CN103558167A - 一种快速测定腌肉中氯化钠含量的方法 - Google Patents
一种快速测定腌肉中氯化钠含量的方法 Download PDFInfo
- Publication number
- CN103558167A CN103558167A CN201310534845.4A CN201310534845A CN103558167A CN 103558167 A CN103558167 A CN 103558167A CN 201310534845 A CN201310534845 A CN 201310534845A CN 103558167 A CN103558167 A CN 103558167A
- Authority
- CN
- China
- Prior art keywords
- sodium chloride
- butcher
- meat
- chloride content
- calibration samples
- 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
本发明公开了一种快速测定腌肉中氯化钠含量的方法,包括以下步骤:(1)以添加了不同含量氯化钠的多个腌肉制品为校正样本,采集校正样本的近红外高光谱图像,得到校正样本的光谱反射率值;通过多元校正算法建立校正样本的高光谱特征波长下的光谱反射率值与校正样本的标准氯化钠含量的定量关系,得到腌肉氯化钠含量校正模型:(2)采集待测腌肉样品的近红外高光谱图像得到待测腌肉样品的光谱反射率值;将待测腌肉样品在高光谱特征波长下的光谱反射率值输入腌肉氯化钠含量校正模型,得到待测腌肉样品的氯化钠含量。与现有技术相比,本发明具有无损伤、操作方便、快速的优点。
Description
技术领域
本发明涉及食品检测技术领域,特别涉及一种快速测定腌肉中氯化钠含量的方法。
背景技术
腌肉制品因其特殊的风味与色泽深受消费者喜爱。目前腌制已成为许多肉制品加工过程中一个重要的环节,腌制效果的好坏,是决定腌肉优劣最为重要的一环。肉制品中加入食盐,既能抑制有害微生物的繁殖,起到防腐作用,又可增加肉质风味,提高产品的质量。但食盐含量过高会影响肉制品的质量及口味,摄入过多的氯化钠盐会诱发高血压、冠心病、脑梗塞、肾功能障碍、视网膜等多种疾病,严重影响生活质量甚至寿命。根据国家标准中的相关规定,肉制品中食盐的含量应小于或等于3%。因而,在日常食品检验中,常常需要检测肉制品中食盐含量。现行的国家标准检测方法有GB/T9596.8-2008肉与肉制品氯化钠含量的测定和GB/T5009.44-2003肉与肉制品卫生标准的分析方法氯化钠含量的测定。第一种佛尔哈德法虽然操作简便但涉及较多的化学分析设备和试剂,还需破坏样品,尤其是检测时间长;第二种电位分析法需较强的专业性和熟练性,存在主观因素的干扰,往往误差较大,且一致性不强。两种方法都难以达到大批量快速检测的目的。因此,建立合理、快速无损测定腌肉中氯化钠含量的方法对评价腌肉制品质量和安全尤为重要。由于高光谱图像检测技术具有图像和光谱合一的特性,能同时获取待测肉品丰富的图像和光谱信息,兼有这两种技术的优势,因此可以更好地预测肉品的盐分及其分布。经检索,基于高光谱技术的腌肉中氯化钠含量的快速检测还鲜有报道。
发明内容
为了克服现有技术的上述缺点与不足,本发明的目的在于提供一种快速测定腌肉中氯化钠含量的方法,效率高,对样品无破坏。
本发明的目的通过以下技术方案实现:
一种快速测定腌肉中氯化钠含量的方法,包括以下步骤:
(1)建立腌肉氯化钠含量校正模型:
(1-1)以添加了不同含量氯化钠的多个腌肉制品为校正样本,采集校正样本的近红外高光谱图像,获得的校正样本的高光谱图像经去噪处理和背景分离处理后,得到腌肉图像;提取腌肉图像的平均光谱,对平均光谱进行光谱强度校正和预处理,得到校正样本的光谱反射率值;
(1-2)采用国际标准方法测定校正样本的氯化钠含量,得到校正样本的标准氯化钠含量;
(1-3)通过多元校正算法建立校正样本的高光谱特征波长下的光谱反射率值与校正样本的标准氯化钠含量的定量关系,得到腌肉氯化钠含量校正模型:
YNaCl=0.239+11.164R425nm-63.171R481nm+25.331R570nm+14.703R613nm+34.126R765nm-21.446R917nm
其中,YNaCl为氯化钠含量,R425nm、R481nm、R570nm、R613nm、R765nm、R917nm分别为腌肉样品在特征波长425nm、481nm、570nm、613nm、765nm、917nm处的光谱反射率值;
