CN103499560B - 一种结合拉曼光谱技术和谱峰比值法的藻种鉴别方法 - Google Patents
一种结合拉曼光谱技术和谱峰比值法的藻种鉴别方法 Download PDFInfo
- Publication number
- CN103499560B CN103499560B CN201310460475.4A CN201310460475A CN103499560B CN 103499560 B CN103499560 B CN 103499560B CN 201310460475 A CN201310460475 A CN 201310460475A CN 103499560 B CN103499560 B CN 103499560B
- Authority
- CN
- China
- Prior art keywords
- ratio
- algae
- spectrum
- algae kind
- raman
- 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.)
- Active
Links
- 241000195493 Cryptophyta Species 0.000 title claims abstract description 91
- 238000001069 Raman spectroscopy Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012850 discrimination method Methods 0.000 title claims abstract description 15
- 238000001228 spectrum Methods 0.000 claims abstract description 29
- 239000007788 liquid Substances 0.000 claims abstract description 28
- 238000001237 Raman spectrum Methods 0.000 claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 230000003698 anagen phase Effects 0.000 claims abstract description 10
- 230000008859 change Effects 0.000 claims abstract description 3
- 230000008569 process Effects 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 5
- 230000005526 G1 to G0 transition Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 230000003252 repetitive effect Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 5
- 241001501873 Isochrysis galbana Species 0.000 description 19
- 241000195649 Chlorella <Chlorellales> Species 0.000 description 18
- 241000219095 Vitis Species 0.000 description 12
- 235000009754 Vitis X bourquina Nutrition 0.000 description 12
- 235000012333 Vitis X labruscana Nutrition 0.000 description 12
- 235000014787 Vitis vinifera Nutrition 0.000 description 12
- 239000012530 fluid Substances 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000000049 pigment Substances 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 150000004676 glycans Chemical class 0.000 description 2
- 238000002329 infrared spectrum Methods 0.000 description 2
- 150000002632 lipids Chemical class 0.000 description 2
- 230000000144 pharmacologic effect Effects 0.000 description 2
- 229920001282 polysaccharide Polymers 0.000 description 2
- 239000005017 polysaccharide Substances 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108010022579 ATP dependent 26S protease Proteins 0.000 description 1
- 239000002028 Biomass Substances 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241000196319 Chlorophyceae Species 0.000 description 1
- 241000195628 Chlorophyta Species 0.000 description 1
- 241000206751 Chrysophyceae Species 0.000 description 1
- 241001494742 Dictyocha Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 208000008469 Peptic Ulcer Diseases 0.000 description 1
- 238000001530 Raman microscopy Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 208000007502 anemia Diseases 0.000 description 1
- 230000000879 anti-atherosclerotic effect Effects 0.000 description 1
- 230000000118 anti-neoplastic effect Effects 0.000 description 1
- 230000000259 anti-tumor effect Effects 0.000 description 1
- 239000007864 aqueous solution Substances 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012742 biochemical analysis Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 235000021466 carotenoid Nutrition 0.000 description 1
- 150000001747 carotenoids Chemical class 0.000 description 1
- 210000000170 cell membrane Anatomy 0.000 description 1
- 235000013325 dietary fiber Nutrition 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001605 fetal effect Effects 0.000 description 1
- 210000003495 flagella Anatomy 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 125000000524 functional group Chemical group 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 230000009569 heterotrophic growth Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002207 metabolite Substances 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 231100000252 nontoxic Toxicity 0.000 description 1
- 230000003000 nontoxic effect Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 235000008935 nutritious Nutrition 0.000 description 1
- 235000020660 omega-3 fatty acid Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 208000011906 peptic ulcer disease Diseases 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000000243 photosynthetic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000376 reactant Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 150000003722 vitamin derivatives Chemical class 0.000 description 1
Landscapes
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开了一种结合拉曼光谱技术和谱峰比值法的藻种鉴别方法，包括：取相同藻种在不同生长阶段下的多个样本，每个样本均为当前藻种的活体藻液，获取各个样本的拉曼光谱原始信息；对拉曼光谱原始信息进行预处理，得到对应的预处理谱图，然后得到胡萝卜素所对应的谱峰比值；更换藻种，获得不同藻种在各生长阶段下所对应的谱峰比值；以所有藻种的谱峰比值作为输入，以与各比值相对应的藻种分类为输出，建立BP神经网络模型；取待鉴别活体藻液，获得该待鉴别活体藻液的谱峰比值并输入BP神经网络模型，获得待鉴别活体藻液中所包含的藻种分类。本发明实现了结合拉曼光谱技术和谱峰比值法的藻种鉴别方法，大大简化了操作步骤，缩短了检测时间。
Description
技术领域
本发明涉及藻种分类检测技术领域，尤其涉及一种结合拉曼光谱技术和谱峰比值法的藻种鉴别方法。
背景技术
微藻是一类系统发生各异、个体较小、通常为单细胞或群体的、能进行光合作用（少部分为异养生长）的水生（或陆生、气生、共生）低等植物。它是能够进行光合作用的微生物，可以利用阳光、水和CO2合成自身所需要的物质。目前，对藻类的识别分类及其生化分析已经成为海洋生物学的研究热点之一。
小球藻（Chlorella）是一类单细胞绿藻，属于绿藻门、绿藻纲、小球藻属，广泛分布于自然界，淡水水域中种类最多。小球藻易于培养，生长繁殖速度很快，不仅能利用光能自养，还能在异养条件下利用有机碳源进行生长、繁殖，应用价值很高。已有研究表明，小球藻含丰富的蛋白质、脂质、多糖、食用纤维、维生素、微量元素和活性代谢产物。国内外的学者对小球藻的药理作用进行了广泛的研究，发现小球藻具有防治消化性溃疡、抗肿瘤、增强免疫、抗辐射、抗病原微生物、防治贫血、降血脂和抗动脉粥样硬化等药理作用。近年来，我国也开始重视小球藻的开发利用。
等鞭金藻属于金藻门、等鞭金藻纲、等鞭藻属，细胞大小一般为6-7μm×5-6μm，细胞上有两条等长鞭毛。等鞭金藻具有繁殖速度快、没有细胞壁、易于吸收、生产成本低等优点。等鞭金藻营养丰富，富含蛋白质、多糖和类胡萝卜素等，且安全无毒、易于人体吸收，其营养研究已受到广泛的关注。同时等鞭金藻含有大量的ω-3多不饱和脂肪酸，其中DHA和C18:2的含量最为丰富。等鞭金藻还被用于研发抗肿瘤药物，以及用于重金属吸附。因此，等鞭金藻在生物质能源生产上具有广阔的应用前景。
拉曼光谱是一种散射光谱，是研究分子振动的一种光谱方法，它的原理和机制与红外光谱不同，红外光谱对极性基团有很强的检出能力，而非极性基团如C=C，C-C等则具有很强的拉曼活性。但它们提供的结构信息是类似的，都是关于分子内部各种分子振动频率及有关振动能级的情况，所以能从分子水平上反映样品化学组成和分子结构上的差异，实现分子中某些化学键和官能团的“指纹鉴别”。另外水的拉曼散射很微弱几乎不产生干扰信号，使得拉曼在研究水溶液中的活体生物的无损检测上具有其他分子光谱无法比拟的优势。
发明内容
本发明提供了一种结合拉曼光谱技术和谱峰比值法的藻种鉴别方法，解决了现有检测方法检出率低，操作相对繁琐、耗时、耗力的问题。
一种结合拉曼光谱技术和谱峰比值法的藻种鉴别方法，包括以下步骤：
（1）取相同藻种在不同生长阶段下的多个样本，每个样本均为当前藻种的活体藻液，采用拉曼光谱仪获取各个样本的拉曼光谱原始信息；
（2）对步骤（1）采集的拉曼光谱原始信息进行预处理，得到对应的预处理谱图，然后计算得到胡萝卜素所在谱峰对应的拉曼强度比值，记为谱峰比值；
（3）更换藻种，重复操作步骤（1）和步骤（2），获得不同藻种在各生长阶段下的胡萝卜素所对应的谱峰比值；
（4）以所有藻种的谱峰比值作为输入，以与各谱峰比值相对应的藻种分类为输出，建立BP神经网络模型；
（5）取待鉴别活体藻液，通过步骤（1）和步骤（2）的处理获得该待鉴别活体藻液的谱峰比值并输入所述BP神经网络模型，获得待鉴别活体藻液中所包含的藻种分类。
人工神经网络是模仿人脑神经细胞的结构和功能的系统。目前应用较广的是一种基于误差反向传播算法的BP神经网络。由于其具有高度非线性隐射的能力，现已在各个领域得到了广泛的应用，并取得了令人满意的结果。
在所述的步骤（1）中，将样本放置在拉曼光谱仪的载物台上，利用激光强度为1mv的激光束，并通过50X的物镜聚焦到样本的表面，曝光时间1s，累计次数一次，得到所述的拉曼光谱原始信息，且整个实验过程都是在恒温（约25℃）条件下进行的。
在所述的步骤（1）中，藻种的不同生长阶段是指对数期和稳定期。
步骤（2）中，所述的预处理为依次进行去荧光背景处理和平滑处理，预处理过程都是在软件Matlab中实现。
由于原始拉曼受荧光干扰较大，荧光的产生会覆盖拉曼的信号，因此首先采用Rolling Circle filter去除荧光背景（可参见：Brandt,N.N.et al.,Optimization of the rolling-circle filter for Raman background subtraction.Applied Spectroscopy,2006,60(3):288-293.），凸显信号；最后对获得的拉曼曲线进行平滑处理，以提高信噪比。
在所述的步骤（2）中，藻体内胡萝卜素的谱峰是指1527cm-1与1160cm-1的强度比值。
在所述的步骤（4）中，采用预处理后的拉曼光谱曲线建立神经网络模型，当采用隐含层节点数为6时得到的模型效果最佳。
在所述的步骤（5）中，待鉴别活体藻液的谱峰比值输入BP神经网络模型中，与已知藻种的谱峰比值进行对比，获得待鉴别活体藻液中所包含的藻种分类。
与现有技术相比，本发明的有益效果为：
本发明实现了结合拉曼光谱技术和谱峰比值法的藻种鉴别方法，不需要配制任何溶液以及化学测定，大大简化了操作步骤，缩短了检测时间，也避免了由于操作人员操作不熟练或者主观因素带来的测量结果不准确等后果，其中谱峰比值法的最大优势是可以消除不同生长阶段、不同曝光时间以及色素随时间推移产生分解等对微藻拉曼信号采集的影响。
附图说明
图1为某小球藻、葡萄球藻与等鞭金藻样本的原始拉曼谱线。
图2是某等鞭金藻同一藻体色素随时间推移产生分解下采集的拉曼信号。
图3为某葡萄球藻液样本在对数期和稳定期经上述预处理后的拉曼光谱。
图4为实施例中小球藻藻液样本、葡萄球藻液样本和等鞭金藻藻液样本的预测结果。
具体实施方式
下面结合具体实施例进一步阐释本发明。
在实施例中，选取的活体藻液样本为小球藻、葡萄球藻和等鞭金藻样本，拉曼光谱仪为雷尼绍显微共焦拉曼光谱仪（inVia–Reflex532/XYZ）。
取不同生长阶段一定浓度的小球藻、葡萄球藻、等鞭金藻样本100ml，分别加入水0ml，10ml，20ml，30ml，40ml进行稀释，得到五种不同浓度梯度的反应液。采用雷尼绍显微共焦拉曼光谱仪（inVia–Reflex532/XYZ），获取活体小球藻藻液、活体葡萄球藻、活体等鞭金藻藻液各40个样本的拉曼光谱原始信息。即将制好的藻液切片固定在显微拉曼光谱仪物镜下方载物台上，激光束通过50X的物镜聚焦到样本的表面。其中曝光时间设置为1s，激光强度为1mv，累计次数一次。整个实验过程都是在恒温（约25℃）条件下进行的，图1是某小球藻、葡萄球藻与等鞭金藻样本的原始拉曼谱线。图2是某等鞭金藻同一藻体色素随时间推移产生分解下采集的拉曼信号。
由于原始拉曼受荧光干扰较大，荧光的产生会覆盖拉曼的信号，因此首先采用Rolling Circle filter去除荧光背景，凸显信号；最后对获得的拉曼曲线进行平滑处理，以提高信噪比。这些预处理的过程都是在软件Matlab中实现的，其中图3是某葡萄球藻液样本在对数期和稳定期经上述预处理后的拉曼光谱。
对120个藻液样本进行上述预处理，然后采用神经网络建立三种藻类的判别模型，其中将小球藻藻液、葡萄球藻、等鞭金藻藻液分别标定为“1”、“2”和“3”。随机选取小球藻藻液、葡萄球藻、等鞭金藻藻液各30个样本用于建模，各10个样本用于预测。对预处理后的拉曼光谱信息计算得到其胡萝卜素所在谱峰对应的拉曼强度比值，以它们作为输入变量，并设定网络输入层、隐含层、输出层的节点数分别为1，6，1，训练集的样本数是90，预测样本集为30个样本数，得到模型的判别率为100%，拟合残差为1.549×10-5。
小球藻藻液、葡萄球藻、等鞭金藻藻液各有10个预测样本，针对每个预测样本，采用雷尼绍显微共焦拉曼光谱仪获取各个样本的拉曼光谱原始信息，并对拉曼光谱原始信息依次进行Rolling Circle filter去除荧光和平滑处理，得到对应的预处理谱图，然后计算胡萝卜素所在谱峰1527cm-1与1160cm-1的拉曼强度比值，再将该预测样本所计算得到的谱峰比值输入BP神经网络模型，与已知藻种的谱峰比值进行对比，获得预测样本的结果如图4所示，图中横坐标“1”代表小球藻藻液、“2”代表葡萄球藻、“3”代表等鞭金藻藻液，从图中可以看出每个预测样本的预测结果与标准的藻液类别数值存在一定差值，只要差值在±0.5之内，即可将该预测样本划分为对应的数值类别的藻类。
Claims (7)
1.一种结合拉曼光谱技术和谱峰比值法的藻种鉴别方法，其特征在于，包括以下步骤：
(1)取相同藻种在不同生长阶段下的多个样本，每个样本均为当前藻种的活体藻液，采用拉曼光谱仪获取各个样本的拉曼光谱原始信息；
(2)对步骤(1)采集的拉曼光谱原始信息进行预处理，得到对应的预处理谱图，然后计算得到胡萝卜素所在谱峰对应的拉曼强度比值，记为谱峰比值；
(3)更换藻种，重复操作步骤(1)和步骤(2)，获得不同藻种在各生长阶段下的胡萝卜素所对应的谱峰比值；
(4)以所有藻种的谱峰比值作为输入，以与各谱峰比值相对应的藻种分类为输出，建立BP神经网络模型；
(5)取待鉴别活体藻液，通过步骤(1)和步骤(2)的处理获得该待鉴别活体藻液的谱峰比值并输入所述BP神经网络模型，获得待鉴别活体藻液中所包含的藻种分类。
2.如权利要求1所述的结合拉曼光谱技术和谱峰比值法的藻种鉴别方法，其特征在于，在所述的步骤(1)中，将样本放置在拉曼光谱仪的载物台上，利用激光强度为1mv的激光束，并通过50X的物镜聚焦到样本的表面，曝光时间1s，得到所述的拉曼光谱原始信息。
3.如权利要求1所述的结合拉曼光谱技术和谱峰比值法的藻种鉴别方法，其特征在于，步骤(1)中，藻种的不同生长阶段是指对数期和稳定期。
4.如权利要求1所述的结合拉曼光谱技术和谱峰比值法的藻种鉴别方法，其特征在于，步骤(2)中，所述的预处理为依次进行的去荧光背景处理和平滑处理。
5.如权利要求1所述的结合拉曼光谱技术和谱峰比值法的藻种鉴别方法，其特征在于，步骤(2)中，藻体内胡萝卜素的谱峰比值是指所在谱峰1527cm-1与1160cm-1的拉曼强度比值。
6.如权利要求1所述的结合拉曼光谱技术和谱峰比值法的藻种鉴别方法，其特征在于，在建立所述的BP神经网络模型时，设置隐含层节点数为6。
7.如权利要求1所述的结合拉曼光谱技术和谱峰比值法的藻种鉴别方法，其特征在于，在所述的步骤(5)中，待鉴别活体藻液的谱峰比值输入BP神经网络模型中，与已知藻种的谱峰比值进行对比，获得待鉴别活体藻液中所包含的藻种分类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310460475.4A CN103499560B (zh) | 2013-09-29 | 2013-09-29 | 一种结合拉曼光谱技术和谱峰比值法的藻种鉴别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310460475.4A CN103499560B (zh) | 2013-09-29 | 2013-09-29 | 一种结合拉曼光谱技术和谱峰比值法的藻种鉴别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103499560A CN103499560A (zh) | 2014-01-08 |
| CN103499560B true CN103499560B (zh) | 2015-08-05 |
Family
ID=49864790
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310460475.4A Active CN103499560B (zh) | 2013-09-29 | 2013-09-29 | 一种结合拉曼光谱技术和谱峰比值法的藻种鉴别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103499560B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104634771A (zh) * | 2015-01-28 | 2015-05-20 | 浙江大学 | 基于微藻油脂特征峰的氮胁迫随时间变化的监测方法 |
| CN105223184A (zh) * | 2015-10-23 | 2016-01-06 | 上海卫华科学仪器有限公司 | 基于拉曼光谱仪的物质定性及其组分定量检测方法 |
| CN106442463B (zh) * | 2016-09-23 | 2019-03-08 | 中国科学院重庆绿色智能技术研究院 | 基于线扫描拉曼显微成像的藻细胞计数及藻种判别方法 |
| CN107389651B (zh) * | 2017-06-23 | 2020-08-04 | 江苏拉曼医疗设备有限公司 | 一种脑胶质瘤级别特征分布图的获取方法 |
| WO2019104487A1 (zh) * | 2017-11-28 | 2019-06-06 | 深圳达闼科技控股有限公司 | 一种混合物检测方法及设备 |
| CN107941783A (zh) * | 2017-12-14 | 2018-04-20 | 中国科学院重庆绿色智能技术研究院 | 一种基于藻细胞特征拉曼散射的水环境扰动评估方法 |
| CN108133203B (zh) * | 2018-01-18 | 2021-09-03 | 江苏师范大学 | 一种基于稀疏表示的拉曼光谱特征提取方法 |
| CN108802002B (zh) * | 2018-05-08 | 2020-11-17 | 华南农业大学 | 一种快速无损鉴别解除滞育的蚕卵拉曼光谱模型构建方法 |
| CN110658174B (zh) * | 2019-08-27 | 2022-05-20 | 厦门谱识科仪有限公司 | 基于表面增强拉曼光谱检测的智能化识别方法及系统 |
| CN111413319B (zh) * | 2020-04-30 | 2023-05-26 | 成都大象分形智能科技有限公司 | 基于拉曼光谱的复杂低浓度液体样本检测系统 |
| CN112816687B (zh) * | 2020-12-31 | 2022-04-22 | 华南农业大学 | 一种利用机器学习进行图像匹配的广谱免疫传感器 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6205354B1 (en) * | 1999-06-18 | 2001-03-20 | University Of Utah | Method and apparatus for noninvasive measurement of carotenoids and related chemical substances in biological tissue |
| AU2002257083A1 (en) * | 2001-03-22 | 2002-10-08 | University Of Utah | Optical method and apparatus for determining status of agricultural products |
| CN101470077B (zh) * | 2008-05-14 | 2011-06-15 | 中国检验检疫科学研究院 | 采用拉曼光谱特征峰信号强度比值的橄榄油快速检测方法 |
| EP2361377B1 (en) * | 2008-10-31 | 2018-01-31 | Biomerieux, Inc | Method for identification of microorganisms using raman spectroscopy |
| CN101458214A (zh) * | 2008-12-15 | 2009-06-17 | 浙江大学 | 有机聚合物溶液浓度的检测方法 |
| CN101995392A (zh) * | 2010-11-15 | 2011-03-30 | 中华人民共和国上海出入境检验检疫局 | 快速检测橄榄油掺伪的方法 |
-
2013
- 2013-09-29 CN CN201310460475.4A patent/CN103499560B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN103499560A (zh) | 2014-01-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103499560B (zh) | 一种结合拉曼光谱技术和谱峰比值法的藻种鉴别方法 | |
| CN103411952B (zh) | 一种基于拉曼光谱技术的藻种分类识别方法 | |
| CN103398999B (zh) | 基于拉曼光谱技术的等鞭金藻中胡萝卜素分布的检测方法 | |
| Murdock et al. | FT-IR microspectroscopy enhances biological and ecological analysis of algae | |
| Pořízka et al. | Algal biomass analysis by laser-based analytical techniques—A review | |
| Parab et al. | Raman spectroscopy of algae: A review | |
| Liu et al. | Recent application of spectroscopy for the detection of microalgae life information: A review | |
| Miglio et al. | Microalgae triacylglycerols content by FT-IR spectroscopy | |
| Havlik et al. | On-line monitoring of biological parameters in microalgal bioprocesses using optical methods | |
| Wu et al. | Study on the properties of partially transparent wood under different delignification processes | |
| Bonato et al. | High spatial variability of phytoplankton assessed by flow cytometry, in a dynamic productive coastal area, in spring: The eastern English Channel | |
| Wagner et al. | Subcommunity FTIR-spectroscopy to determine physiological cell states | |
| CN103353439A (zh) | 一种基于光谱技术的小球藻叶绿素含量与生物量同时检测的方法 | |
| Podevin et al. | Microalgal process-monitoring based on high-selectivity spectroscopy tools: Status and future perspectives | |
| Coşgun et al. | Machine learning for algal biofuels: a critical review and perspective for the future | |
| Giugliano et al. | Rapid identification of beached marine plastics pellets using laser-induced breakdown spectroscopy: A promising tool for the quantification of coastal pollution | |
| de Souza et al. | Bioproducts characterization of residual periphytic biomass produced in an algal turf scrubber (ATS) bioremediation system | |
| CN104634771A (zh) | 基于微藻油脂特征峰的氮胁迫随时间变化的监测方法 | |
| González et al. | Cultivation of autochthonous microalgae for biomass feedstock: Growth curves and biomass characterization for their use in biorefinery products | |
| Thiviyanathan et al. | Quantifying microalgae growth by the optical detection of glucose in the NIR waveband | |
| Zahedi et al. | Optimization of biomass growth for a novel quadruple renewable geothermal/hydro/biomass/solar hybrid system | |
| Kiran et al. | Growth pattern and biofuel production potential of newly isolated microalga, Chlorococcum sp. IM‐03 under nitrogen limited conditions | |
| Tardiolo et al. | Orange peel waste as feedstock for the production of glycerol-free biodiesel by the microalgae Nannochloropsis oculata | |
| Morgado et al. | Exploring the dynamics of astaxanthin production in Haematococcus pluvialis biofilms using a rotating biofilm‐based system | |
| CN104677878A (zh) | 基于拉曼光谱技术结合微藻油脂峰的氮营养环境监测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant |