CN105021736A - 原奶或液态奶真实性鉴别方法和系统 - Google Patents
原奶或液态奶真实性鉴别方法和系统 Download PDFInfo
- Publication number
- CN105021736A CN105021736A CN201510470889.4A CN201510470889A CN105021736A CN 105021736 A CN105021736 A CN 105021736A CN 201510470889 A CN201510470889 A CN 201510470889A CN 105021736 A CN105021736 A CN 105021736A
- Authority
- CN
- China
- Prior art keywords
- model
- milk
- sample set
- discriminating
- fatty acid
- 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
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种原奶或液态奶真实性鉴别方法和系统。其中的方法包括:将采集到的原奶或液态奶样本的训练样本集进行氨基酸指纹、脂肪酸指纹或脂肪酸气相色谱指纹的采集,并用化学计量学软件进行数据结构分析,建立定性和定量鉴别模型;同时对奶样验证样本集进行氨基酸指纹、脂肪酸或脂肪酸气相色谱指纹的采集,并将采集的数据输入已建立的定性或定量鉴别模型,以验证模型的准确性和稳定性,并进行模型优化,直至模型准确率满足要求。最后,将优化的鉴别模型用于对原奶和液态奶真实性的鉴别。本发明可以更加准确可靠的对奶样本的真伪进行鉴别。
Description
技术领域
本发明涉及奶加工技术领域,尤其涉及一种鉴别原奶或液态奶真实性的方法和系统。
背景技术
我国牛和山羊奶业发展的同时,马、骆驼、牦牛和水牛等动物乳(特种乳)也逐步得到了商品化开发,特种生鲜乳、消毒液态乳、发酵乳、奶酪、奶皮、奶酒和乳扇等特色产品开始在大城市超市、专卖店或蒙藏医院等场所销售。由于特种乳供应量少,风味独特,又具有较高营养价值及保健功能,特种乳产品经常供不应求,其生鲜奶价格高于牛羊奶几倍甚至十几倍。2013年至2014年初,我国主要产奶区生鲜牛奶价格在3.5~4.5元/kg,而据我们实地调查,内蒙古锡林高勒和呼伦贝尔牧民家生鲜马奶30~60元/kg,骆驼奶40~90元/kg。马奶在旅游点、蒙医院零售价甚至翻倍。位于呼和浩特市的国际中蒙医院为适应症患者提供酸马奶,但经常处于有价无货的状态。双峰驼奶干物质、脂肪和蛋白质都显著高于牛乳,也有一些显著的治疗和保健功效,故有人称其为“沙漠白金”。现代研究也证明驼乳有抗菌、护肝、防治糖尿病和慢性肾衰竭等作用,其生物活性成分也成为研究热点。目前新疆旺源驼乳产品远销广东、浙江地区,价格不菲。内蒙古阿拉善地区也有商业化加工的驼乳。
巨大的供需矛盾和悬殊的价位差异,使得马和驼等特种家畜鲜乳及乳制品极易遭受掺假和冒充,甚至掺入大量植脂末、人造奶油、植物油、植物蛋白及糊精等非乳、非动物性成分。国内和国际不断发生的食品掺假事件,譬如席卷欧洲十几国的一系列马肉事件、我国“传统”的“挂羊头卖狗肉”问题,以及时常让国人绷紧神经的乳品质量和安全问题,都提示特种动物乳真实性和品质、安全性保障的必要性。
检验、监督和管理的开展必需有科技的支持和保障,即首要环节是检验检测技术的开发。
低价的牛奶、羊奶冒充或掺入高价位的特种动物乳是最容易和最可能发生的,另外乳中引入植物性成分也很常见,因此“物种真实性鉴别”是品质和安全性保障的一个重要方面。这种掺假或冒充虽然引起食品安全事故的风险比化学掺假低,但这种欺诈行为使产品失去了消费者想要的营养属性和保健功能,也冒犯消费者、社会文明和法规的尊严。这种违法牟利也会扰乱市场秩序、破坏特种乳制品的健康发展,甚至会反向淘汰。因此很有必要进行此类研究。
发明内容
鉴于此,本发明旨在提出一种鉴别原奶和液态奶真实性的方法及系统,基于本发明,可以更加准确可靠的对原奶和液态奶的真实性进行鉴别。
第一方面,本发明原奶或液态奶真实性鉴别方法,包括如下步骤:
步骤1,将收集的原奶或液态奶的奶样本划分为训练样本集和验证样本集,所述训练样本集用于模型建立,所述验证样本集用于模型验证和优化;
步骤2,对所述训练样本集,进行氨基酸指纹、脂肪酸指纹或脂肪酸气相色谱指纹的检测和采集;
步骤3,对所述训练样本集的氨基酸指纹、脂肪酸指纹或脂肪酸气相色谱指纹,用化学计量学软件进行数据结构分析,基于分析结果选择数据前处理方法和化学计量学软件中的分析模块建立多个鉴别模型,所述鉴别模型包括定性模型和/或定量模型;
步骤4,对所述验证样本集,也进行氨基酸指纹、脂肪酸指纹或脂肪酸气相色谱指纹的采集;
步骤5,将所述验证样本集的指纹数据在所述鉴别模型中运行,对比模型的判别结果与所述验证样本集中每个已知样本的真实性是否一致,确定鉴别模型的准确率;
步骤6,根据准确率的高低对鉴别模型进行排序,选择准确率满足要求的鉴别模型进行优化然后返回执行步骤5;并以准确率的提高程度判断模型优化的效果;
步骤7,用优化后的一个或多个鉴别模型对待检原奶或液态奶进行真实性鉴别。
进一步优选地,上述鉴别原奶或液态奶真实性的方法中,所述鉴别模型包括定性模型和定量模型;所述定性模型包括通用模型和专用模型,其中,所述通用模型适用于对多个物种、品种或未知异常乳的真实性进行第一次判别;所述专用模型为对两物种或品种判别的二分类模型;或适用于特定地区或市场的鉴别模型;所述定量模型为对已明确的掺假对象进行掺加量计算的模型。
进一步优选地,上述鉴别原奶或液态奶真实性的方法中,所述步骤6进一步为,将验证样本集中的部分验证样本归入训练样本集,获得新的训练样本集;基于所述新的训练样本集,重新演算建模或修改模型参数,获得新的鉴别模型。
进一步优选地,上述鉴别原奶或液态奶真实性的方法中,所述步骤3还包括,对所述训练样本集的指纹数据进行适宜的预处理和转换。
进一步优选地,上述鉴别原奶或液态奶真实性的方法中,所述步骤5还包括,对所述验证样本集的指纹数据进行的预处理和转换。
进一步优选地,上述鉴别原奶或液态奶真实性的方法中,同时通过氨基酸指纹和脂肪酸指纹获取的鉴别模型对待检原奶或液态奶进行鉴别。
第二方面,本发明还提供了一种原奶或液态奶真实性鉴别系统,包括:样本集划分模块、第一检测和采集模块、鉴别模型建立模块、第二检测和采集模块、准确率确定模块、优化模块和鉴别模块。
其中,样本集划分模块用于将收集的原奶或液态奶的奶样本划分为训练样本集和验证样本集,所述训练样本集用于模型建立,所述验证样本集用于模型验证和优化;
第一检测和采集模块用于对所述训练样本集,进行氨基酸指纹、脂肪酸指纹或脂肪酸气相色谱指纹的检测和采集;鉴别模型建立模块用于对所述训练样本集的氨基酸指纹、脂肪酸指纹或脂肪酸气相色谱指纹,用化学计量学软件进行数据结构分析,基于分析结果选择数据前处理方法和化学计量学软件中的分析模块建立多个鉴别模型,所述鉴别模型包括定性模型和/或定量模型;第二检测和采集模块用于对所述验证样本集进行氨基酸指纹、脂肪酸指纹或脂肪酸气相色谱指纹的检测和采集;准确率确定模块用于将所述验证样本集的指纹数据在所述鉴别模型中运行,对比模型的判别结果与所述验证样本集中每个已知样本的真实性是否一致,确定鉴别模型的准确率;优化模块用于步根据准确率的高低对鉴别模型进行排序,选择准确率满足要求的鉴别模型进行优化,并以准确率的提高程度判断模型优化的效果;;鉴别模快用于用优化后的一个或多个鉴别模型对待检原奶或液态奶进行真实性鉴别。
与现有技术相比,本发明以氨基酸指纹、脂肪酸指纹或脂肪酸色谱图指纹为指标集,用化学计量学的方法分析和建立家畜乳的物种和品质真实性的鉴别(判别)模型,可以更加准确可靠的对原奶和液态奶的真实性进行鉴别。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1是本发明鉴别原奶或液态奶真实性的方法实施例的步骤流程图;
图2是本发明鉴别原奶或液态奶真实性的技术路线示意图;
图3A是四种家畜乳训练样本氨基酸数据集和分类示意图;
图3B是四种家畜乳训练样本脂肪酸数据集和分类示意图;
图4A为四种家畜乳的氨基酸PCA得分向量图;
图4B为三种家畜乳的脂肪酸PCA得分向量图;
图5A为马乳掺入牛乳后的氨基酸指纹SIMCA判别模型示意图;
图5B为马乳掺入牛乳后的脂肪酸指纹SIMCA判别模型示意图;
图6A为氨基酸SIMCA模型对验证样本集判别结果示意图;
图6B为脂肪酸SIMCA模型对验证样本集判别结果示意图;
图7A为马乳和牛乳氨基酸PLS定量校正模型列表;
图7B为马乳和牛乳脂肪酸PLS定量校正模型列表;
图8A为氨基酸指纹PLS模型验证结果列表;
图8B为脂肪酸指纹PLS模型验证结果列表;
图9为本发明鉴别原奶或液态奶真实性的系统实施例的结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明以氨基酸指纹、脂肪酸指纹或脂肪酸色谱图指纹为指标集,用化学计量学(Chemometrics)的方法(例如,软件)分析和建立家畜乳的物种和品质真实性的鉴别(判别)模型,主要用于高价位家畜乳掺假低价位家畜乳的鉴别,以及原奶和液态奶掺假植物性或其他原料引起的脂肪酸指纹或氨基酸指纹异常的乳的鉴别。
首先,对本专利申请中提到的相关名词含义进行如下解释:
原奶(乳):即生奶,指牛、马、山羊、骆驼、绵羊、水牛和牦牛等奶用家畜生产的未经任何处理和加工的鲜奶。
液态奶(乳):指原奶经过各种加热消毒后包装上市的鲜奶产品。低温巴氏杀菌的液态奶通常需冷链运输和保藏,也称巴杀奶、低温奶。经过超高温瞬时灭菌(UHT)后包装上市的液体鲜奶产品可在室温长期保藏,也称UHT奶、常温奶。
氨基酸指纹:原奶或液态奶含有的氨基酸种类(通常测定18种)、含量和比例的整体构成,也称氨基酸谱。以乳蛋白中的百分含量或用全乳中的百分含量表示。我们认为不同家畜乳的氨基酸指纹有微小的差异,用化学计量学足以建立鉴别(判别)乳及乳制品物种和品质真实性的方法。而传统营养学和统计学方法无法做到。
脂肪酸指纹:原奶或液态奶乳脂肪中的脂肪酸种类、含量和比例的整体构成,也称脂肪酸谱。通常用总脂肪中的百分含量表示,也可用样品质量中的百分含量表示。我们研究发现脂肪酸指纹与物种和品种相关性较强,用化学计量学手段足以建立以脂肪酸指纹鉴别(判别)原奶和液态奶物种和品质真实性的方法。
脂肪酸气相色谱指纹:样品的乳脂肪经过甲酯化后跑出的气相色谱图,即各峰的位置(对齐矫正的保留时间)和峰面积数据。
未知脂肪酸:气相色谱仪中检测到与目前脂肪酸甲酯标准物质不能匹配的,属于乳脂肪中的峰,即非仪器噪音,非溶剂成分产生的峰。
训练样本集:已知的各种产奶家畜具有代表性的、重复采集的原奶或液态奶样品,用于建立模型。
验证样本集:已知的各种产奶家畜具代表性的、重复采集的原奶或液态奶样品;或人工配置的掺假样品。用于验证初步建立的判别模型的鉴别准确率及模型的校正和优化。
被检样品(本):需要鉴别/判别物种来源的原奶或液态奶样品。
化学计量学为基础的“指纹判别”
化学计量学(Chemometrics)为基础的指纹判别(fingerprint profiling)或模式分析(pattern recognition)的鉴别技术可为食物真实性鉴别提供一类新的理论、策略和方法。使无法直接辨别的数据指标集差异变得可以判别。
这类方法基本原理是以样品集的一组化学或物理测定指标(一组,而不是一个或少数几个,形象地称为“指纹”)为研究对象,用化学计量学软件进行数据结构、聚类和模式分析,或计算出校正曲线,或勾勒出二维或多维空间聚类或模式图形,以被检测样品与已知食物聚类的距离或模式的相似度判断被测产品的真实性或品质,或以多变量校正曲线估算被测样品的纯度(或掺假物质的含量)。化学计量学特征分析不仅能判别相似和差异,也能分析和找到造成差异的指标或因素。本发明的氨基酸指纹、脂肪酸指纹、脂肪酸气相色谱指纹均是如此,并非一个或少数几个,而是一组化学或物理测定指标。
模式判别(pattern recognition)和模型建立(modeling)是化学计量学的一个较高层次的应用。采集已知样本集(训练样品)的某一方面指纹数据,找到特征模式建立判别模型,然后用这个模型判别未知样品是否属于某个模型,即对未知样品的分类归属进行判别(用距离、相似度等)。目前食品领域最常用的分析模块有K最近邻(k-NN)、主成分分析(Principle component analysis,PCA)、偏最小二乘(Partial least square,PLS)、软独立模式分类(SIMCA,一种基于PCA的模式分析方法)和偏最小二乘判别分析(PLS-DA)等,另外还有遗传算法、支持向量机和人工神经网络法等。目前化学计量学指纹特征或模式分析在食品研究设计中的应用还不是十分广泛。
参照图1,图1是本发明鉴别原奶或液态奶真实性的方法实施例的步骤流程图,包括如下步骤:
步骤1,将收集的原奶或液态奶的奶样本划分为训练样本集和验证样本集,训练样本集用于模型建立,验证样本集用于模型验证和优化;
步骤2,对训练样本集,进行氨基酸指纹、脂肪酸指纹或脂肪酸气相色谱指纹的检测和采集;
步骤3,对训练样本集的氨基酸指纹、脂肪酸指纹或脂肪酸气相色谱指纹,用化学计量学软件进行数据结构分析,基于分析结果选择数据前处理方法和化学计量学软件中的分析模块建立多个鉴别模型,鉴别模型包括定性模型和/或定量模型;
步骤4,对验证样本集,也进行氨基酸指纹、脂肪酸指纹或脂肪酸气相色谱指纹的采集;
步骤5,将验证样本集的指纹数据在鉴别模型中运行,对比模型的判别结果与验证样本集中每个已知样本的真实性是否一致,确定鉴别模型的准确率;
步骤6,根据准确率的高低对鉴别模型进行排序,选择准确率满足要求的鉴别模型进行优化然后返回执行步骤5;并以准确率的提高程度判断模型优化的效果;
步骤7,用优化后的一个或多个鉴别模型对待检原奶或液态奶进行真实性鉴别。
进一步优选地,上述的鉴别模型包括定性模型和定量模型。
定性模型包括通用模型和专用模型,其中,通用模型适用于对多个物种、品种或未知异常乳的真实性进行第一次判别;专用模型为对两物种或品种判别的二分类模型;或适用于特定地区或市场的鉴别模型。从计量学方法角度,可选择建模的方法(软件模块)包括:K最近邻(k-NN)、主成分分析(Principle component analysis,PCA)、软独立模式分类(SIMCA,一种基于PCA的模式分析方法)和偏最小二乘判别分析(PLS-DA),另外还有遗传算法、支持向量机和人工神经网络法等。主要针对高价位家畜乳(特种乳)掺假低价位家畜乳的鉴别,以及原奶和液态奶掺假植物性或其他原料引起品质异常乳的鉴别。
定量模型为对已明确的掺假对象进行掺加量计算的模型。本发明的实施例主要用偏最小二乘法(Partial least square,PLS)进行多变量线性校正,主要针对已知掺假样品掺假量的定量分析或鉴别模型建立,或用于预测和评价鉴别方法的灵敏度和检出限。
进一步优选地,上述鉴别原奶或液态奶真实性的方法中,步骤6进一步为,将验证样本集中的部分验证样本归入训练样本集,获得新的训练样本集;基于新的训练样本集,重新演算建模或修改模型参数,获得新的鉴别模型。
进一步优选地,上述鉴别原奶或液态奶真实性的方法中,步骤3还包括,对训练样本集的指纹数据进行适宜的预处理和转换。
进一步优选地,上述鉴别原奶或液态奶真实性的方法中,步骤5还包括,对验证样本集的指纹数据进行的预处理和转换。
当然,根据实际需要,也可以同时通过氨基酸指纹的模型和脂肪酸指纹的模型对原奶或液态奶进行鉴别。
下面,对该实施例做进一步的说明。
参照图2,图2为上述鉴别原奶或液态奶真实性的方法实施例的技术路线图。包括如下几个方面:
⑴样本的采集和划分
根据地区、市场和掺假鉴别的实际需要和目标,采集需要鉴别(判别)的家畜原奶和液态奶样本,如牛奶、山羊奶、马奶、骆驼奶、牦牛奶和水牛奶等。采样量要充足、具有代表性,覆盖原奶和液态奶,覆盖不同品种、地域、季节、饲养或放牧方式。不宜从一个动物、一个牧场、一个季节重复采集过多的同质性样品。
样本划分为“训练样本集”和“验证样本集”。训练样本集用于模型建立,验证样本集用于模型验证,两者可以适当交叉。模型验证后,如需校正或优化,则将这部分验证样本归入训练样本集,重新演算建模或修改模型参数,再用其它验证样本集再次验证模型,再次优化。即便模型很准确和稳健,也应将验证样本纳入训练样本集中,使训练样本集无限扩大。
需要说明的是,无论是训练样本还是验证样本,必需详细了解样本信息,已知物种或分类,绝对的真和绝对的假,确知品质级别或掺假比例。错误的样品或异常的样品,会干扰建模工作,增加困惑,若得不到剔除,则会降低模型的准确性和稳健性。
⑵氨基酸指纹和脂肪酸指纹的采集
①氨基酸指纹的采集。按国标GB/T5009.124推荐法分析样本的18种氨基酸。即色氨酸用荧光分光光度法,其余17种用氨基酸自动分析仪测定。也可以使用其他成熟的氨基酸分析方法。
②脂肪酸指纹或脂肪酸气相色谱指纹的采集。
按一种成熟的脂肪酸测定方法,如气相色谱和气相色谱质谱联用方法。建议使用国标(GB/T22223-2008)推荐的方法测定每个样品的脂肪酸种类和含量。固定使用一种方法,操作尽量标准化和一致化,这有利于模型的稳定和转移到不同实验室、化验室使用。
脂肪酸指纹的采集,用通用脂肪酸甲酯标准物质标定对照,获取样品中的已知脂肪酸种类和含量,即脂肪酸指纹。也应尽量收集通常容易被忽略的未知脂肪酸(参阅名词和概念)。
脂肪酸气相色谱指纹,是指直接采集每个样品的气相色谱图数据,不必识别每个峰为哪种脂肪酸,脂肪酸含量用峰面积代替,这样获取的数据集即为样本的“脂肪酸气相色谱图指纹”。与“脂肪酸指纹”相比脂肪酸的气相色谱指纹信息量更大,且省去了识别和计算脂肪酸含量的步骤。但样本集的色谱图必须先做色谱图的对齐处理,最好用专业软件实施,人工对齐很费时,从而失去快速检测意义。
⑶鉴别模型的建立和验证。
①指纹数据分析和模型的建立
将训练样本集的氨基酸指纹、脂肪酸指纹或脂肪酸气相色谱指纹,分别用化学计量学软件进行数据结构和聚类情况分析,这个过程和下一步都可能需要结合合适的指纹数据前(预)处理(data processing)或转换(datatransforming);然后据初步分析结果选择合适的聚类或判别分析模块建立定性或定量判别模型。所谓“模型”是一类指纹数据前处理或转换方式、变量选择、聚类或判别分析等模块的优化组合,以及一些计算方法、逻辑阈值等参数的设定和组合。
具体应该建立的模型有:多物种和品质异常乳鉴别通用模型;两物种鉴别模型,如马奶vs牛奶、驼奶vs牛奶、驼奶vs山羊奶、山羊vs牛奶、牛奶vs豆浆或植物原料、牛奶vs人造奶油等等;两个物质鉴别模型还可以建立定量分析模型,用于鉴定掺假量。
②模型的验证和优化
将验证样本集的氨基酸指纹,脂肪酸指纹或脂肪酸色谱图指纹数据放入化学计量学软件的指纹数据库,再运行一种已经建立好的鉴别(判别)模型,让模型判别验证样本集每个已知样本的真实性,将模型判定的真或假,或逻辑分组(聚类)的结果与真实情况比较,评价模型判别的准确率(或错误率)。定量校正模型则需要评价其灵敏度和检出限。
模型验证后,如需校正或优化,则将这部分验证样本,尤其是误判和没能准确归类的样本,归入训练样本集重新演算建模或修改模型参数,再收集组建其它验证样本集再次验证优化后的模型。即便模型很准确和稳健,也应将具有代表性的验证样本纳入训练样本集中,使训练样本集样本量不断扩大,代表性样品不断增加。
本发明为学习成长型体系,随着实践样本量和指纹数据库的增加,模型更准确和稳健,也增加模型或模型组的适用范围和功能。
⑷模型的使用/被检样品真实性的判别
在实验室建立、验证和优化的模型或模型组可用于实践。
①指纹采集。按建模方式相同的仪器、方法和操作标准检测被检样品的氨基酸指纹、脂肪酸指纹或脂肪酸色谱图指纹数据,录入化学计量学软件的指纹数据库。
②真实性鉴别/判别。启动一个多物种鉴别模型、或一个细分模型、或定量分析模型,演算和逻辑判断被检样品的归类(聚类)或纯度(掺加量)。
如有必要,同时进行氨基酸指纹和脂肪酸指纹的鉴别,以求相互印证。
⑸化学计量学软件和模块
可采用各种专业化学计量学软件或自行开发的专用软件。美国Infometrix公司较为专业的化学计量学软件Pirouette 4.5,组合了最流行和实用的化学计量学分析模块,以及数据处理(data processing)和数据转换(data transform)模块。国内未见使用Pirouette化学计量学软件的报道。也可采用国际和国内同类化学计量学专业软件,或采用MABLAB中的多变量统计学模块。
具体可采用的数据集结构分析、聚类和判别分析软件模块:
主成分分析(principal component analysis,PCA),用于数据结构特征分析、自然聚类情况分析、模型建立可行性和效果预估、也可用于建立物种和品质初步鉴别模型。
SIMCA(soft indepentent modeling by class analogy,国内翻译不统一),是一种基于PCA发展而来的聚类和判别分析方法。
偏最小二乘分析(partial least squaies,PLS),用于定量分析或鉴别模型建立,或用于预测和评价鉴别方法的灵敏度和检出限。
偏最小二乘判别分析(partial least squaies discrimination analysis,PLS-DA),一种基于PLS原理的对计量变化敏感的判别分析方法。
其他还可以使用传统的层聚类分析(Hierarchical Clustering analysis,HCA)和K最近邻分析(k-NN)等聚类或模式判别方法建立模型。
具体可采用的数据前处理和转换模块:
为提高模型的稳健性和预测能力,指纹数据分析和模型的建立可能需要结合合适的数据处理或转换方法,以消除无关信息、消除变量间过大的差异。
这里可以采用的“数据前处理”(data processing)是指对数据表列变量的处理,如均值中心化(mean-centering)、自动尺度化(autoscaling)、帕累托尺度化(Pareto scaling);“数据转化”(data transforming)是指对样本数据的转换,即对行变量的处理,尤其是直接用脂肪酸色谱图指纹数据建模时可能会用到,如对齐(aline up)、基线校正(baseline correction)、平滑处理(smoothing)等数据变换方法。但本发明提倡简单的原则,只要原始数据直接建模效果理想,就不必刻意用更复杂的计算组合及参数设置。
模型的打包、转移和升级
建立好的成熟的原奶和液态奶鉴别模型,可包括通用模型(同时识别多种动物乳)、专用模型(也称细分鉴别模型,如驼乳vs牛乳、马奶vs牛奶、山羊奶vs牛奶、牛奶vs植脂末或人造奶油、猪油等等);可以统一打包为一个使用软件或某一种化学计量学软件的实用工具包(数据包/库)。
⑹补充说明
①建立一个非常成熟稳健的模型,需要大量代表性样品。但不能采集过多的同质性样品,否则模型会对正常的变异允许度不高,从而破坏模型的稳健性。建模和模型验证时,异常样品一定要剔除,除非是天然的特殊情况,否则会破坏模型的稳健性。多数异常可能是因为样品来路和背景不明、或是指纹测定、录入有错误。指纹的采集最好使用固定的方式、固定的仪器和方法,以减小测定误差和变异。同一个样本也应进行多次检测和指纹采集,以使模型确定测定变异的大小。
②建模采取因地制宜、因时制宜的原则。根据当地市场掺假鉴别需求和目标建立对性鉴别模型。同时对掺假和造假情况、可能的掺假材料进行适当的调查和了解。物种掺假几乎都是某一种特种乳掺假低价的大众奶,如驼乳掺假牛乳,山羊奶掺假牛奶,牦牛奶掺假普通牛奶等等。因此没有必要刻意建立一个通用模型来鉴别各种动物奶,而是建立多个两种家畜乳的鉴别模型,模型会更准确和稳健。
③对模型不求一步就达完美。模型可以在实践中不断验证和完善,实践过程也是自然收集样本的过程。对可疑结果尽量用其他方法和途径验证,但对可疑的物种掺假,采取宁纵勿枉的原则。单纯的物种掺假,食品安全风险较小。该类方法是学习成长型的知识和技术体系,可以不断收集和增加已知真实和非真实的样品,训练或更新模型,使之更加稳健,日臻完美。
④验证的原则。模型组相互验证,不同指纹鉴别相互验证。即可用通用模型初步判别掺假,再用细分模型或细致模型进行验证。或可同时用氨基酸指纹和脂肪酸指纹相互验证。
理论上说指纹判别技术是不太好骗过的。指纹判别是多指标判别,如掺假会破坏乳的天然氨基酸、脂肪酸组成和比例,这是无法回避的。而且掺假是为获得非法高利润,掺假量通常会足够大。
⑤乳的加热和均质处理对氨基酸指纹和脂肪酸指纹影响不大,而且如果建模时训练样本集包括原奶和液态奶产品,则经过模型的训练和学习,加工带来的变异就可以忽略。
⑥简单的原则。关于数据前处理和转换,以及模型计算方式的选择,建议遵循简单的原则。如指纹原始数据建立的模型判别准确程度较高,则尽量不必进行数据的前处理或转换、或采取更复杂的参数设置,这样做虽然建立的模型初看更明朗或漂亮,但在反复验证中或实际应用中模型的稳健性可能会不高。
实例:
蒙古马、山羊乳和双峰驼原奶,以及牛原奶和UHT奶氨基酸和脂肪酸指纹数据分析、建模和验证举例。
⑴样品氨基酸和脂肪酸指纹
图3A、图3B展示了采集到的内蒙古蒙古马、山羊乳和双峰驼乳以及牛原奶和UHT奶的氨基酸和脂肪酸指纹数据(集)。本次建模保留了18种氨基酸和12种脂肪酸(未纳入未知脂肪酸)及其含量。
其中,C1,Speices物种分类:1牛乳,2山羊乳,3蒙古马乳,4双峰驼乳,5、6和7分别为马乳掺10%、25%和50%牛乳。
C2,Category1一种细分类,本例中用于细分鉴别模型研究,如SIMCA、PLS-DA模型建立。1为一种纯特种乳(真实乳),在本例中为马乳,2、3和4分别为马乳掺10%、25%和50%牛乳,5为纯牛乳(100%牛乳)。
Y1,catory2,一种梯度分类,本例用于PLS定量校正模型研究建立。0.0000为一种纯特种乳,在本例中为纯马乳(0%牛乳),10.0000、25.0000和50.0000分别为马乳掺10%、25%和50%牛乳,100.0000为纯牛乳(100%牛乳)。
图3A,氨基酸数据集:牛乳29个,1~9原奶、10~29 UHT奶;30~35山羊乳;36~42蒙古马乳;43~46驼乳;马乳掺牛乳样品,每个梯度各5个。10%牛乳,47~51;25%牛乳,52~56;50%牛乳,57~61。
图3B,脂肪酸数据集:1~14牛乳;15~26蒙古马乳;27~29驼乳;马乳掺牛乳样品,每个梯度各11个。10%牛乳,30~40、25%牛乳,41~51和50%牛乳,52~62。(本例中山羊乳没完成脂肪酸测定)。
⑵PCA分析和PCA模型
图3A和图3B数据经过前处理方法的优化和PCA分析,获得PCA分析得分向量图,见图4A和图4B,数据处理方法为:Autoscale(一种取消量纲和降低变量数级差异的方法)。
PCA表明四种家畜乳的氨基酸和脂肪酸指纹特征有极显著差异,四种乳聚类到三维空间的不同区域(本例缺山羊乳脂肪酸指纹),且聚类“距离”很远。证明用氨基酸和脂肪酸指纹可以建立准确稳健的物种判别模型;也说明用PCA和SIMCA建立判别模型的可行性和稳健性;这样的聚类距离也可以建立定量判别模型,定量分析不同乳相互掺假量。
图4A中,牛乳(29个)、山羊乳(6个)、驼乳(4个)和马乳(7个)氨基酸指纹特征差异显著,物种聚类距离很远。
图4B中,牛乳(14个)、驼乳(3个)和马乳(12个)脂肪酸指纹特征差异显著,物种聚类距离很远。
家畜乳氨基酸和脂肪酸指纹各物种间差异极为显著,在三维空间投射(聚类)到完全不同的区域,且距离很远,这提示用氨基酸和脂肪酸指纹可以建立准确稳健的物种判别模型,也说明用PCA和SIMCA建立判别模型的可行性和稳健性。用PCA方法建立物种判别模型,如果被检样品斑点进入任何一个物种聚类群中,则说明该样品属于这个物种;如果落在任何两个物种群的直线连线轴上,则可判定为这两物种不同程度的混合奶;若样品斑点不再任何两个物种的连线轴上,则为其他物种或其他异常乳。
⑶SIMCA模型实用
PCA分析是指纹特征(数据集)分析模块也可用于判别(实际是人工或半自动判别),但效果不如专门的判别分析模块。实际中可以用基于PCA分析建立的SIMCA判别分析模块,这个模块集成了多重PCA分析、自动判别和打分软件模块。
本次以蒙古马乳、牛乳以及乳中掺入10%、25%和50%牛乳样品氨基酸和脂肪酸指纹,未经数据处理和优化分别建立SIMCA模型。图5A和图5B中各纯度梯度聚类云有明显的分离,但掺10%牛乳的马奶与其左下方纯马奶和其右上方掺25%牛奶的马奶有一定的交叉,但分离趋势也很明显,纯马奶与25%、50%掺假奶有清晰的分离。
如果对SIMCA模型加以反复的“训练”和调整模型参数(参与判别的因子数量),纯马奶和10%掺假奶也有望达到较准确的鉴别。同时选择32个样本对建立的SIMCA模型进行验证,结果见图6A和图6B。判别结果以SIMCA模型的第一判别为准,即看Best栏结果。最理想模型(通常理论上)的三次判别结果应一致(三次判别使用的因子种类和数量不同)。
0为无法确定归类,1为马乳,2、3、4分别为马乳掺入10%、25%、50%牛乳的马乳(各梯度每个样本都为纯马乳和纯牛乳随机配对调配而成),5为纯牛乳。
结果:1、本例为SIMCA初建模型的第一次验证结果,模型未经优化,但已达到了较为理想的判别准确性,足以证明模型前景很好。2、氨基酸和脂肪酸模型判别结果基本一致。所有牛乳和掺牛乳的马奶,没有被判为1类,即没有被判为纯马奶,大结果准确。3、验证结果:脂肪酸样本集中纯马奶(样品1~7),6个样本都判别为1类,有1个判为2类(掺10%牛奶,但第2判别为1类);掺10%牛乳的马乳(8~13),全部判别为2类,完全正确;掺25%牛乳的马奶(13~19),前3个判别为0,即无法归类(结果异常,最大可能是样本调配出了问题),3个正确判别为3类;掺50%牛奶的马奶和纯牛奶分别判为4和5,全部正确。氨基酸验证样本集中有3个纯马奶样本判为2类,1个10%掺牛奶的马乳判为3类(第2判别为3类),其他结果均正确。
PCA模型比较适合完全未知样品的多目标多可能性的分析,SIMCA模型适合于两物种半定量分析。实际应用往往根据被检样品声称、标签、背景,进行更具体的分析,可以用k-NN、PLS和PLS-DA等分析方法。
⑷PLS校正模型和PLS-DA判别模型
偏最小二乘(PLS)分析是一种多变量线性校正分析模块,可以建立两种原奶或液态奶相互掺假程度的定量分析。PCA分析表明物种差异是极为显著的,因此相互掺假的PLS分析完全可以建立,但这需要更多样本和掺假样本来获得理想的校正模型。
以蒙古马原奶(记为0,即100%非牛乳)、牛乳(记为100,即纯牛乳)和马乳掺10%、25%、50%牛乳样品氨基酸和脂肪酸数据分别建立PLS校正模型(未经数据处理和优化)见图7A和图7B,
图7A,训练样本集马乳7个样本,牛乳29个样本,马乳掺牛乳梯度样本,每个梯度5个样本(掺10%、25%、50%牛乳),每个样本为一种纯马乳和一种纯牛乳随机配对调配而成。
图7B,马乳12个,牛乳14个,马乳掺牛乳样本,每个梯度11个样本(掺10%、25%、50%牛乳),每个样本为一种纯马乳和一种纯牛乳随机配对调配而成。牛乳样本量较大,以其样本分散范围判断两个PLS定量判别模型,每个浓度梯度估计的计算误差不超±10%(百分点)。
进一步的验证结果见图8A和图8B。
验证样本集共32个样本。纯马乳7个样本(0%),1~7;马乳掺牛乳每个梯度各6个样本,每个样本为一种纯马乳和一种纯牛乳随机配对调配而成,10%牛乳,8~13;25%牛乳,14~19;50%牛乳,20~25;100%牛乳7个样本,26~32。
以32个验证样本牛乳掺假量(%)计算结果,2SD为5.5%(2.65%~11.69%),即各浓度计算误差估计在±5.5百分点。以回收率计算所得的相对误差,氨基酸PLS模型为±4%,脂肪酸PLS模型为±7%。
总之本例初建PLS模型验证结果十分理想。若对模型加以优化效果会更好。但考虑本次训练样本集较小,因此客观估计,计算误差不会超过±10%(百分点),足以建立判别乳及乳制品物种和品质真实性和掺假量的方法。但仍需要扩大训练样本集对该模型继续进行校正和优化,从而得到判别准确度更高、更理想的模型。
偏最小二乘判别分析(PLS-DA)是基于PLS原理的判别分析模块。PLS结果较为准确,因此估计PLS-DA模型的判别效果也会较为理想,应不亚于SIMCA判别模型的准确度。
总之,定性和定量判别模型的建立,需要根据具体需要和判别准确性,建立多个判别模型组、或软件包,按需要和真实性鉴别的复杂程度进行多方面分析判断。
特种家畜乳极易受低价位的大宗乳掺假,如马乳、驼乳和牦牛乳掺入牛奶或山羊奶,牛和山羊奶也极易受其他植物原料和食品工业原料掺假,如豆浆、面粉、米汤、水解蛋白粉、植脂末、人造奶油、乳化的动物和植物油脂、糊精和淀粉等等,甚至还有尿素、三聚氰胺等其他非食品原料的掺假。基于蛋白质和基因物种特异性的“排除法策略”的方法有本身的局限性。因此另辟蹊径,开发原奶和液态奶物种和品质真实性鉴别技术对打击掺假造假,维护市场秩序,保护消费者权益,维护国家监管机构和法律尊严都将发挥关键的作用。
本方法利用当今最先进的化学计量分析和解析策略、原理和软件——计量学原理和方法,通过解析和归纳不同家畜奶的氨基酸指纹、脂肪酸指纹或脂肪酸气相色谱图指纹模式或特征,判别产品的物种和品质真实性。利用氨基酸和脂肪酸判别乳的物种来源真实性、品质真实性,目前尚无实践。因此本发明在思路、策略、原理、检验指标和方法上都具有一定的创新性和应用前景。
家畜乳氨基酸和脂肪酸指纹差异具有鉴别其物种和品质的能力,目前国内外均未受到关注,未见以氨基酸和脂肪酸鉴别原奶和液态奶产品掺假的研究报道。用化学计量学聚类和判别模块分析氨基酸和脂肪酸指纹,完全可以建立一种新的液态乳真实性鉴别方法。这类方法不仅可以鉴别原奶和液态奶的物种来源真实性,也可判别非动物来源的蛋白质、水解蛋白质和油脂类的掺假造假。因为所有的掺假和造假都将改变乳的天然氨基酸和脂肪酸种类、含量和比例。该类策略和技术具有学习性和开放性特点,若将各种动物性、植物性以及其他工业原料掺假乳或原料都纳入判别模型建立,则不仅可以判别异常样品,还可准确判断掺假或冒充物质的种类,甚至大致掺假量。
本发明还提供了一种原奶或液态奶真实性鉴别系统,包括:样本集划分模块、第一检测和采集模块、鉴别模型建立模块、第二检测和采集模块、准确率确定模块、优化模块和鉴别模块。
其中,样本集划分模块用于将收集的原奶或液态奶的奶样本划分为训练样本集和验证样本集,所述训练样本集用于模型建立,所述验证样本集用于模型验证和优化;
第一检测和采集模块用于对所述训练样本集,进行氨基酸指纹、脂肪酸指纹或脂肪酸气相色谱指纹的检测和采集;鉴别模型建立模块用于对所述训练样本集的氨基酸指纹、脂肪酸指纹或脂肪酸气相色谱指纹,用化学计量学软件进行数据结构分析,基于分析结果选择数据前处理方法和化学计量学软件中的分析模块建立多个鉴别模型,所述鉴别模型包括定性模型和/或定量模型;第二检测和采集模块用于对所述验证样本集进行氨基酸指纹、脂肪酸指纹或脂肪酸气相色谱指纹的检测和采集;准确率确定模块用于将所述验证样本集的指纹数据在所述鉴别模型中运行,对比模型的判别结果与所述验证样本集中每个已知样本的真实性是否一致,确定鉴别模型的准确率;优化模块用于根据准确率的高低对鉴别模型进行排序,选择准确率满足要求的鉴别模型进行优化,并以准确率的提高程度判断模型优化的效果;鉴别模快用于用优化后的一个或多个鉴别模型对待检原奶或液态奶进行真实性鉴别。
需要说明的是,鉴别原奶或液态奶真实性的系统与鉴别原奶或液态奶真实性的方法原理相同,相关技术内容参照前述说明即可。本发明在此不再赘述。
本实施例以乳的脂肪酸指纹和氨基酸指纹为指标集,分别建立一类新的原奶、巴氏消毒乳和UHT灭菌液态乳的物种和品质真实性的鉴别方法。
本实施例在方法学上属于化学计量学(Chemometrics)分析方法,以家畜乳的氨基酸指纹、脂肪酸指纹或脂肪酸气相色谱图指纹数据为指标集,分别用化学计量学进行指纹数据结构分析、聚类分析和判别分析,用合适的计量学分析模块或模块的组合建立真实性鉴别(判别)模型。具体用到的化学计量学模块有,主成分分析(PCA)、偏最小二乘(Partial least squaies,PLS)、偏最小二乘判别分析(PLS-DA)、软独立模式分类(Soft indepentent modelingby class analogy,SIMCA)和k-最近邻(k-nearest neighbor,k-NN)分类分析等。优选地,为了获得一个准确、稳健的鉴别模型的建立,还可能需要合适的指纹数据前处理(data processing)方法(模块),如mean-centered、autoscale和pareto等等;脂肪酸色谱图指纹的应用还可能用到基线处理、平滑处理和对齐等数据转换模块。
这类方法灵敏度可能不如基于蛋白质的免疫学方法和DNA鉴定技术,但足以满足掺假和冒充的鉴别需要。基于化学计量学的指纹特征模型,不仅可以鉴别物种,还可以判别其他掺假引起的品质改变。本发明在思路、策略、原理、指纹指标的选择上都具有创新性,具有广阔的应用前景。
与现有技术相比,本发明以氨基酸指纹、脂肪酸指纹或脂肪酸色谱图指纹为指标集,用化学计量学的方法分析和建立家畜乳的物种和品质真实性的鉴别(判别)模型,可以更加准确可靠的对原奶和液态奶的真实性进行鉴别。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种原奶或液态奶真实性鉴别方法,其特征在于,包括如下步骤:
步骤1,将收集的原奶或液态奶的奶样本划分为训练样本集和验证样本集,所述训练样本集用于模型建立,所述验证样本集用于模型验证和优化;
步骤2,对所述训练样本集,进行氨基酸指纹、脂肪酸指纹或脂肪酸气相色谱指纹的检测和采集;
步骤3,对所述训练样本集的氨基酸指纹、脂肪酸指纹或脂肪酸气相色谱指纹,用化学计量学软件进行数据结构分析,基于分析结果选择数据前处理方法和化学计量学软件中的分析模块建立多个鉴别模型,所述鉴别模型包括定性模型和/或定量模型;
步骤4,对所述验证样本集,也进行氨基酸指纹、脂肪酸指纹或脂肪酸气相色谱指纹的采集;
步骤5,将所述验证样本集的指纹数据在所述鉴别模型中运行,对比模型的判别结果与所述验证样本集中每个已知样本的真实性是否一致,确定鉴别模型的准确率;
步骤6,根据准确率的高低对鉴别模型进行排序,选择准确率满足要求的鉴别模型进行优化然后返回执行步骤5;并以准确率的提高程度判断模型优化的效果;
步骤7,用优化后的一个或多个鉴别模型对待检原奶或液态奶进行真实性鉴别。
2.根据权利1所述的鉴别原奶或液态奶真实性的方法,其特征在于,
所述鉴别模型包括定性模型和定量模型;
所述定性模型包括通用模型和专用模型,
其中,所述通用模型适用于对多个物种、品种或未知异常乳的真实性进行第一次判别;
所述专用模型为对两物种或品种判别的二分类模型;或适用于特定地区或市场的鉴别模型;
所述定量模型为对已明确的掺假对象进行掺加量计算的模型。
3.根据权利要求2所述的鉴别原奶或液态奶真实性的方法,其特征在于,所述步骤6进一步为,
将验证样本集中的部分验证样本归入训练样本集,获得新的训练样本集;
基于所述新的训练样本集,重新演算建模或修改模型参数,获得新的鉴别模型。
4.根据权利要求3所述的鉴别原奶或液态奶真实性的方法,其特征在于,
所述步骤3还包括,对所述训练样本集的指纹数据进行适宜的预处理和转换。
5.根据权利要求4所述的鉴别原奶或液态奶真实性的方法,其特征在于,
所述步骤5还包括,对所述验证样本集的指纹数据进行的预处理和转换。
6.根据权利要求5所述的鉴别原奶或液态奶真实性的方法,其特征在于,
同时通过氨基酸指纹和脂肪酸指纹获取的鉴别模型对待检原奶或液态奶进行鉴别。
7.一种原奶或液态奶真实性鉴别系统,其特征在于,包括如下步骤:
样本集划分模块,用于将收集的原奶或液态奶的奶样本划分为训练样本集和验证样本集,所述训练样本集用于模型建立,所述验证样本集用于模型验证和优化;
第一检测和采集模块,用于对所述训练样本集,进行氨基酸指纹、脂肪酸指纹或脂肪酸气相色谱指纹的检测和采集;
鉴别模型建立模块,用于对所述训练样本集的氨基酸指纹、脂肪酸指纹或脂肪酸气相色谱指纹,用化学计量学软件进行数据结构分析,基于分析结果选择数据前处理方法和化学计量学软件中的分析模块建立多个鉴别模型,所述鉴别模型包括定性模型和/或定量模型;
第二检测和采集模块,用于对所述验证样本集进行氨基酸指纹、脂肪酸指纹或脂肪酸气相色谱指纹的检测和采集;
准确率确定模块,用于将所述验证样本集的指纹数据在所述鉴别模型中运行,对比模型的判别结果与所述验证样本集中每个已知样本的真实性是否一致,确定鉴别模型的准确率;
优化模块,用于根据准确率的高低对鉴别模型进行排序,选择准确率满足要求的鉴别模型进行优化,并以准确率的提高程度判断模型优化的效果;
鉴别模快,用于用优化后的一个或多个鉴别模型对待检原奶或液态奶进行真实性鉴别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510470889.4A CN105021736B (zh) | 2015-08-04 | 2015-08-04 | 原奶或液态奶真实性鉴别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510470889.4A CN105021736B (zh) | 2015-08-04 | 2015-08-04 | 原奶或液态奶真实性鉴别方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105021736A true CN105021736A (zh) | 2015-11-04 |
CN105021736B CN105021736B (zh) | 2017-11-07 |
Family
ID=54411861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510470889.4A Active CN105021736B (zh) | 2015-08-04 | 2015-08-04 | 原奶或液态奶真实性鉴别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105021736B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876213A (zh) * | 2018-08-22 | 2018-11-23 | 泰康保险集团股份有限公司 | 基于区块链的产品管理方法、装置、介质及电子设备 |
CN111766323A (zh) * | 2020-07-10 | 2020-10-13 | 中国检验检疫科学研究院 | 一种用于检测骆驼奶中掺入牛奶的特征肽组合及方法 |
CN111830218A (zh) * | 2020-07-27 | 2020-10-27 | 江苏省家禽科学研究所 | 一种畜禽肉动物源性鉴别方法 |
CN112578053A (zh) * | 2020-12-28 | 2021-03-30 | 北京工商大学 | 一种羊乳配方奶粉掺假的判别方法 |
CN112697986A (zh) * | 2020-12-04 | 2021-04-23 | 华南农业大学 | 一种鉴别不同生境养殖模式下中华绒螯蟹的方法和应用 |
CN114002307A (zh) * | 2021-10-20 | 2022-02-01 | 山东省分析测试中心 | 一种鉴别液态奶热处理程度与掺杂的分析方法和系统 |
CN114184725A (zh) * | 2021-11-18 | 2022-03-15 | 上海应用技术大学 | 一种检测生鲜乳中棕榈油含量的方法及装置 |
RU2794708C2 (ru) * | 2018-11-07 | 2023-04-24 | ФОСС Аналитикал А/С | Анализатор молока для классификации молока |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011153171A (ja) * | 2010-01-26 | 2011-08-11 | Japan Polyethylene Corp | 薄肉容器用ポリエチレン及びそれからなる容器 |
CN102866221A (zh) * | 2012-08-28 | 2013-01-09 | 华南农业大学 | 一种乳制品中蛋白掺假的分析方法 |
CN103399091A (zh) * | 2013-07-16 | 2013-11-20 | 北京三元食品股份有限公司 | 一种乳品蛋白质掺假的检测方法 |
-
2015
- 2015-08-04 CN CN201510470889.4A patent/CN105021736B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011153171A (ja) * | 2010-01-26 | 2011-08-11 | Japan Polyethylene Corp | 薄肉容器用ポリエチレン及びそれからなる容器 |
CN102866221A (zh) * | 2012-08-28 | 2013-01-09 | 华南农业大学 | 一种乳制品中蛋白掺假的分析方法 |
CN103399091A (zh) * | 2013-07-16 | 2013-11-20 | 北京三元食品股份有限公司 | 一种乳品蛋白质掺假的检测方法 |
Non-Patent Citations (5)
Title |
---|
ALESSANDRA BORIN等: "Least-squares support vector machines and near infrared spectroscopy for quantification of common adulterants in powdered milk", 《ANALYTICA CHIMICA ACTA》 * |
RENJIE YANG等: "Detection of adulterated milk using two-dimensional correlation spectroscopy combined with multi-way partial least squares", 《FOOD BIOSCIENCE》 * |
刘婷等: "HPLC-OPA柱后衍生离子交换法对乳粉中掺水解动物蛋白检测方法的研究", 《食品工业科技》 * |
杨仁杰等: "用二维相关近红外谱和多维主成分分析判别掺杂牛奶", 《光学精密工程》 * |
梁霄等: "不同品种原料乳营养品质的研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876213A (zh) * | 2018-08-22 | 2018-11-23 | 泰康保险集团股份有限公司 | 基于区块链的产品管理方法、装置、介质及电子设备 |
RU2794708C2 (ru) * | 2018-11-07 | 2023-04-24 | ФОСС Аналитикал А/С | Анализатор молока для классификации молока |
CN111766323A (zh) * | 2020-07-10 | 2020-10-13 | 中国检验检疫科学研究院 | 一种用于检测骆驼奶中掺入牛奶的特征肽组合及方法 |
CN111830218A (zh) * | 2020-07-27 | 2020-10-27 | 江苏省家禽科学研究所 | 一种畜禽肉动物源性鉴别方法 |
CN112697986A (zh) * | 2020-12-04 | 2021-04-23 | 华南农业大学 | 一种鉴别不同生境养殖模式下中华绒螯蟹的方法和应用 |
CN112578053A (zh) * | 2020-12-28 | 2021-03-30 | 北京工商大学 | 一种羊乳配方奶粉掺假的判别方法 |
CN114002307A (zh) * | 2021-10-20 | 2022-02-01 | 山东省分析测试中心 | 一种鉴别液态奶热处理程度与掺杂的分析方法和系统 |
CN114002307B (zh) * | 2021-10-20 | 2024-02-06 | 山东省分析测试中心 | 一种鉴别液态奶热处理程度与掺杂的分析方法和系统 |
CN114184725A (zh) * | 2021-11-18 | 2022-03-15 | 上海应用技术大学 | 一种检测生鲜乳中棕榈油含量的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105021736B (zh) | 2017-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105021736A (zh) | 原奶或液态奶真实性鉴别方法和系统 | |
Cruz et al. | Assessing the use of different chemometric techniques to discriminate low-fat and full-fat yogurts | |
Vitale et al. | A rapid and non-invasive method for authenticating the origin of pistachio samples by NIR spectroscopy and chemometrics | |
dos Santos Pereira et al. | Simultaneous determination of goat milk adulteration with cow milk and their fat and protein contents using NIR spectroscopy and PLS algorithms | |
Lei et al. | Developments of nondestructive techniques for evaluating quality attributes of cheeses: A Review | |
Kiani et al. | Integration of computer vision and electronic nose as non-destructive systems for saffron adulteration detection | |
Matera et al. | Discrimination of Brazilian artisanal and inspected pork sausages: application of unsupervised, linear and non-linear supervised chemometric methods | |
da Paixao Teixeira et al. | Vibrational spectroscopy and chemometrics tools for authenticity and improvement the safety control in goat milk | |
Grelet et al. | Standardization of milk mid-infrared spectrometers for the transfer and use of multiple models | |
CN105334185B (zh) | 基于光谱投影判别的近红外模型维护方法 | |
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 | |
Khanmohammadi et al. | Artificial neural network for quantitative determination of total protein in yogurt by infrared spectrometry | |
CN103645155A (zh) | 生鲜羊肉嫩度的快速无损检测方法 | |
CN105223164B (zh) | 鉴别荞麦或燕麦粉掺假小麦粉的方法及系统 | |
CN104568815A (zh) | 生鲜牛肉中挥发性盐基氮含量的快速无损检测方法 | |
Giménez et al. | Estimation of failure criteria in multivariate sensory shelf life testing using survival analysis | |
Figueroa et al. | Using multivariate analysis to explore the relationships between color, composition, hygienic quality, and coagulation of milk from Manchega sheep | |
Dvorak et al. | Comparison of FT-NIR spectroscopy and ELISA for detection of adulteration of goat cheeses with cow’s milk | |
CN112730312A (zh) | 一种基于近红外光谱技术的掺杂牛初乳定性识别方法 | |
CN103712948A (zh) | 生鲜羊肉中挥发性盐基氮含量的快速无损检测方法 | |
Tarapoulouzi et al. | Discrimination of Cheddar and Kefalotyri cheese samples: Analysis by chemometrics of proton-NMR and FTIR spectra | |
CN104502307A (zh) | 一种快速检测长牡蛎糖原和蛋白质含量的方法 | |
Cámara‐Martos et al. | Detection and quantification of Escherichia coli and Pseudomonas aeruginosa in cow milk by near‐infrared spectroscopy | |
Stocco et al. | Breed of goat affects the prediction accuracy of milk coagulation properties using Fourier-transform infrared spectroscopy | |
WO2024042088A1 (en) | Process monitoring |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |