速地测定腌菜中的食盐含量,并对其食盐含量的高低分类进行快速定性判别。
本发明的目的是这样实现的:
一种采用近红外光谱法快速检测涪陵榨菜中食盐含量的方法,其特征在于:其检测步骤包括样本采集,各样本食盐含量的标准测定,采集各样本光谱建立并检验模型,产品检测并分类。
上述样本采集,其具体步骤为:采集含盐量不同的各涪陵榨菜样本组成样本集,该样本集的含盐量变化范围应大于检测分类的产品的含盐量范围,其各个样本含盐量在整个变化范围内均匀分布,采集的数量应该至少为变量数(变量数即为主因子数)的10倍,其每个样本称取100g、充分粉碎使其均质化。
上述各样本食盐含量的标准测定,其具体步骤为:根据国家标准GB/T12457-2008中直接沉淀滴定法,测定每一样本中食盐的含量,将在相同条件下两次独立测定每100g的同一样本结果之差不超过0.2g的数据结果,作为建模数据。由于近红外光谱法的误差取决于并无限趋近于标准方法的测定误差,因此需要通过标准方法,确保所测得食盐含量的准确性。
上述采集各样本光谱建立并检验模型,其具体步骤为:
1)采集NIR光谱
利用近红外光谱仪中的积分球漫反射采样系统,采集上述均质化后的各样本的NIR光谱。其是以空气为参比,扫描范围为12800~4000 cm-1,分辨率4cm-1,每个样本扫描两次进行NIR光谱采集的。
2)光谱预处理
在上述采集的NIR光谱中,除包含与各样本组成有关的信息外,同时也包含来自各方面因素所产生的噪音信号,而这些噪音信号会将对谱图信息产生干扰,从而影响模型的建立,以及后续的实际预测应用。因此,建模之前,需通过对采集的各样本的NIR光谱进行光谱预处理,以消除噪声和基线漂移的影响。
所述光谱预处理,是利用OPUS 5.0/ QUANT软件,采用消除常量偏移、矢量归一化、多元散射校正,一阶导数或二阶导数等方法,对每个样本光谱进行光谱预处理的,这些预处理方法均为软件自动筛选,故快速简便。
3)建立数学模型
用傅里叶变换近红外光谱仪附带的OPUS 软件,取数量至少为变量数(变量数即为主因子数)的6倍的预处理后的样本的光谱数据作为校正集,进行偏最小二乘回归,并经内部交叉验证后,建立数学模型。通过仪器附带的软件自动运行偏最小二乘法回归,可快速的对预测集样本光谱数据进行处理,然后再结合内部交叉验证可保证所建模型的有效性。
建模所用样本一定的情况下, 在采用偏最小二乘回归建模时,主因子数Rank太低,会导致建模信息不全,模型预测能力低,出现“欠拟合”现象;反之, 主因子数Rank过多,会导致模型过于复杂,从而出现“过拟合”的现象,同样导致预测能力降低。因此, 在建模时,需要对使用的主因子数Rank进行合理选择,以确定适用于模型的最优的主因子数Rank。本方法通过内部交叉验证的方法,考察因子数Rank对交叉验证均方差(RMSECV)的影响,以确定模型的最优的主因子数Rank。
上述内部交叉验证,是通过衡量模型的主要参数,决定系数(R2)、交叉验证均方差(RMSECV)和预测集标准偏差(RMSEP)进行模型整体质量评价的,一个好的模型应该具有较高的R2,较低的RMSECV和RMSEP值,并且RMSECV和RMSEP值尽量接近,且RMSEP不能明显大于RMSECV,其中,R2、RMSECV和RMSEP的计算方法为:
根据对比经不同的光谱预处理后所建立的模型的效果不同, 本方法优先采用的是消除常量偏移进行光谱预处理,所选的主因子数为5,采用消除常量偏移处理所得模型的R2最大,而RMSECV的值最小。
4)外部验证
外部验证一般采用未参与建立模型,但性质与参与建模的校正集样本性质相似的样本作为预测集,通过比较这些未参与建模的预测集样本的预测值与标准方法测量值之间的差异来判别模型的预测准确性。本方法以校正集建立的数学模型对数量至少为变量数(变量数即为主因子数)的4倍的预测集样本的食盐含量进行了预测,对比预测值与标准方法测量值之间的偏差,其相对标准偏差应控制在5%以内。模型对预测集样本中食盐含量预测的RMSEP值越小,决定系数值越高,则经该模型检测的预测值与标准方法测定值之间相关性良好。
本方法外部验证步骤中,还可同时通过对经该模型检测的预测值与标准方法测定值进行t检验,给定显著水平α=0.05。
5)建立聚类模型
利用OPUS 5.0/IDENT软件将所述光谱预处理后的光谱,通过25点平滑后,对选用的预测集样本光谱进行一阶导数和矢量归一化处理,采用因子法计算距离,其中因子数为5,进而生成聚类树状图,并根据图形得出样本分类情况。
上述产品检测分类,其具体步骤为:按照上述采集NIR光谱所述步骤,采集待检测产品的NIR光谱,然后按照上述光谱预处理方法进行光谱预处理,然后将预处理后得到的光谱输入建立的聚类模型中,通过软件自动对模型库进行检索、选择数学模型和聚类模型,然后根据该数学模型和待测产品的近红外光谱,就可以预测待测产品中食盐的含量,从而达到测定的目的,并可同时根据食盐含量和聚类模型,将样本进行含食盐量高中低分类,从而成为评价腌菜产品品质的主要指标的依据。
本发明具有以下有益效果:
1、本发明方法具有无需预处理、无污染、在线检测、多组分同时测定的特点,因而更环保、快速、简便快速,且能够利用化学计量学来建立测定涪陵榨菜等腌菜中食盐含量的定性和定量模型,从而快速测定食盐含量,并同时根据食盐含量进行快速定性分类等有益效果。若现按国标法采用常规操作检测一涪陵榨菜样品的食盐含量,一般需要1小时,而采用本发明方法,只需1分钟即可达到目的,并且预测结果与采用标准方法所得检测值的相关性在95%以上,检测结果准确可靠。
2、利用近红外光谱法测定涪陵榨菜中的食盐含量简便易行,并且一旦模型建立好后,无污染、无前处理、方便快捷、无破坏性、结果可靠,解决了现有方法污染环境以及操作复杂的问题,此方法经过了实验室验证,有望应用于涪陵榨菜的实际生产流程中,实现无损在线的质量监控。
说明书附图
图1为某一涪陵榨菜样本的近红外吸收光谱图。
图2 为不同食盐含量的涪陵榨菜光谱在6000cm-1~7600cm-1的近红外吸收光谱图。
图3 为对应不同食盐含量的涪陵榨菜而建立的模型的主因子数与RMSECV的关系图。
图4 为涪陵榨菜预测涪集样本的聚类分析树状图。
图5 为涪陵榨菜待测产品的聚类分析树状图。
具体实施方式
下面通过实施例对本发明进行具体描述,有必要在此指出的是,以下实施例只用于对本发明进行进一步的说明,不能理解为对本发明保护范围的限制,该领域的技术熟练人员可以根据上述发明内容对本发明作出一些非本质的改进和调整。
实施例1
一种采用近红外光谱法快速检测涪陵榨菜中食盐含量的方法,其检测步骤包括样本采集,各样本食盐含量的标准测定,采集各样本光谱建立、检验模型,产品检测分类,具体步骤依次为:
1、样本采集:采集6种品牌25个批次的涪陵榨菜商品共58样本,组成样本集,其每个样本称取100g、经FZ-102型微型植物粉碎机充分粉碎使其均质化。
2、各样本食盐含量的标准测定:根据国家标准GB/T12457-2008中直接沉淀滴定法,测定每一样本中食盐的含量,将在相同条件下两次独立测定每100g的同一样本结果之差不超过0.2g的数据结果,作为建模数据。其测定的涪陵榨菜中的食盐含量范围为4.24%~8.25%,试验样本中食盐含量范围基本上覆盖了涪陵榨菜中可能出现的含量,可以利用化学计量学建立定性定量模型。如,表1所示为涪陵榨菜中氯化钠的含量。
表1 涪陵榨菜中氯化钠的含量
Table1 The true value of sodium chloride content in Fuling mustard tuber
Sample No. | NaCl Content/% | Sample No. | NaCl Content/% | Sample No. | NaCl Content/% |
Z01 | 5.91 | Z22 | 5.10 | Z42 | 4.37 |
Z02 | 6.08 | Z23 | 5.12 | Z43 | 4.446 |
Z04 | 5.46 | Z25 | 5.07 | Z45 | 5.11 |
Z05 | 5.71 | Z26 | 5.08 | Z46 | 5.07 |
Z07 | 5.28 | Z27 | 8.02 | Z47 | 5.068 |
Z08 | 5.29 | Z28 | 8.25 | Z48 | 5.24 |
Z09 | 6.33 | Z29 | 5.71 | Z49 | 5.513 |
Z10 | 6.18 | Z31 | 4.93 | Z51 | 6.47 |
Z12 | 5.07 | Z32 | 5.15 | Z52 | 6.67 |
Z13 | 5.05 | Z33 | 4.78 | Z53 | 6.21 |
Z14 | 4.38 | Z34 | 4.75 | Z54 | 6.32 |
Z15 | 4.40 | Z35 | 5.45 | Z55 | 6.94 |
Z17 | 5.65 | Z37 | 5.14 | Z57 | 5.784 |
Z18 | 5.70 | Z38 | 5.16 | Z58 | 5.823 |
Z19 | 4.24 | Z40 | 5.64 | ||
Z20 | 4.65 | Z41 | 4.61 |
其含盐量范围为4.24%~8.25%,平均值为4.46%。实验所用的涪陵榨菜样本主要成分为水分(82.8~89.2%),总酸(1.636~2.351‰),氨基酸(0.671~1.286 ‰) 等,该食盐含量范围基本上覆盖了涪陵榨菜中含盐量可能出现的范围,包含范围较大,这对建立模型的稳定性和代表性很有帮助。
3、采集各样本光谱建立并检验模型:
1)采集NIR光谱
利用近红外光谱仪中的积分球漫反射采样系统,采集上述均质化后的各样本的NIR光谱,其是以空气为参比,扫描范围为12800~4000 cm-1, 分辨率4cm-1,每个样本扫描两次。附图1所示,其为某一涪陵榨菜样本的近红外吸收光谱图。
从附图1可以看到涪陵榨菜在近红外区有4个吸收峰,其中在5139cm-1、6865cm-1、8340cm-1、10240cm-1为水分子O-H键的合频及倍频吸收峰,并且谱图在11000cm-1以上出现严重的信号溢出,建模时应该尽量避开此区域。
如附图2所示,其为不同食盐含量的涪陵榨菜样本在6000cm-1~7600cm-1范围的近红外吸收光谱图。从附图2中可以看出,随着食盐含量从4.37%增加到8.02%,样本的吸光度逐渐降低,并且谱峰波长从6858cm-1偏移到6901cm-1,即朝着短波方向偏移,以此根据水峰的吸光度值的增减与峰位偏移情况,结合化学计量学建模可定量检测榨菜中含盐量。
2)光谱预处理
利用OPUS 5.0/ QUANT软件,分别采用消除常量偏移、矢量归一化、多元散射校正,一阶导数和二阶导数等五种方法,通过软件自动筛选,进行光谱预处理。
3)建立数学模型
用傅里叶变换近红外光谱仪附带的OPUS 软件,对预处理后的46个校正集样本光谱数据进行偏最小二乘回归,然后经内部交叉验证后,建立数学模型。
上述内部交叉验证的方法, 是通过考察因子数Rank对交叉验证均方差(RMSECV)的影响,以确定模型的最优的主因子数Rank的;上述内部交叉验证的方法,还同时通过衡量模型的主要参数---决定系数(R2)、交叉验证均方差(RMSECV)和预测集标准偏差(RMSEP),进行评价模型整体质量。
如附图3所示,其为依据不同食盐含量的涪陵榨菜,经检测得到的光谱数据而建立的模型的RMSECV随Rank的变化图。可见,要尽量满足得到的主因子数应使模型的RMSECV最小,本例所选的主因子数为5,建模范围为7501.7cm-1~5449.8cm-1,对应的RMSECV为0.0723,模型对食盐含量的决定系数为99.25%,其检测效果优异。
如表2所示,其为采用涪陵榨菜,依据不同的光谱预处理方法所建立的模型的决定系数(R2)以及RMSECV的值。
表2 不同光谱预处理方法内部验证的R2、RMSECV
消除常量偏移 | 矢量归一化 | 多元散射校正 | 一阶导数 | 二阶导数 | |
R2/% | 99.25 | 98.35 | 98.23 | 98.84 | 96.75 |
RMSECV | 0.0723 | 0.107 | 0.111 | 0.09 | 0.15 |
因此,本例采用消除常量偏移进行光谱预处理,采用消除常量偏移处理所得模型的R2最大,而RMSECV的值最小
4)外部验证
以校正集建立的数学模型对未参与建模的12个预测集样本的食盐含量进行预测,对比预测值与标准方法测量值之间的偏差,并通过对经该模型检测的预测值与标准方法测定值进行t检验,给定显著水平α=0.05,查表的结果t(0.05,12)为2.18,对预测集样本的食盐含量,如表3所示,其为涪陵榨菜中食盐的t检验结果为0.0296,小于2.18,表明本方法与标准方法不存在显著差异,说明两种分析方法是一致的,进一步说明所建立的模型具有较好的预测的能力,可以达到常规分析的精度要求。
表3 该模型检测的预测值与标准方法测定值之间的偏差
Table 3 Prediction results of the prediction samples
5)建立聚类模型
利用OPUS 5.0/IDENT软件将上述光谱预处理后的光谱,通过25点平滑后,对选用的12个预测集样本光谱进行一阶导数和矢量归一化处理,采用因子法计算距离,因子数为5,进而生成聚类树状图,并根据图形可以看出样本分类情况,如附图4所示,其为涪陵榨菜预测集样本的聚类分析树状图。从图4可以看出样本分为两大类,先是食盐含量相近的样本根据品牌大致先聚为一类,然后与含量相近的不同品牌大致聚为一类,最后聚为食盐含量差别较大的两类。根据GH/T-1012可将建模样本分为低盐(食盐含量在6%以下)和中盐(食盐含量在6%到10%之间)两类,食盐含量与聚类结果基本一致。因此可以用来对涪陵榨菜中的食盐含量多少进行快速鉴别。
4、产品检测分类:按照上述采集NIR光谱所述步骤,采集待检测产品的NIR光谱,然后按照上述光谱预处理方法进行光谱预处理,然后将预处理后得到的光谱输入建立的聚类模型中,通过软件自动对模型库进行检索、选择数学模型和聚类模型,然后根据该数学模型和待测产品的近红外光谱,就可以预测待测产品中食盐的含量,从而达到测定的目的,并可同时根据食盐含量和聚类模型,将样本进行含食盐量高中低分类,从而成为评价腌菜产品品质的主要指标的依据。如附图5所示,其为涪陵榨菜待测产品的聚类分析树状图。
Claims (3)
1.一种采用近红外光谱法快速检测涪陵榨菜中食盐含量的方法,其特征在于:其检测步骤包括样本采集,各样本食盐含量的标准测定,采集各样本光谱建立并检验模型,产品检测分类;
所述样本采集,其具体步骤为:采集含盐量不同的各涪陵榨菜样本组成样本集,该样本集的含盐量变化范围应大于检测分类的产品的含盐量范围,其各个样本含盐量在整个变化范围内均匀分布,采集的数量应该至少为变量数的10倍,其每个样本称取100g、充分粉碎使其均质化;
所述各样本食盐含量的标准测定,其具体步骤为:根据国家标准GB/T12457-2008中直接沉淀滴定法,测定每一样本中食盐的含量,将在相同条件下两次独立测定每100g的同一样本结果之差不超过0.2g的数据结果,作为建模数据;
所述采集各样本光谱建立并检验模型,其具体步骤为:
1)采集NIR光谱
利用近红外光谱仪中的积分球漫反射采样系统,采集所述均质化后的各样本的NIR光谱;其是以空气为参比,扫描范围为12800~4000 cm-1,分辨率4cm-1,每个样本扫描两次进行NIR光谱采集的;
2)光谱预处理
所述光谱预处理,是利用OPUS 5.0/ QUANT软件,采用消除常量偏移、矢量归一化、多元散射校正,一阶导数或二阶导数,对每个样本光谱进行光谱预处理的;
3)建立数学模型
用傅里叶变换近红外光谱仪附带的OPUS 软件,取数量至少为变量数的6倍的预处理后的样本的光谱数据作为校正集,进行偏最小二乘回归,并经内部交叉验证后,建立数学模型;
所述内部交叉验证,是通过衡量模型的主要参数,即决定系数(R2)、交叉验证均方差(RMSECV)和预测集标准偏差(RMSEP)进行模型整体质量评价,以确定模型的最优的主因子数Rank的;
4)外部验证
采用未参与建立模型,但性质与参与建模的校正集样本性质相似的样本作为预测集, 以校正集建立的数学模型对数量至少为变量数的4倍的预测集样本的食盐含量进行预测,对比预测值与标准方法测量值之间的偏差,其相对标准偏差应控制在5%以内;
5)建立聚类模型
利用OPUS 5.0/IDENT软件将所述光谱预处理后的光谱,通过25点平滑后,对选用的预测集样本光谱进行一阶导数和矢量归一化处理,采用因子法计算距离,其中因子数为5,进而生成聚类树状图,并根据图形得出样本分类情况;
所述产品检测分类,其具体步骤为:按照所述采集NIR光谱的所述步骤,采集待检测产品的NIR光谱,然后按照所述光谱预处理方法进行光谱预处理,然后将预处理后得到的光谱输入建立的聚类模型中,通过软件自动对模型库进行检索、选择数学模型和聚类模型,然后根据该数学模型和待测产品的近红外光谱,就可以预测待测产品中食盐的含量,并可同时根据食盐含量和聚类模型,将样本进行含食盐量高中低分类。
2.如权利要求1所述的采用近红外光谱法快速检测涪陵榨菜中食盐含量的方法,其特征在于:所述光谱预处理采用的是消除常量偏移进行光谱预处理,所选的主因子数为5。
3.如权利要求1或2所述的采用近红外光谱法快速检测涪陵榨菜中食盐含量的方法,其特征在于:所述外部验证步骤中,还同时通过对经该模型检测的预测值与标准方法测定值进行t检验,给定显著水平α=0.05。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011101367809A CN102297845A (zh) | 2011-05-25 | 2011-05-25 | 一种采用近红外光谱法快速检测涪陵榨菜中食盐含量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011101367809A CN102297845A (zh) | 2011-05-25 | 2011-05-25 | 一种采用近红外光谱法快速检测涪陵榨菜中食盐含量的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102297845A true CN102297845A (zh) | 2011-12-28 |
Family
ID=45358411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011101367809A Pending CN102297845A (zh) | 2011-05-25 | 2011-05-25 | 一种采用近红外光谱法快速检测涪陵榨菜中食盐含量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102297845A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103398993A (zh) * | 2013-08-14 | 2013-11-20 | 江南大学 | 荧光光谱结合pca-hca与plsr检测市售橙汁饮品的方法 |
CN103558167A (zh) * | 2013-10-31 | 2014-02-05 | 华南理工大学 | 一种快速测定腌肉中氯化钠含量的方法 |
CN103760139A (zh) * | 2013-05-14 | 2014-04-30 | 江南大学 | 一种基于三维荧光光谱与稳健马氏距离鉴别市售橙汁饮品的方法 |
CN106092954A (zh) * | 2016-05-23 | 2016-11-09 | 塔里木大学 | 一种枣树冠层钠含量的检测方法 |
CN107561128A (zh) * | 2017-08-18 | 2018-01-09 | 武汉轻工大学 | 一种快速测定酱卤肉和/或卤汤中食盐含量的方法及应用 |
CN107884362A (zh) * | 2017-11-13 | 2018-04-06 | 广州纤维产品检测研究院 | 棉、聚酯及氨纶混纺织物中氨纶含量的快速检测方法 |
CN109520950A (zh) * | 2018-12-20 | 2019-03-26 | 淮阴工学院 | 一种对光谱偏移不敏感的化学成分光谱检测方法 |
CN110849779A (zh) * | 2019-12-11 | 2020-02-28 | 湖北省农业科学院农产品加工与核农技术研究所 | 一种基于光谱成像技术快速预测水产品中食盐含量的方法 |
CN111721898A (zh) * | 2020-06-28 | 2020-09-29 | 重庆工业自动化仪表研究所 | 腌制类食品盐度在线检测装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101532954A (zh) * | 2008-03-13 | 2009-09-16 | 天津天士力现代中药资源有限公司 | 一种用红外光谱结合聚类分析鉴定中药材的方法 |
-
2011
- 2011-05-25 CN CN2011101367809A patent/CN102297845A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101532954A (zh) * | 2008-03-13 | 2009-09-16 | 天津天士力现代中药资源有限公司 | 一种用红外光谱结合聚类分析鉴定中药材的方法 |
Non-Patent Citations (6)
Title |
---|
CARLES COLLELL 等: "Feasibility of near-infrated spectroscopy to predict aw and moisture and NaCl contents of fermented pork sausages", 《MEAT SCIENCE》 * |
YIQUN HUANG 等: "Detection of Sodium Chloride in Cured Salmon Roe by SW-NIR Spectroscopy", 《J.AGRIC.FOOD CHEM》 * |
刘冰等: "傅立叶变换近红外光谱法快速评价涪陵榨菜品质", 《分析测试学报》 * |
张宝等: "基于近红外光谱的豆酱鉴别技术研究", 《现代食品科技》 * |
陈燕清: "化学计量学在食品分类鉴别及防腐剂含量分析中的应用", 《中国博士学位论文全文数据库 工程科技I辑》 * |
鲁超等: "基于近红外光谱检测腐乳盐坯中盐分含量的研究", 《中国酿造》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103760139A (zh) * | 2013-05-14 | 2014-04-30 | 江南大学 | 一种基于三维荧光光谱与稳健马氏距离鉴别市售橙汁饮品的方法 |
CN103760139B (zh) * | 2013-05-14 | 2015-11-04 | 江南大学 | 一种基于三维荧光光谱与稳健马氏距离鉴别市售橙汁饮品的方法 |
CN103398993A (zh) * | 2013-08-14 | 2013-11-20 | 江南大学 | 荧光光谱结合pca-hca与plsr检测市售橙汁饮品的方法 |
CN103558167A (zh) * | 2013-10-31 | 2014-02-05 | 华南理工大学 | 一种快速测定腌肉中氯化钠含量的方法 |
CN103558167B (zh) * | 2013-10-31 | 2016-08-17 | 华南理工大学 | 一种快速测定腌肉中氯化钠含量的方法 |
CN106092954A (zh) * | 2016-05-23 | 2016-11-09 | 塔里木大学 | 一种枣树冠层钠含量的检测方法 |
CN107561128A (zh) * | 2017-08-18 | 2018-01-09 | 武汉轻工大学 | 一种快速测定酱卤肉和/或卤汤中食盐含量的方法及应用 |
CN107884362A (zh) * | 2017-11-13 | 2018-04-06 | 广州纤维产品检测研究院 | 棉、聚酯及氨纶混纺织物中氨纶含量的快速检测方法 |
CN107884362B (zh) * | 2017-11-13 | 2020-05-22 | 广州纤维产品检测研究院 | 棉、聚酯及氨纶混纺织物中氨纶含量的快速检测方法 |
CN109520950A (zh) * | 2018-12-20 | 2019-03-26 | 淮阴工学院 | 一种对光谱偏移不敏感的化学成分光谱检测方法 |
CN110849779A (zh) * | 2019-12-11 | 2020-02-28 | 湖北省农业科学院农产品加工与核农技术研究所 | 一种基于光谱成像技术快速预测水产品中食盐含量的方法 |
CN110849779B (zh) * | 2019-12-11 | 2022-07-01 | 湖北省农业科学院农产品加工与核农技术研究所 | 一种基于光谱成像技术快速预测水产品中食盐含量的方法 |
CN111721898A (zh) * | 2020-06-28 | 2020-09-29 | 重庆工业自动化仪表研究所 | 腌制类食品盐度在线检测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102297845A (zh) | 一种采用近红外光谱法快速检测涪陵榨菜中食盐含量的方法 | |
McGlone et al. | Comparing density and NIR methods for measurement of kiwifruit dry matter and soluble solids content | |
CN103558167B (zh) | 一种快速测定腌肉中氯化钠含量的方法 | |
Mishra et al. | Rapid assessment of quality change and insect infestation in stored wheat grain using FT-NIR spectroscopy and chemometrics | |
Shen et al. | Non-destructive and rapid evaluation of aflatoxins in brown rice by using near-infrared and mid-infrared spectroscopic techniques | |
CN103235095A (zh) | 注水肉检测方法和装置 | |
CN105445217A (zh) | 基于衰减全反射傅里叶变换红外光谱技术的糙米中黄曲霉毒素含量的快速检测方法 | |
CN102967578A (zh) | 在线获取牛肉样本近红外光谱的方法及其在评价牛肉质量中的应用 | |
CN102313714B (zh) | 一种红花提取液测定方法 | |
CN105136737A (zh) | 基于近红外光谱的馒头中马铃薯全粉含量快速测定的方法 | |
CN105044022B (zh) | 一种基于近红外光谱技术快速无损检测小麦硬度的方法及应用 | |
CN108760647A (zh) | 一种基于可见/近红外光谱技术的小麦带菌量线检测方法 | |
Liu | Terahertz spectroscopy and chemometric tools for rapid identification of adulterated dairy product | |
CN107655851A (zh) | 一种基于近红外光谱技术快速检测赖氨酸含量的方法 | |
CN104359855B (zh) | 一种基于近红外光谱的注水肉检测方法 | |
CN110487746A (zh) | 一种基于近红外光谱检测娃娃菜品质的方法 | |
Chen et al. | Prediction of milled rice grades using Fourier transform near-infrared spectroscopy and artificial neural networks | |
CN103822899A (zh) | 基于太赫兹时域光谱检测小麦粉中害虫碎片的方法 | |
CN105158201A (zh) | 一种基于ft-nir技术的糙米中黄曲霉毒素含量的快速检测方法 | |
CN109520965A (zh) | 一种基于近红外光谱特征数据提取技术检测赖氨酸含量的方法 | |
Innamorato et al. | Tracing the geographical origin of lentils (Lens culinaris Medik.) by infrared spectroscopy and chemometrics | |
Wang et al. | General model of multi-quality detection for apple from different origins by Vis/NIR transmittance spectroscopy | |
CN109932336A (zh) | 一种全麦粉的快速鉴别方法 | |
CN110210005A (zh) | 一种无参考值的光谱波数选择方法 | |
McTiernan et al. | Use of near-infrared reflectance spectroscopy (NIRS) in palaeoecological studies of peat |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20111228 |