CN104568827A - 一种近红外光谱法测定西瓜中糖含量的方法 - Google Patents
一种近红外光谱法测定西瓜中糖含量的方法 Download PDFInfo
- Publication number
- CN104568827A CN104568827A CN201510037074.7A CN201510037074A CN104568827A CN 104568827 A CN104568827 A CN 104568827A CN 201510037074 A CN201510037074 A CN 201510037074A CN 104568827 A CN104568827 A CN 104568827A
- Authority
- CN
- China
- Prior art keywords
- sample
- watermelon
- model
- infrared
- dry powder
- 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
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种近红外光谱法测定西瓜中糖含量的方法,包括如下步骤:(1)将西瓜样进行预处理:取所述西瓜样的可食部分进行干燥后得到干粉样;(2)HPLC分析所述干粉样;(3)近红外光谱分析所述干粉样并采集光谱。发明近红外光谱法测定西瓜中糖含量的方法具有快速、准确的优点。
Description
技术领域
本发明涉及一种糖含量的方法,具体涉及一种近红外光谱法测定西瓜中糖含量的方法。
背景技术
近红外光谱(Near Infrared Reflectance Spectroscopy,NIRs)分析技术是通过被分析物质中的含氢基团如OH、CH、NH、SH、PH等在近红外区域内表现有特征吸收,利用计算机技术及现代数学,对扫描测试样品的光学数据作一系列的分析处理,最后完成该样品有关成分的定量分析任务。几乎所有的有机物在近红外区都有特征吸收信号,可以同时测得样品主要成份的含量。目前此项技术广泛应用于农业、生物学、石化、食品、医药、纺织等领域,由于它具有不破坏样品、快速、准确等优点,通常又被称为非破坏分析法,该项技术是现代农业及生物科学中极有发展前途的一种新技术。
利用近红外测定物质的成分具有无损、快速、可靠、精确的特点,在饲料、谷物品质快速测定、目标物的筛选方面得到了广泛的应用,尤其在水分、蛋白、纤维素、灰分、脂肪、氨基酸等化学成分定量测定中有较快的发展,国内外有很多文献报道。在蔬菜的营养品质评价方面,金同铭等用近红外光谱法非破坏性检测了西红柿中蔗糖、葡萄糖、果糖、柠檬酸、苹果酸、琥珀酸、抗坏血酸等营养成分,与高效液相色谱法相比,近红外光谱法有相似的准确性和精度。金同铭等还用该法检测南瓜的胡萝卜素和维生素E以及苹果,草莓中的蔗糖、葡萄糖、果糖和苹果酸,结果都表明近红外光谱分析法可满足实际应用所需的测定精度。
西瓜是一种世界性的园艺作物,当今世界第五大水果。如何评价西瓜品质是一个复杂的问题。
发明内容
本发明提供了一种近红外光谱法测定西瓜中糖含量的方法,本发明方法具有方便、快速、准确的优点,
一种近红外光谱法测定西瓜中糖含量的方法,包括如下步骤:
(1)将西瓜样本进行预处理:取西瓜的可食部分作为西瓜样本进行干燥后得到干粉样本;
(2)HPLC分析所述干粉样本;
(3)近红外光谱分析所述干粉样本并采集光谱:先选取校正集样本和验证集样本,采用PLS1全交互验证算法建立近红外模型,分别考察5种光谱预处理方法对所述近红外模型的影响,所述5种光谱预处理方法为:无预处理、一阶导、标准化、多元散射校正、标准正态变量;以预测均方根作为参考指标,建立校正近红外模型,然后验证所述近红外模型用于西瓜干粉中糖含量的测定的可行性;最后测定所述干粉样本量增大对所述近红外模型的影响,测定所述干粉样本中果糖、葡萄糖及蔗糖的含量。
本发明所述近红外光谱法测定西瓜中糖含量的方法,其中,所述步骤(1)具体包括如下步骤:
取所述西瓜样本3~5个为一个样本,按四分法取可食部分混匀,冷冻干燥后粉碎得到所述干粉样本,将所述干粉样本在-20℃条件下密封保存备用。
本发明所述近红外光谱法测定西瓜中糖含量的方法,其中,所述步骤(2)中所述HPLC分析参数为:
仪器规格:检测器:RID-10示差检测器,色谱柱:Asahipak NH2P-504E,检测器:RID-10A,流动相:乙腈:水=4:1;
糖提取条件:称取1.0g所述干粉样本,水提取;料液比为1:25,超声波提取30min,提取两次,定容至50ml,0.45μm滤膜过滤。
本发明所述近红外光谱法测定西瓜中糖含量的方法,其中,所述近红外光谱分析参数为:MicroNIR1700近红外光谱仪,整机大小Ф45mm×42mm,波长范围:908.1~1676.2nm,相邻波段间隔6.19nm,共125个波长点;利用MicroNIR1700微型近红外光谱对所有的西瓜干粉样品进行近红外光谱扫描,每个样品扫描三次;参数设置:单次积分时间1000μs,重复次数50次;数据分析软件Μnscrambler9.7。
本发明所述近红外光谱法测定西瓜中糖含量的方法,其中,所述选取校正集样本和验证集样本的方法为:
采用PCA算法对所述干粉样本进行分解,所述干粉样本的数量为80,得到校正集样本和验证集样本,所述校正集样本数量为70,所述验证集样本数量为10,建立所述近红外模型。
本发明所述近红外光谱法测定西瓜中糖含量的方法,其中,所述建立近红外模型并考察5种光谱预处理方法对所述近红外模型的影响具体包括如下步骤:
在全谱范围内采用PLS1全交互验证所述近红外模型,分别考察5种不同光谱预处理方法对模型的影响,所述5种光谱预处理方法为:无预处理、一阶导、标准化、多元散射校正、标准正态变量;以预测均方根作为参考指标确定建立所述近红外模型的方法,建立果糖、葡萄糖和蔗糖的建模回归曲线。
本发明所述近红外光谱法测定西瓜中糖含量的方法,其中,所述验证所述近红外模型用于西瓜干粉中糖含量的测定的可行性的方法为:
根据所述建立校正模型的最优方法分别测定所述验证集样本果糖、葡萄糖和蔗糖的预测结果偏差、SEP值和RPD值,验证所述近红外模型用于西瓜干粉中糖含量的测定的可行性。
本发明所述近红外光谱法测定西瓜中糖含量的方法,其中,所述测定增大样本对近红外模型的影响具体包括如下步骤:
在选取70个校正集样本建立校正模型的情况下,将每个所述干粉样本采集的3条光谱同时参与建模,不对光谱进行预处理,建立样本增大模型,所述增大模型的测定方法与所述近红外模型的测定方法相同,将所述增大模型和所述近红外模型的测定结果进行对比,找出增大样本对近红外模型的影响。
与现有技术相比本发明近红外光谱法测定西瓜中糖含量的方法的优点如下:
西瓜果糖、葡萄糖、蔗糖的含量是评价西瓜品质好坏的主要指标,按照常规化学分析测定这些指标既费时又费力,又需要大量化学试剂,费用较高而且污染环境,往往给系统评价工作增加了难度;本发明方法主要利用JDSΜMicroNIR1700近红外光谱仪采集了西瓜的光谱图,研究了西瓜中果糖、葡萄糖、蔗糖的建模及应用方法;本发明方法采用测定仪器将光源、分光系统以及检测器高度集成,体积小,方便携带,测定速度快,测定结果较准确,同时可以应用于现场检测,是一种非破坏快速定量果糖、葡萄糖、蔗糖的分析方法,不仅为品质育种及资源评价提供有益的参考,而且对加快品种资源研究,提供了十分方便的测试手段。
下面结合附图对本发明近红外光谱法测定西瓜中糖含量的方法作进一步说明。
附图说明
图1为本发明近红外光谱法测定西瓜中糖含量的方法中西瓜干粉近红外光谱图;
图2为本发明近红外光谱法测定西瓜中糖含量的方法中所有西瓜干粉样本数据PCA第1、2主成分得分散点图;
图3为本发明近红外光谱法测定西瓜中糖含量的方法中一组光谱建立果糖模型的真实值和预测值回归曲线;
图4为本发明近红外光谱法测定西瓜中糖含量的方法中一组光谱建立葡萄糖模型的真实值和预测值回归曲线;
图5为本发明近红外光谱法测定西瓜中糖含量的方法中一组光谱建立蔗糖模型的真实值和预测值回归曲线;
图6为本发明近红外光谱法测定西瓜中糖含量的方法中一组光谱建立模型时果糖、葡萄糖和蔗糖的真实值和预测值示意图;
图7为本发明近红外光谱法测定西瓜中糖含量的方法中三组光谱建立果糖模型的真实值和预测值回归曲线;
图8为本发明近红外光谱法测定西瓜中糖含量的方法中三组光谱建立葡萄糖模型的真实值和预测值回归曲线;
图9为本发明近红外光谱法测定西瓜中糖含量的方法中三组光谱建立蔗糖模型的真实值和预测值回归曲线;
图10为本发明近红外光谱法测定西瓜中糖含量的方法中三组光谱建立模型时果糖、葡萄糖和蔗糖的真实值和预测值示意图;
具体实施方式
实施例1
一种近红外光谱法测定西瓜中糖含量的方法,包括如下步骤:
(1)将西瓜样本进行预处理:取西瓜的可食部分作为西瓜样本进行干燥后得到干粉样本;
(2)HPLC分析所述干粉样本;
(3)近红外光谱分析所述干粉样本并采集光谱:先选取校正集样本和验证集样本,采用PLS1全交互验证算法建立近红外模型,分别考察5种光谱预处理方法对所述近红外模型的影响,所述5种光谱预处理方法为:无预处理、一阶导、标准化、多元散射校正、标准正态变量;以预测均方根作为最重要的参考指标,优化所述校正近红外模型,然后验证所述近红外模型用于西瓜干粉中糖含量的测定的可行性;最后测定所述干粉样本量增大对所述近红外模型的影响,测定所述干粉样本中果糖、葡萄糖及蔗糖的含量。
实施例2
(1)取所述西瓜样本3~5个为一个样本,按四分法取可食部分混匀,冷冻干燥后粉碎得到所述干粉样本,将所述干粉样本在-20℃条件下密封保存备用;
(2)HPLC分析西瓜果糖、葡萄糖、蔗糖
本实验主要提供80个西瓜干粉样本中果糖、葡萄糖及蔗糖三个主要成分的HPLC分析结果见表1;
表1 西瓜干粉果糖、葡萄糖、蔗糖含量
由于西瓜品种资源丰富,果糖、葡萄糖、蔗糖的含量有较大差异,结果见表2,为建立光谱模型提供了条件。
表2 西瓜样品果糖、葡萄糖、蔗糖含量差异
样品光谱采集
实验过程中将仪器固定在铁架台上,将西瓜干粉样本倒入样品杯,将样品杯放在仪器上方进行光谱扫描。在扫描样品之前,以仪器自带的参考版扫描背景光谱,每个样品在不同位置扫描3条光谱。样品光谱图如图1所示。
近红外光谱分析参数为:MicroNIR1700近红外光谱仪,整机大小Ф45mm×42mm,波长范围:908.1~1676.2nm,相邻波段间隔6.19nm,共125个波长点;利用MicroNIR1700微型近红外光谱对所有的西瓜干粉样品进行近红外光谱扫描,每个样品扫描三次;参数设置:单次积分时间1000μs,重复次数50次;数据分析软件Μnscrambler9.7。
校正集和验证集样本选取
对近红外模型而言,校正集和验证集样本都必须能代表原始样本的数据分布情况。采用PCA算法对所有80个样本进行分解,前二个主分成的贡献率分别为87%和12%,即代表了原始光谱99%的信息。前两个主成分的得分散点图如图2所示,从图2可以看出,所有样本是呈现均匀分布的,所有样本之间没有非常明显的分类现象。所以从所有样本中采取了随机选择的方式挑选出了10个样本作为验证集,其余70个作为校正集,建立模型。
模型的建立与优化
在全谱范围内采用PLS1全交互验证算法建立模型,分别考察了5种不同光谱预处理方法对模型的影响,结果如表3所示。在表中所列出的模型评价参数中,预测均方根(RMSEP)作为参考指标,因此,确定了不对光谱预处理直接建立校正模型为最优方法,果糖、葡萄糖和蔗糖的建模回归曲线如图3~5所示。
表3 果糖、蔗糖、葡萄糖模型在不同光谱预处理方法时的模型参数
建立的模型是否能准确的预测未知样本,除了考察交互验证时的RMSEP等值外,更重要的是看能否预测准确未参与建模的验证集样本。因此采用3.3优化好的方法对验证集样本进行了预测,结果如图6所示。
果糖预测结果的偏差范围为-4.291~1.523,葡萄糖预测结果的偏差范围为-2.028~1.549,蔗糖预测结果的偏差范围为-3.245~5.028;果糖、葡萄糖和蔗糖的SEP分别为1.73、1.21和2.56,根据表2中给出的样本标准偏差计算果糖、葡萄糖和蔗糖的RPD值分别为4.72、3.77和3.13,都大于3,这表明该模型从统计意义考察是可以正常用于西瓜干粉中糖含量的测定。
在葡萄糖模型的建立过程中,SNV预处理的RMSEP值最小,但考虑到采用SNV预处理是模型的维数为10,而无预处理时模型维数为4,差异明显,其他评价参数差异较小,本着防止模型过拟合的原则,确定无预处理为葡萄糖建模时光谱预处理方法。
样本量增大对模型的影响
在建立样品近红外化学计量学模型时,除了样本的代表性外,样本量也是很重要的一个参数,分析对象含量不同的样本量越多,越接近真实情况下分析对象在样本中的分布情况。西瓜是一种大家都很喜爱的农产品,属于天然产物的一种,化学成分很多,与相对简单的化学合成产品不同,其中有很多干扰糖分含量测定的其他化合物,这也需要我们能尽可能多的扩大样本量;在仅有70个样本建立校正模型的情况下,将每个样本采集的3条光谱同时参与建模;不对光谱进行预处理,建立模型,参数如表4所示;果糖、葡萄糖和蔗糖的建模回归曲线如图7~9所示。
表4 样本量增加后建立模型的评价参数
与表3中相关参数比较,每个分析对象的模型维数和组成分得分没有变化,这说明采用直接增加同一样本的光谱数据来增加样本量是不影响数据回归之前PCA分解的。RMSEP值明显要比1组数据建立模型的值小,R2明显增大,这都表明模型性能有所提高。
采用建立好的模型对另外10个样本的共计30条光谱进行预测,每一个样本3条光谱的预测值取平均作为该样本的预测值。结果如图10所示;果糖、葡萄糖和蔗糖预测偏差的范围分别为-3.354~1.898、-1.992~1.610和-2.624~5.039,SEP分别为1.88、1.22和2.44。偏差范围要比1组数据时窄,SEP值除葡萄糖稍有所增大外,果糖和蔗糖的明显较小。这表明增大样本量能提高模型性能。
本实施例建立了西瓜干粉中果糖、葡萄糖及蔗糖的近红外光谱分析检测方法,采用MicroNIR1700微型近红外光谱仪采集样品光谱,以HPLC法测定西瓜干粉中果糖、葡萄糖及蔗糖三个成分的化学值为对照值,采用偏最小二乘回归算法建立在线测量指标性成分的近红外光谱校正模型。从模型及预测结果来看,多组数据所建立的模型的各参数均优于一组数据所建立的模型,且预测结果也优于单一光谱所建立的模型,能够快速、准确测定出西瓜果糖、葡萄糖及蔗糖的含量,达到了实验预期目的。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案作出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (8)
1.一种近红外光谱法测定西瓜中糖含量的方法,其特征在于,包括如下步骤:
(1)将西瓜样本进行预处理:取西瓜的的可食部分作为西瓜样本进行干燥后得到干粉样本;
(2)HPLC分析所述干粉样本;
(3)近红外光谱分析所述干粉样本并采集光谱:先选取校正集样本和验证集样本,采用PLS1全交互验证算法建立近红外模型,分别考察5种光谱预处理方法对所述近红外模型的影响,所述5种光谱预处理方法为:无预处理、一阶导、标准化、多元散射校正、标准正态变量;以预测均方根作为参考指标,建立所述校正近红外模型,然后验证所述近红外模型用于西瓜干粉中糖含量的测定的可行性;最后测定所述干粉样本量增大对所述近红外模型的影响,测定所述干粉样本中果糖、葡萄糖及蔗糖的含量。
2.根据权利要求1所述近红外光谱法测定西瓜中糖含量的方法,其特征在于,所述步骤(1)具体包括如下步骤:
取所述西瓜样本3~5个为一个样本,按四分法取可食部分混匀,冷冻干燥后粉碎得到所述干粉样本,将所述干粉样本在-20℃条件下密封保存备用。
3.根据权利要求1所述近红外光谱法测定西瓜中糖含量的方法,其特征在于,所述步骤(2)中所述HPLC分析参数为:
仪器规格:检测器:RID-10示差检测器,色谱柱:Asahipak NH2P-504E,检测器:RID-10A,流动相:乙腈:水=4:1;
糖提取条件:称取1.0g所述干粉样本,水提取;料液比为1:25,超声波提取30min,提取两次,定容至50ml,0.45μm滤膜过滤。
4.根据权利要求1所述近红外光谱法测定西瓜中糖含量的方法,其特征在于,所述近红外光谱分析参数为:MicroNIR1700近红外光谱仪,整机大小Ф45mm×42mm,波长范围:908.1~1676.2nm,相邻波段间隔6.19nm,共125个波长点;利用MicroNIR1700微型近红外光谱对所有的西瓜干粉样品进行近红外光谱扫描,每个样品扫描三次;参数设置:单次积分时间1000μs,重复次数50次;数据分析软件Μnscrambler9.7。
5.根据权利要求4所述近红外光谱法测定西瓜中糖含量的方法,其特征在于,所述选取校正集样本和验证集样本的方法为:
采用PCA算法对所述干粉样本进行分解,所述干粉样本的数量为80,得到校正集样本和验证集样本,所述校正集样本数量为70,所述验证集样本数量为10,建立所述近红外模型。
6.根据权利要求5所述近红外光谱法测定西瓜中糖含量的方法,其特征在于,所述建立近红外模型并考察5种光谱预处理方法对所述近红外模型的影响具体包括如下步骤:
在全谱范围内采用PLS1全交互验证所述近红外模型,分别考察5种不同光谱预处理方法对模型的影响,所述5种光谱预处理方法为:无预处理、一阶导、标准化、多元散射校正、标准正态变量;以预测均方根作为参考指标确定建立所述近红外模型的方法,建立果糖、葡萄糖和蔗糖的建模回归曲线。
7.根据权利要求6所述近红外光谱法测定西瓜中糖含量的方法,其特征在于,所述验证所述近红外模型用于西瓜干粉中糖含量的测定的可行性的方法为:
根据所述建立校正模型的方法分别测定所述验证集样本果糖、葡萄糖和蔗糖的预测结果偏差、SEP值和RPD值,验证所述近红外模型用于西瓜干粉中糖含量的测定的可行性。
8.根据权利要求7所述近红外光谱法测定西瓜中糖含量的方法,其特征在于,所述测定增大样本对近红外模型的影响具体包括如下步骤:
在选取70个校正集样本建立校正模型的情况下,将每个所述干粉样本采集的3条光谱同时参与建模,不对光谱进行预处理,建立样本增大模型,所述增大模型的测定方法与所述近红外模型的测定方法相同,将所述增大模型和所述近红外模型的测定结果进行对比,找出增大样本对近红外模型的影响。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510037074.7A CN104568827A (zh) | 2015-01-23 | 2015-01-23 | 一种近红外光谱法测定西瓜中糖含量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510037074.7A CN104568827A (zh) | 2015-01-23 | 2015-01-23 | 一种近红外光谱法测定西瓜中糖含量的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104568827A true CN104568827A (zh) | 2015-04-29 |
Family
ID=53085404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510037074.7A Pending CN104568827A (zh) | 2015-01-23 | 2015-01-23 | 一种近红外光谱法测定西瓜中糖含量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104568827A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111665217A (zh) * | 2020-06-09 | 2020-09-15 | 吉林省农业科学院 | 一种大豆种子蔗糖含量的近红外光谱检测方法 |
CN112816435A (zh) * | 2021-02-01 | 2021-05-18 | 广东省农业科学院蔬菜研究所 | 一种利用近红外光谱检测南瓜糖含量的方法 |
CN114813627A (zh) * | 2022-04-24 | 2022-07-29 | 广东省农业科学院环境园艺研究所 | 一种基于近红外光谱的金钗石斛甘露糖含量检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102636450A (zh) * | 2012-04-18 | 2012-08-15 | 西北农林科技大学 | 基于近红外光谱技术无损检测枸杞中枸杞多糖含量的方法 |
CN104062263A (zh) * | 2014-07-11 | 2014-09-24 | 中国农业大学 | 光物性相近水果品质指标的近红外通用模型检测方法 |
-
2015
- 2015-01-23 CN CN201510037074.7A patent/CN104568827A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102636450A (zh) * | 2012-04-18 | 2012-08-15 | 西北农林科技大学 | 基于近红外光谱技术无损检测枸杞中枸杞多糖含量的方法 |
CN104062263A (zh) * | 2014-07-11 | 2014-09-24 | 中国农业大学 | 光物性相近水果品质指标的近红外通用模型检测方法 |
Non-Patent Citations (2)
Title |
---|
介邓飞: "近红外光谱变量筛选提高西瓜糖度预测模型精度", 《农业工程学报》 * |
张帆等: "西瓜可溶性糖和纤维素含量的近红外光谱测定", 《食品科学》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111665217A (zh) * | 2020-06-09 | 2020-09-15 | 吉林省农业科学院 | 一种大豆种子蔗糖含量的近红外光谱检测方法 |
CN112816435A (zh) * | 2021-02-01 | 2021-05-18 | 广东省农业科学院蔬菜研究所 | 一种利用近红外光谱检测南瓜糖含量的方法 |
WO2022160662A1 (zh) * | 2021-02-01 | 2022-08-04 | 广东省农业科学院蔬菜研究所 | 一种利用近红外光谱检测南瓜糖含量的方法 |
CN114813627A (zh) * | 2022-04-24 | 2022-07-29 | 广东省农业科学院环境园艺研究所 | 一种基于近红外光谱的金钗石斛甘露糖含量检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Malegori et al. | Comparing the analytical performances of Micro-NIR and FT-NIR spectrometers in the evaluation of acerola fruit quality, using PLS and SVM regression algorithms | |
Chen et al. | Quantification of total polysaccharides and triterpenoids in Ganoderma lucidum and Ganoderma atrum by near infrared spectroscopy and chemometrics | |
Teerachaichayut et al. | Non-destructive prediction of total soluble solids, titratable acidity and maturity index of limes by near infrared hyperspectral imaging | |
Li et al. | Application of long-wave near infrared hyperspectral imaging for measurement of soluble solid content (SSC) in pear | |
Zamora-Rojas et al. | Handheld NIRS analysis for routine meat quality control: Database transfer from at-line instruments | |
Lin et al. | Determination of grain protein content by near-infrared spectrometry and multivariate calibration in barley | |
Xue et al. | Application of particle swarm optimization (PSO) algorithm to determine dichlorvos residue on the surface of navel orange with Vis-NIR spectroscopy | |
CN101413885A (zh) | 一种快速定量蜂蜜品质的近红外光谱方法 | |
CN102590129B (zh) | 近红外检测花生中氨基酸含量的方法 | |
Sánchez et al. | NIRS technology for fast authentication of green asparagus grown under organic and conventional production systems | |
Munawar et al. | Near infrared spectroscopic data for rapid and simultaneous prediction of quality attributes in intact mango fruits | |
Torres et al. | Fast and accurate quality assessment of Raf tomatoes using NIRS technology | |
Cortés et al. | Integration of simultaneous tactile sensing and visible and near-infrared reflectance spectroscopy in a robot gripper for mango quality assessment | |
Phetpan et al. | An online visible and near-infrared spectroscopic technique for the real-time evaluation of the soluble solids content of sugarcane billets on an elevator conveyor | |
Zhang et al. | Use of signal to noise ratio and area change rate of spectra to evaluate the Visible/NIR spectral system for fruit internal quality detection | |
CN102937575B (zh) | 一种基于二次光谱重组的西瓜糖度快速建模方法 | |
CN105486662A (zh) | 一种基于近红外光谱技术的棉籽棉酚含量的无损测定方法 | |
Yang et al. | Application of near-infrared spectroscopy and chemometrics for the rapid quality assessment of Sargassum fusiforme | |
CN104568827A (zh) | 一种近红外光谱法测定西瓜中糖含量的方法 | |
Ferrara et al. | The prediction of ripening parameters in Primitivo wine grape cultivar using a portable NIR device | |
CN103344597A (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 | |
Pires et al. | Ripening assessment of ‘Ortanique’(Citrus reticulata Blanco x Citrus sinensis (L) Osbeck) on tree by SW-NIR reflectance spectroscopy-based calibration models | |
Udompetaikul et al. | Development of the partial least-squares model to determine the soluble solids content of sugarcane billets on an elevator conveyor | |
CN108169168A (zh) | 检测分析水稻籽粒蛋白质含量数学模型及构建方法和应用 | |
CN106092961A (zh) | 一种快速检测农产品中化学成分的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150429 |