(1-4)采集待测腌肉样品的近红外高光谱图像,获得的待测腌肉样品的高光谱图像经去噪处理和背景分离处理后,得到腌肉图像;提取腌肉图像的平均光谱,对平均光谱进行光谱强度校正和预处理,得到待测腌肉样品的光谱反射率值;
(2)测试:将待测腌肉样品的高光谱特征波长下的光谱反射率值输入步骤(1-3)得到的腌肉氯化钠含量校正模型,得到待测腌肉样品的氯化钠含量。
步骤(1-1)所述背景分离处理,具体为:
将分割阀值设为0.2~0.25,将背景与腌肉图像进行分离。
步骤(1-1)所述预处理,具体为:
采用基线校正、去卷积、一阶微分或二阶微分进行预处理。
步骤(1-2)所述国际标准方法为国家标准方法GB/T9596.8-2008中的佛尔哈德法。
步骤(1-3)所通过多元校正算法建立校正样本的高光谱特征波长下的光谱反射率值与校正样本的标准氯化钠含量的定量关系,具体为:
对预处理后的校正样本的高光谱波长下的光谱反射率值与校正样本的标准氯化钠含量进行偏最小二乘回归,得到多个待选模型;
通过最小值预测模型残差平方和PRESS确定校正模型最优主因子数;PRESS的计算方法如下:
其中,n为校正样本个数,yact为校正样本的标准氯化钠含量,ycal为校正样本利用待选模型的氯化钠含量预测值。
所述最优主因子数为5。
与现有技术相比,本发明具有以下优点和有益效果:
本发明通过利用腌肉中氯化钠含量不同而释放出不同的Na+和Cl-离子影响水的吸收峰,建立氯化钠含量与样本的高光谱特定波长下的光谱反射率值的定量关系,得到腌肉氯化钠含量预测模型,采用化学计量学建模简捷快速地测定腌肉中氯化钠含量,检测结果准确可靠,检测值的相关性在90%以上,降低了检测成本,缩短高光谱采集,检测和数据分析时间,提高检测效率,为真正达到在线、快速和无损检测提供了理论支持和研究基础,同时具有无损伤、操作方便的优点,解决了现有的检测方法难以实现大批量快速无损检测腌肉样品中氯化钠含量的问题,有望应用于腌肉的实际生产流程中,实现无损在线的监控。
附图说明
图1为本发明的实施例的校正样本的可见近红外反射光谱图。
图2为本发明的实施例的多个待选模型的PRESS随主因子数变化图。
图3为本发明的实施例的氯化钠含量预测值与传统的标准检测方法检测得到的氯化钠含量值的关系图。
具体实施方式
下面结合实施例,对本发明作进一步地详细说明,但本发明的实施方式不限于此。
实施例
本实施例的快速测定腌肉中氯化钠含量的方法,包括以下步骤:
(1)建立腌肉氯化钠含量校正模型:
(1-1)以添加了不同含量氯化钠的45个腌肉制品为校正样本,校正样本厚度1~1.5cm,进行以下步骤:
采集校正样本的近红外高光谱图像:将校正样本固定在一个黑色塑料托架上,调整表面平整,放置在光谱采集室的电移动平台上;为了减少阴影,卤素灯的高度设为60cm,角度45℃;然后调整计算机上的采集软件的其他参数,电机的速度与物距、焦距相匹配,速度确定为1.5mm/s,采集曝光时间30ms。在上述设置好后,打开卤素灯(双光源),启动步进式电机,使载物台匀速移动,完成高光谱对移动平台上的校正样本的影像立方体获取;
获得的校正样本的高光谱图像经去噪处理和背景分离处理后,得到腌肉图像;所述背景分离处理,具体为:将分割阀值设为0.2~0.25,将背景与腌肉图像进行分离将背景与腌肉图像进行有效分离并利用形态学开运算和闭运算使图像内外边缘光滑连续;
提取腌肉图像的平均光谱,对平均光谱进行光谱强度校正和预处理,得到校正样本的光谱反射率值;所述预处理,可以为基线校正、去卷积、一阶微分或二阶微分;其中,一阶微分、二阶微分具体为:对平均光谱进行Savitzky-Golay平滑处理以提高分析信号信噪比,采用Savitzky-Golay卷积平滑微分求一阶或二阶微分,去除同波长无关和线性相关的漂移;
(1-2)采用国际标准方法测定校正样本的氯化钠含量,得到校正样本的标准氯化钠含量,见表1;校正样本含盐量范围为2.619%-8.826%,平均值为4.701%,该食盐含量包含范围较大,对建立模型的稳定性和代表性很有帮助;
表1校正样本中氯化钠的含量
(1-3)通过多元校正算法建立校正样本的高光谱特征波长下的光谱反射率值与校正样本的标准氯化钠含量的定量关系,得到腌肉氯化钠含量校正模型:
图1为校正样本的可见近红外反射光谱图,可以看出腌肉在750nm,950nm为水分子O-H键的合频及倍频吸收峰。随着食盐含量从0%增加到7%,校正样本的光谱反射率逐渐升高,并且谱峰波长朝着短波方向偏移,以此根据水峰的反射率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腌肉的含盐量;
对预处理后的45个校正样本的高光谱特征波长下的光谱反射率值与校正样本的标准氯化钠含量的定量关系,进行偏最小二乘回归,得到多个待选模型。
通过最小值预测模型残差平方和(PRESS)确定模型最优主因子数:
PRESS的计算方法如下:
其中,n为校正样本个数,yact为校正样本的标准氯化钠含量,ycal为校正样本的利用校正模型的氯化钠含量预测值。
图2为多个待选模型的PRESS随主因子数变化图,可见,要使PRESS最小,主因子数应取5,对应的PRESS为0.4。
然后通过内部交叉验证对待侧模型的整体质量进行评价:通过衡量模型的主要参数,决定系数(r),样本集标准偏差(RMSEC)和交叉验证均方差(RMSECV);其中,r、RMSEC和RMSECV的计算方法为:
ypred为内部交叉验证集样本的氯化钠含量预测值,ycal为校正样本利用待选模型的计氯化钠含量预测值,yavg为校正样本的标准氯化钠含量平均值;表2为不同预处理方法对应的待选模型的决定系数r和RMSECV,表明采用一阶微分进行光谱预处理,得到的模型的r最大,而RMSECV值最小。
表2不同预处理方法对应的待选模型的r、RMSECV
原始平均光谱 | 基线校正 | 去卷积 | 一阶微分 | 二阶微分 | |
r,% | 94.6% | 93.87 | 92.86 | 94.85 | 91.98 |
RMSECV | 0.612 | 0.803 | 0.701 | 0.602 | 0.72 |
最终得到腌肉氯化钠含量校正模型具体为:
YNaCl=0.239+11.164R425nm-63.171R481nm+25.331R570nm+14.703R613nm+34.126R765nm-21.446R917nm
其中,YNaCl为氯化钠含量,R425nm、R481nm、R570nm、R613nm、R765nm、R917nm分别为校正样本在特征波长425nm、481nm、570nm、613nm、765nm、917nm处的光谱反射率值;
(2)测试:
(2-1)采集待测腌肉样品的近红外高光谱图像,获得的待测腌肉样品的高光谱图像经去噪处理和背景分离处理后,得到腌肉图像;提取腌肉图像的平均光谱,对平均光谱进行光谱强度校正和预处理,得到待测腌肉样品的光谱反射率值;
(2-2)将待测腌肉样品的高光谱特征波长下的光谱反射率值输入步骤(1-3)得到的腌肉氯化钠含量校正模型,得到待测腌肉样品的氯化钠含量;对比采用本实施例的腌肉氯化钠含量校正模型得到预测值与传统方法测量值之间的偏差,并通过对经该模型预测的预测值和标准方法测值进行关联,如图3所示,该模型的决定系数r为0.90,表明本发明的方法与标准方法之间相关性良好,进一步说明所建立的模型具有较好的预测能力。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受所述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (6)
1.一种快速测定腌肉中氯化钠含量的方法,其特征在于,包括以下步骤:
(1)建立腌肉氯化钠含量校正模型:
(1-1)以添加了不同含量氯化钠的多个腌肉制品为校正样本,采集校正样本的近红外高光谱图像,获得的校正样本的高光谱图像经去噪处理和背景分离处理后,得到腌肉图像;提取腌肉图像的平均光谱,对平均光谱进行光谱强度校正和预处理,得到校正样本的光谱反射率值;
(1-2)采用国际标准方法测定校正样本的氯化钠含量,得到校正样本的标准氯化钠含量;
(1-3)通过多元校正算法建立校正样本的高光谱特征波长下的光谱反射率值与校正样本的标准氯化钠含量的定量关系,得到腌肉氯化钠含量校正模型:
YNaCl=0.239+11.164R425nm-63.171R481nm+25.331R570nm+14.703R613nm+34.126R765nm-21.446R917nm
其中,YNaCl为氯化钠含量,R425nm、R481nm、R570nm、R613nm、R765nm、R917nm分别为校正样本在特征波长425nm、481nm、570nm、613nm、765nm、917nm处的光谱反射率值;
(2)测试:
(2-1)采集待测腌肉样品的近红外高光谱图像,获得的待测腌肉样品的高光谱图像经去噪处理和背景分离处理后,得到腌肉图像;提取腌肉图像的平均光谱,对平均光谱进行光谱强度校正和预处理,得到待测腌肉样品的光谱反射率值;
(2-2)将待测腌肉样品的高光谱特征波长下的光谱反射率值输入步骤(1-3)得到的腌肉氯化钠含量校正模型,得到待测腌肉样品的氯化钠含量。
2.根据权利要求1所述的快速测定腌肉中氯化钠含量的方法,其特征在于,步骤(1-1)所述背景分离处理,具体为:
将分割阀值设为0.2~0.25,将背景与腌肉图像进行分离。
3.根据权利要求1所述的快速测定腌肉中氯化钠含量的方法,其特征在于,步骤(1-1)所述预处理,具体为:
采用基线校正、去卷积、一阶微分或二阶微分进行预处理。
4.根据权利要求1所述的快速测定腌肉中氯化钠含量的方法,其特征在于,步骤(1-2)所述国际标准方法为国家标准方法GB/T9596.8-2008中的佛尔哈德法。
5.根据权利要求1所述的快速测定腌肉中氯化钠含量的方法,其特征在于,步骤(1-3)所述通过多元校正算法建立校正样本的高光谱特征波长下的光谱反射率值与校正样本的标准氯化钠含量的定量关系,具体为:
对预处理后的校正样本的高光谱特征波长下的光谱反射率值与校正样本的标准氯化钠含量进行偏最小二乘回归,得到多个待选模型;
通过最小值预测模型残差平方和PRESS确定校正模型最优主因子数;PRESS的计算方法如下:
其中,n为校正样本个数,yact为校正样本的标准氯化钠含量,ycal为校正样本利用待选模型的氯化钠含量预测值。
6.根据权利要求5所述的快速测定腌肉中氯化钠含量的方法,其特征在于,所述最优主因子数为5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310534845.4A CN103558167B (zh) | 2013-10-31 | 2013-10-31 | 一种快速测定腌肉中氯化钠含量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310534845.4A CN103558167B (zh) | 2013-10-31 | 2013-10-31 | 一种快速测定腌肉中氯化钠含量的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103558167A true CN103558167A (zh) | 2014-02-05 |
CN103558167B CN103558167B (zh) | 2016-08-17 |
Family
ID=50012477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310534845.4A Active CN103558167B (zh) | 2013-10-31 | 2013-10-31 | 一种快速测定腌肉中氯化钠含量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103558167B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104198379A (zh) * | 2014-07-22 | 2014-12-10 | 陆超 | 一种鉴别变质腊制品的方法 |
CN105115909A (zh) * | 2015-08-28 | 2015-12-02 | 中国农业科学院农产品加工研究所 | 基于高光谱成像技术检测花生中脂肪含量分布的方法 |
CN105181606A (zh) * | 2015-08-28 | 2015-12-23 | 中国农业科学院农产品加工研究所 | 基于高光谱成像技术检测花生中蔗糖含量分布的方法 |
CN105203464A (zh) * | 2015-08-28 | 2015-12-30 | 中国农业科学院农产品加工研究所 | 基于高光谱成像技术检测花生中油酸含量分布的方法 |
CN106290224A (zh) * | 2016-07-29 | 2017-01-04 | 北京工商大学 | 腊肉品质的检测方法 |
CN106442385A (zh) * | 2016-09-30 | 2017-02-22 | 浙江大学 | 一种桑葚花青素含量的光谱检测方法 |
CN106769894A (zh) * | 2016-12-09 | 2017-05-31 | 江苏大学 | 一种基于高光谱成像的腊肉腌制过程中盐分分布检测方法 |
CN107677635A (zh) * | 2017-08-31 | 2018-02-09 | 维沃移动通信有限公司 | 一种致癌物质的检测方法及移动终端 |
US10073019B2 (en) | 2014-11-06 | 2018-09-11 | Cem Corporation | Rapid quantitative element testing |
CN109406419A (zh) * | 2018-10-31 | 2019-03-01 | 北京中研百草检测认证有限公司 | 基于高光谱成像技术预测枸杞子中对羟基苯甲酸含量的方法 |
CN109883967A (zh) * | 2019-02-26 | 2019-06-14 | 江苏大学 | 一种基于信息融合的中华绒螯蟹品质等级判别方法 |
CN110118753A (zh) * | 2019-05-07 | 2019-08-13 | 华南理工大学 | 一种基于散射高光谱光学特性的肉品脂肪含量检测方法 |
CN110501310A (zh) * | 2019-05-07 | 2019-11-26 | 华南理工大学 | 一种基于非模型光学校正高光谱的食品检测方法 |
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 |
CN111398199A (zh) * | 2020-04-29 | 2020-07-10 | 中国农业大学 | 一种基于高光谱成像的小麦面粉微量元素快速检测方法 |
CN111521575A (zh) * | 2020-05-22 | 2020-08-11 | 国家地质实验测试中心 | 质控物质选择方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040227947A1 (en) * | 2001-07-17 | 2004-11-18 | Jose Luis Navarro Herrero | On-line method and equipment for detecting, determining the evolution and quantifying a microbial biomass and other substances that absorb light along the spectrum during the development of biotechnological processes |
CN101059427A (zh) * | 2007-05-29 | 2007-10-24 | 浙江大学 | 多光谱成像技术快速无损测量茶树含氮量的方法 |
CN101403689A (zh) * | 2008-11-20 | 2009-04-08 | 北京航空航天大学 | 一种植物叶片生理指标无损检测方法 |
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 |
CN102636451A (zh) * | 2012-04-24 | 2012-08-15 | 上海海洋大学 | 一种快速测定带鱼糜、鱼糕中磷酸盐含量的方法 |
CN103257118A (zh) * | 2013-04-22 | 2013-08-21 | 华南理工大学 | 一种基于特征波段的鱼肉嫩度高光谱检测方法 |
-
2013
- 2013-10-31 CN CN201310534845.4A patent/CN103558167B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040227947A1 (en) * | 2001-07-17 | 2004-11-18 | Jose Luis Navarro Herrero | On-line method and equipment for detecting, determining the evolution and quantifying a microbial biomass and other substances that absorb light along the spectrum during the development of biotechnological processes |
CN101059427A (zh) * | 2007-05-29 | 2007-10-24 | 浙江大学 | 多光谱成像技术快速无损测量茶树含氮量的方法 |
CN101403689A (zh) * | 2008-11-20 | 2009-04-08 | 北京航空航天大学 | 一种植物叶片生理指标无损检测方法 |
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 |
CN102636451A (zh) * | 2012-04-24 | 2012-08-15 | 上海海洋大学 | 一种快速测定带鱼糜、鱼糕中磷酸盐含量的方法 |
CN103257118A (zh) * | 2013-04-22 | 2013-08-21 | 华南理工大学 | 一种基于特征波段的鱼肉嫩度高光谱检测方法 |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104198379A (zh) * | 2014-07-22 | 2014-12-10 | 陆超 | 一种鉴别变质腊制品的方法 |
US10073019B2 (en) | 2014-11-06 | 2018-09-11 | Cem Corporation | Rapid quantitative element testing |
CN105203464B (zh) * | 2015-08-28 | 2018-06-26 | 中国农业科学院农产品加工研究所 | 基于高光谱成像技术检测花生中油酸含量分布的方法 |
CN105115909A (zh) * | 2015-08-28 | 2015-12-02 | 中国农业科学院农产品加工研究所 | 基于高光谱成像技术检测花生中脂肪含量分布的方法 |
CN105181606A (zh) * | 2015-08-28 | 2015-12-23 | 中国农业科学院农产品加工研究所 | 基于高光谱成像技术检测花生中蔗糖含量分布的方法 |
CN105203464A (zh) * | 2015-08-28 | 2015-12-30 | 中国农业科学院农产品加工研究所 | 基于高光谱成像技术检测花生中油酸含量分布的方法 |
CN105181606B (zh) * | 2015-08-28 | 2018-06-26 | 中国农业科学院农产品加工研究所 | 基于高光谱成像技术检测花生中蔗糖含量分布的方法 |
CN105115909B (zh) * | 2015-08-28 | 2018-02-16 | 中国农业科学院农产品加工研究所 | 基于高光谱成像技术检测花生中脂肪含量分布的方法 |
CN106290224A (zh) * | 2016-07-29 | 2017-01-04 | 北京工商大学 | 腊肉品质的检测方法 |
CN106442385A (zh) * | 2016-09-30 | 2017-02-22 | 浙江大学 | 一种桑葚花青素含量的光谱检测方法 |
CN106769894A (zh) * | 2016-12-09 | 2017-05-31 | 江苏大学 | 一种基于高光谱成像的腊肉腌制过程中盐分分布检测方法 |
CN107677635A (zh) * | 2017-08-31 | 2018-02-09 | 维沃移动通信有限公司 | 一种致癌物质的检测方法及移动终端 |
CN109406419A (zh) * | 2018-10-31 | 2019-03-01 | 北京中研百草检测认证有限公司 | 基于高光谱成像技术预测枸杞子中对羟基苯甲酸含量的方法 |
CN109883967A (zh) * | 2019-02-26 | 2019-06-14 | 江苏大学 | 一种基于信息融合的中华绒螯蟹品质等级判别方法 |
CN109883967B (zh) * | 2019-02-26 | 2022-03-22 | 江苏大学 | 一种基于信息融合的中华绒螯蟹品质等级判别方法 |
CN110118753A (zh) * | 2019-05-07 | 2019-08-13 | 华南理工大学 | 一种基于散射高光谱光学特性的肉品脂肪含量检测方法 |
CN110501310A (zh) * | 2019-05-07 | 2019-11-26 | 华南理工大学 | 一种基于非模型光学校正高光谱的食品检测方法 |
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 |
CN111398199A (zh) * | 2020-04-29 | 2020-07-10 | 中国农业大学 | 一种基于高光谱成像的小麦面粉微量元素快速检测方法 |
CN111521575A (zh) * | 2020-05-22 | 2020-08-11 | 国家地质实验测试中心 | 质控物质选择方法及装置 |
CN111521575B (zh) * | 2020-05-22 | 2023-03-14 | 国家地质实验测试中心 | 质控物质选择方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103558167B (zh) | 2016-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103558167A (zh) | 一种快速测定腌肉中氯化钠含量的方法 | |
Su et al. | Fourier transform infrared and Raman and hyperspectral imaging techniques for quality determinations of powdery foods: A review | |
Hu et al. | Rapid detection of three quality parameters and classification of wine based on Vis-NIR spectroscopy with wavelength selection by ACO and CARS algorithms | |
Başlar et al. | Determination of protein and gluten quality-related parameters of wheat flour using near-infrared reflectance spectroscopy (NIRS) | |
Ouyang et al. | Intelligent sensing sensory quality of Chinese rice wine using near infrared spectroscopy and nonlinear tools | |
CN101413885A (zh) | 一种快速定量蜂蜜品质的近红外光谱方法 | |
Malvandi et al. | Non-destructive measurement and real-time monitoring of apple hardness during ultrasonic contact drying via portable NIR spectroscopy and machine learning | |
CN110646407A (zh) | 一种基于激光诱导击穿光谱技术的水产品中磷元素含量的快速检测方法 | |
CN103344597B (zh) | 一种抗调味干扰的莲藕内部成分近红外无损检测的方法 | |
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 | |
CN102393376A (zh) | 基于支持向量回归的鱼丸多组分含量检测的近红外光谱法 | |
CN109374548A (zh) | 一种利用近红外快速测定大米中营养成分的方法 | |
Li et al. | Nondestructive detection of frying times for soybean oil by NIR-spectroscopy technology with Adaboost-SVM (RBF) | |
CN103645155A (zh) | 生鲜羊肉嫩度的快速无损检测方法 | |
CN102937575B (zh) | 一种基于二次光谱重组的西瓜糖度快速建模方法 | |
CN106950192A (zh) | 一种基于近红外光谱分析技术的植物蛋白饮料中主要成分含量快速检测的方法 | |
CN109520962A (zh) | 一种葡萄酒近红外光谱检测方法 | |
CN110749565A (zh) | 一种快速鉴别普洱茶存储年份的方法 | |
Chen et al. | Prediction of milled rice grades using Fourier transform near-infrared spectroscopy and artificial neural networks | |
CN104596979A (zh) | 近红外漫反射光谱技术测定造纸法再造烟叶纤维素的方法 | |
CN102519903B (zh) | 一种近红外光谱测定双孢蘑菇白度值的方法 | |
CN104132904B (zh) | 一种测定烟叶燃烧性的方法 | |
Sun et al. | Improved partial least squares regression for rapid determination of reducing sugar of potato flours by near infrared spectroscopy and variable selection method | |
CN104266995B (zh) | 一种近红外光谱技术快速检测干海参蛋白质含量的方法 | |
Dong et al. | Nondestructive method for analysis of the soybean quality |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |