CN103398993A - 荧光光谱结合pca-hca与plsr检测市售橙汁饮品的方法 - Google Patents
荧光光谱结合pca-hca与plsr检测市售橙汁饮品的方法 Download PDFInfo
- Publication number
- CN103398993A CN103398993A CN2013103517797A CN201310351779A CN103398993A CN 103398993 A CN103398993 A CN 103398993A CN 2013103517797 A CN2013103517797 A CN 2013103517797A CN 201310351779 A CN201310351779 A CN 201310351779A CN 103398993 A CN103398993 A CN 103398993A
- Authority
- CN
- China
- Prior art keywords
- orange juice
- pca
- sample
- hca
- plsr
- 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, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开了一种荧光光谱结合PCA-HCA与PLSR检测市售橙汁饮品的方法,首先,建立市售100%橙汁与橙汁饮料两种饮品类型的PCA-HCA判别模型与橙汁含量的PLSR估测模型,然后测量待测样品的激发光谱与发射光谱两种特征光谱数据,并将其分别导入到PCA-HCA判别模型与PLSR橙汁含量估测模型,可同时实现待测样品饮品类型的定性鉴别与橙汁含量的估测。因此,相对于现有的果汁饮品鉴别方法,该方法明显简化了样品预处理步骤,避免了繁琐的化学分离过程,最重要的是,降低样品的检测成本,缩短样品检测时间,具有快速、安全、易操作、廉价、无损等优势,可为实现市售橙汁饮品中橙汁含量的快速、实时、在线监测提供一种新思路,同时,也可为橙汁饮品的鉴别与橙汁原料的品质控制提供一定的参考依据。
Description
技术领域
本发明提供了一种荧光光谱结合PCA-HCA与PLSR检测市售橙汁饮品的方法,属于果汁饮品检测鉴别领域。
背景技术
市售橙汁饮品主要可分为100%橙汁与橙汁饮料两大类,目前,由于检测方法的不完善及相关行业标准缺失,对于橙汁饮品的检测与监管比较仍混乱,例如,市售100%橙汁与橙汁饮料分辨不清,生产商甚至以酸度调节剂、甜味剂、人工香精、增稠剂、食用色素等调配而成的“三精水”来冒充100%橙汁以牟取更多利益,严重侵害消费者利益与扰乱市场正常秩序。正是由于市售橙汁饮品质量参差不齐,而消费者又很难通过简单的感官判断加以鉴别,因此,非常有必要寻找一种可对橙汁饮品进行快速鉴别与评估的方法。对于橙汁饮品的检测,最直接、最简便的方法是通过估测其橙汁含量,目前橙汁含量的估测一般执行国家标准GB/T 12143,该标准将可溶性固形物(SHC)、钾、总磷、总D-异柠檬酸、氨基酸态氮、L-脯氨酸和总黄酮等作为橙汁成分的特征指标,实测值经公式推导后估测得到样品中的橙汁含量,但是,国标法的权威性目前仍存在争议,更重要的是,该方法存在样品化学处理过程繁琐、检测费时以及检测费用过于昂贵等明显缺陷,极大限制了其实际应用范围,同时,由于检测过程涉及过多的化学处理步骤,导致检测结果的重现性较差。荧光光谱分析法作为一种快速、安全与廉价的无损检测技术,近年来在食品安全检测领域得到广泛的应用。利用荧光光谱结合主成分分析-系统聚类分析(以下简称PCA-HCA)与偏最小二乘回归(以下简称PLSR)方法检测市售橙汁饮品,可实现橙汁饮品的有效鉴别,也可为市售橙汁饮品中橙汁含量的快速、实时、在线监测的实现提供一种新思路。
发明内容
本发明的目的,在于提供一种荧光光谱结合PCA-HCA与PLSR检测市售橙汁饮品的方法,按照本发明的技术方案,本发明通过以下步骤实现,主要包括建模与检测两部分:
建模部分:
a. 利用荧光光谱仪对合格市售100%橙汁与橙汁饮料样品进行荧光光谱测量,得到两类样品的发射波长为620nm的激发光谱与激发波长为470nm的发射光谱两种特征光谱数据;
b. 编写主成分分析与系统聚类分析MATLAB程序,对激发光谱数据进行主成分分析-系统聚类分析(PCA-HCA),建立PCA-HCA判别模型;
c. 编写MATLAB程序,建立PLSR橙汁含量估测模型;
检测部分:
d. 在相同条件下对待测橙汁饮品进行荧光光谱测量,必要时需将样品稀释处理,得到该样品的激发光谱(λem=620nm)与发射光谱(λex=470nm);
e. 将待测样品激发光谱导入PCA-HCA判别模型,实现橙汁饮品的定性鉴别,将待测样品发射光谱导入PLSR橙汁含量估测模型,实现待测样品的橙汁含量估测;
f. 检测结果输出,输出内容包括待测样品的饮品类型与橙汁含量估测值。
所述步骤b中,主成分分析-系统聚类分析PCA-HCA判别模型的建立:判别距离采用欧氏距离,其定义式为:
判别准则采用最短距离法,即未知样本与哪一类的欧氏距离小就归为哪一类。
所述步骤c中,PLSR橙汁含量估测模型的建立:以浓缩橙汁还原的100%橙汁作为基准含量100%,首先配制橙汁含量范围为5%、10%、15%、20%、30%、35%的橙汁样品作为校正集,配制含量为40%、50%、60%的橙汁样品作为外部验证集,分别测量其发射光谱(λex=470nm),每个样品平行测量5次并取平均值,以510-700nm全谱建立PLSR橙汁含量估测模型。
附图说明
下面结合附图对本发明作进一步说明。
图1 橙汁饮品检测流程图。
图2为100%橙汁与橙汁饮料共30个样品的特征光谱图,图中(a)是激发光谱图(λem=620nm),(b)是发射光谱图(λex=470nm)。
图3为对100%橙汁与橙汁饮料共30个样品进行主成分分析得到的由前两个主成分PC1与PC2组成的PCA得分图。
图4为对已知的30个标准样品的PCA得分进行系统聚类分析(HCA)得到的聚类树图。
具体实施方式
下面结合附图并根据流程图的操作顺序对本发明作进一步描述:
a. 标准样品为合格的各品牌市售100%橙汁与橙汁饮料共30个样品,两类样品分别编号为1-18与19-30,离心处理后,利用荧光光谱仪对所有样本进行荧光光谱测量,激发光谱测量:激发波长范围设置为300nm—600nm,步长设置为5nm,发射波长为620nm。发射光谱测量:波长范围设置为510nm—700nm,步长设置为1nm,激发波长为470nm。所有样品均在相同的参数设置及实验条件下测量,得到各样品的激发光谱与发射光谱数据(如图2所示);
b. 对激发光谱数据进行主成分分析-系统聚类分析(PCA-HCA),建立PCA-HCA判别模型(如图3、4所示),判别距离采用欧氏距离,判别准则采用最短距离法;
c. 以浓缩橙汁还原的100%橙汁作为基准含量100%,首先配制橙汁含量范围为5%、10%、15%、20%、30%、35%的橙汁样品作为校正集,配制含量为40%、50%、60%的橙汁样品作为外部验证集,分别测量其发射光谱(λex=470nm),每个样品平行测量5次并取平均值,以510-700nm全谱建立PLSR橙汁含量估测模型;
d. 对待测橙汁饮品作相同离心处理,必要时需作稀释处理,然后对其进行光谱测量,得到该样品的激发光谱(λem=620nm)与发射光谱(λex=470nm)两种特征光谱;
e. 将待测样品的激发光谱导入到PCA-HCA判别模型,实现橙汁饮品类型的定性鉴别,同时,然后将处理后的待测样品的发射光谱导入到PLSR橙汁含量估测模型,实现待测样品的橙汁含量估测;
f. 检测结果输出,输出内容包括待测样品的饮品类型与橙汁含量估测值。
实例实施:
(1) 按照步骤b与c建立好PCA-HCA判别模型与PLSR橙汁含量估测模型后,取超市购买的100%橙汁与橙汁饮料,每种饮品类型各取2个样品,分别编号为A、B与C、D,做相同离心处理,扫描得到4个样品的激发光谱数据,并导入到已建立的PCA-HCA判别模型,实现待测样品的定性鉴别;
(2) 然后对A、B样品作稀释10倍处理,C、D样品不作稀释处理,扫描得到4个样品的发射光谱数据,并导入到PLSR橙汁含量估测模型,实现样品的橙汁含量估测;
(3) 输出结果:A、B饮品类型为100%橙汁,橙汁含量估测值分别为104.2%与98.0%,C、D饮品类型为橙汁饮料,橙汁含量估测值分别为15.4%与11.6%。
综上所述,本发明先建立市售100%橙汁与橙汁饮料两种饮品类型的PCA-HCA判别模型与橙汁含量的PLSR估测模型,然后测量待测样品的激发光谱与发射光谱两种特征光谱数据,并将其分别导入到PCA-HCA判别模型与PLSR橙汁含量估测模型,可同时实现待测样品饮品类型的定性鉴别与橙汁含量的估测。因此,相对于现有的果汁饮品鉴别方法,该方法明显简化了样品预处理步骤,避免了繁琐的化学分离过程,最重要的是,降低样品的检测成本,缩短样品检测时间,具有快速、安全、易操作、廉价、无损等优势,可为实现市售橙汁饮品中橙汁含量的快速、实时、在线监测提供一种新思路,同时,也可为橙汁饮品的鉴别与橙汁原料的品质控制提供一定的参考依据。
Claims (3)
1.一种荧光光谱结合PCA-HCA与PLSR检测市售橙汁饮品的方法,主要包括建模与检测两部分,所述方法步骤如下:
建模部分:
a. 利用荧光光谱仪对合格市售100%橙汁、橙汁饮料样品进行荧光光谱测量,得到两类样品的发射波长为620nm的激发光谱与激发波长为470nm的发射光谱作为特征光谱数据;
b. 编写主成分分析与系统聚类分析MATLAB程序,对激发光谱数据进行主成分分析-系统聚类分析(PCA-HCA),建立PCA-HCA判别模型;
c. 编写MATLAB程序,建立PLSR橙汁含量估测模型;
检测部分:
d. 在相同条件下对待测橙汁饮品样本进行荧光光谱测量,必要时需将样品稀释处理,得到待测样品的激发光谱(λem=620nm)与发射光谱(λex=470nm);
e. 将待测样品激发光谱导入PCA-HCA判别模型,实现橙汁饮品的定性鉴别,将待测样品发射光谱导入PLSR橙汁含量估测模型,实现待测样品的橙汁含量估测;
f. 检测结果输出,输出内容包括待测样品的饮品类型与橙汁含量估测值。
3.根据权利要求1所述的荧光光谱结合PCA-HCA与PLSR检测市售橙汁饮品的方法,其特征是:所述步骤c中, PLSR橙汁含量估测模型的建立:以浓缩橙汁还原的100%橙汁作为基准含量100%,首先配制橙汁含量范围为5%、10%、15%、20%、30%、35%的橙汁样品作为校正集,配制含量为40%、50%、60%的橙汁样品作为外部验证集,分别测量其发射光谱(λex=470nm),每个样品平行测量5次并取平均值,以510-700nm全谱建立PLSR橙汁含量估测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013103517797A CN103398993A (zh) | 2013-08-14 | 2013-08-14 | 荧光光谱结合pca-hca与plsr检测市售橙汁饮品的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013103517797A CN103398993A (zh) | 2013-08-14 | 2013-08-14 | 荧光光谱结合pca-hca与plsr检测市售橙汁饮品的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103398993A true CN103398993A (zh) | 2013-11-20 |
Family
ID=49562659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013103517797A Pending CN103398993A (zh) | 2013-08-14 | 2013-08-14 | 荧光光谱结合pca-hca与plsr检测市售橙汁饮品的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103398993A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104502320A (zh) * | 2014-12-29 | 2015-04-08 | 江南大学 | 一种三维荧光光谱结合pca-svm鉴别浓香型白酒的方法 |
CN108844941A (zh) * | 2018-05-30 | 2018-11-20 | 武汉工程大学 | 一种基于拉曼光谱和pca-hca的不同品位磷矿的鉴别和分类方法 |
CN110110842A (zh) * | 2019-04-29 | 2019-08-09 | 滁州学院 | 一种便携式荧光光谱快速检测人工神经网络智能判别模型的建立方法 |
CN117783011A (zh) * | 2024-02-26 | 2024-03-29 | 烟台北方安德利果汁股份有限公司 | 一种用于果汁生产线的智能品控系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5612540A (en) * | 1995-03-31 | 1997-03-18 | Board Of Regents, The University Of Texas Systems | Optical method for the detection of cervical neoplasias using fluorescence spectroscopy |
CN1979131A (zh) * | 2006-11-20 | 2007-06-13 | 扬子石油化工股份有限公司 | 用近红外光谱测定加氢尾油链烷烃族组成的方法 |
CN101825572A (zh) * | 2010-06-11 | 2010-09-08 | 重庆大学 | 一种通过荧光素区分不同香型白酒的方法 |
CN102183500A (zh) * | 2011-02-28 | 2011-09-14 | 江南大学 | 基于荧光特征参量欧氏距离的白酒鉴别方法 |
CN102297845A (zh) * | 2011-05-25 | 2011-12-28 | 杨季冬 | 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 |
-
2013
- 2013-08-14 CN CN2013103517797A patent/CN103398993A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5612540A (en) * | 1995-03-31 | 1997-03-18 | Board Of Regents, The University Of Texas Systems | Optical method for the detection of cervical neoplasias using fluorescence spectroscopy |
CN1979131A (zh) * | 2006-11-20 | 2007-06-13 | 扬子石油化工股份有限公司 | 用近红外光谱测定加氢尾油链烷烃族组成的方法 |
CN101825572A (zh) * | 2010-06-11 | 2010-09-08 | 重庆大学 | 一种通过荧光素区分不同香型白酒的方法 |
CN102183500A (zh) * | 2011-02-28 | 2011-09-14 | 江南大学 | 基于荧光特征参量欧氏距离的白酒鉴别方法 |
CN102297845A (zh) * | 2011-05-25 | 2011-12-28 | 杨季冬 | 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 |
Non-Patent Citations (1)
Title |
---|
JANA SÁDECKÁ等: "Classification of brandies and wine distillates using front face fluorescence spectroscopy", 《FOOD CHEMISTRY》, vol. 117, no. 3, 1 December 2009 (2009-12-01), pages 491 - 498, XP026157724, DOI: 10.1016/j.foodchem.2009.04.053 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104502320A (zh) * | 2014-12-29 | 2015-04-08 | 江南大学 | 一种三维荧光光谱结合pca-svm鉴别浓香型白酒的方法 |
CN104502320B (zh) * | 2014-12-29 | 2017-03-01 | 江南大学 | 一种三维荧光光谱结合pca‑svm鉴别浓香型白酒的方法 |
CN108844941A (zh) * | 2018-05-30 | 2018-11-20 | 武汉工程大学 | 一种基于拉曼光谱和pca-hca的不同品位磷矿的鉴别和分类方法 |
CN110110842A (zh) * | 2019-04-29 | 2019-08-09 | 滁州学院 | 一种便携式荧光光谱快速检测人工神经网络智能判别模型的建立方法 |
CN117783011A (zh) * | 2024-02-26 | 2024-03-29 | 烟台北方安德利果汁股份有限公司 | 一种用于果汁生产线的智能品控系统 |
CN117783011B (zh) * | 2024-02-26 | 2024-05-14 | 烟台北方安德利果汁股份有限公司 | 一种用于果汁生产线的智能品控系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104677875B (zh) | 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 | |
CN103837492B (zh) | 一种基于近红外光谱技术的猕猴桃膨大果无损检测方法 | |
CN101275912B (zh) | 一种液体食品褐变检测方法 | |
Mu et al. | Portable detection and quantification of olive oil adulteration by 473-nm laser-induced fluorescence | |
CN104020129A (zh) | 一种基于近红外光谱结合氨基酸分析技术的工夫红茶发酵质量的判别方法 | |
CN106018332A (zh) | 一种柑桔黄龙病的近红外光谱田间检测方法 | |
CN103487411A (zh) | 一种随机森林算法结合激光诱导击穿光谱识别钢材牌号的方法 | |
CN104359894A (zh) | 一种快速检测辣椒粉中苏丹红ⅰ含量的激光拉曼光谱方法 | |
CN103398993A (zh) | 荧光光谱结合pca-hca与plsr检测市售橙汁饮品的方法 | |
CN103743703A (zh) | 一种采用近红外光谱快速检测茶叶中主要成分的方法 | |
CN104807777A (zh) | 一种基于近红外光谱分析技术的槟榔水分含量快速检测方法 | |
CN103712949A (zh) | 一种基于光热吸收光谱技术的食用油检测方法及装置 | |
Pan et al. | In situ monitoring of total polyphenols content during tea extract oxidation using a portable spectroscopy system with variables selection algorithms | |
CN105044025A (zh) | 一种近红外快速识别芝麻油及芝麻油中掺杂大豆油的方法 | |
CN103063648B (zh) | 利用拉曼光谱检测液体制剂的方法 | |
CN104297206A (zh) | 一种液态牛奶品牌快速鉴别方法 | |
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 | |
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 | |
IN2013MU03035A (zh) | ||
CN103760139B (zh) | 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 | |
CN110231328A (zh) | 一种基于半峰高距离法的拉曼光谱定量分析技术 | |
CN109799224A (zh) | 快速检测中药提取液中蛋白质浓度的方法及应用 | |
CN108827925A (zh) | 基于光纤式荧光光谱技术的食用植物油真伪快速检测方法和检测装置 | |
CN108037085A (zh) | 基于光谱特征的金属工件表面缺陷检测方法 | |
CN105842410A (zh) | 一种基于气流脉冲和激光测距的新鲜度快速无损检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20131120 |