CN105445217B - 基于衰减全反射傅里叶变换红外光谱技术的糙米中黄曲霉毒素含量的快速检测方法 - Google Patents
基于衰减全反射傅里叶变换红外光谱技术的糙米中黄曲霉毒素含量的快速检测方法 Download PDFInfo
- Publication number
- CN105445217B CN105445217B CN201510447345.6A CN201510447345A CN105445217B CN 105445217 B CN105445217 B CN 105445217B CN 201510447345 A CN201510447345 A CN 201510447345A CN 105445217 B CN105445217 B CN 105445217B
- Authority
- CN
- China
- Prior art keywords
- sample
- brown rice
- spectrum
- aflatoxin
- level
- 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
- 235000021329 brown rice Nutrition 0.000 title claims abstract description 90
- 229930195730 Aflatoxin Natural products 0.000 title claims abstract description 37
- XWIYFDMXXLINPU-UHFFFAOYSA-N Aflatoxin G Chemical compound O=C1OCCC2=C1C(=O)OC1=C2C(OC)=CC2=C1C1C=COC1O2 XWIYFDMXXLINPU-UHFFFAOYSA-N 0.000 title claims abstract description 37
- 239000005409 aflatoxin Substances 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 title claims abstract description 21
- 238000005516 engineering process Methods 0.000 title claims abstract description 19
- 238000005102 attenuated total reflection Methods 0.000 title claims abstract description 13
- 230000003595 spectral effect Effects 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 28
- 239000000843 powder Substances 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- OQIQSTLJSLGHID-WNWIJWBNSA-N aflatoxin B1 Chemical compound C=1([C@@H]2C=CO[C@@H]2OC=1C=C(C1=2)OC)C=2OC(=O)C2=C1CCC2=O OQIQSTLJSLGHID-WNWIJWBNSA-N 0.000 claims abstract description 19
- 238000002835 absorbance Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000002360 preparation method Methods 0.000 claims abstract description 7
- 208000036641 Aspergillus infections Diseases 0.000 claims abstract description 5
- 230000001373 regressive effect Effects 0.000 claims abstract description 5
- 238000007873 sieving Methods 0.000 claims abstract description 5
- 238000004611 spectroscopical analysis Methods 0.000 claims abstract description 4
- 238000001228 spectrum Methods 0.000 claims description 94
- 238000012795 verification Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 12
- 238000012417 linear regression Methods 0.000 claims description 12
- 238000002329 infrared spectrum Methods 0.000 claims description 10
- 241000228197 Aspergillus flavus Species 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000002474 experimental method Methods 0.000 claims description 8
- 238000004445 quantitative analysis Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 238000010987 Kennard-Stone algorithm Methods 0.000 claims description 6
- 229920002678 cellulose Polymers 0.000 claims description 6
- 239000001913 cellulose Substances 0.000 claims description 6
- 239000013078 crystal Substances 0.000 claims description 6
- 238000004128 high performance liquid chromatography Methods 0.000 claims description 6
- SBIBMFFZSBJNJF-UHFFFAOYSA-N selenium;zinc Chemical compound [Se]=[Zn] SBIBMFFZSBJNJF-UHFFFAOYSA-N 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 5
- 231100000614 poison Toxicity 0.000 claims description 5
- 239000002574 poison Substances 0.000 claims description 5
- 241000656145 Thyrsites atun Species 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- JKKCSFJSULZNDN-UHFFFAOYSA-N gonyautoxin v Chemical compound N=C1NC(COC(=O)NS(O)(=O)=O)C2NC(=N)NC22C(O)(O)CCN21 JKKCSFJSULZNDN-UHFFFAOYSA-N 0.000 claims description 4
- 238000012067 mathematical method Methods 0.000 claims description 4
- RGCLLPNLLBQHPF-HJWRWDBZSA-N phosphamidon Chemical compound CCN(CC)C(=O)C(\Cl)=C(/C)OP(=O)(OC)OC RGCLLPNLLBQHPF-HJWRWDBZSA-N 0.000 claims description 4
- 230000009897 systematic effect Effects 0.000 claims description 4
- ZZIZZTHXZRDOFM-XFULWGLBSA-N tamsulosin hydrochloride Chemical compound [H+].[Cl-].CCOC1=CC=CC=C1OCCN[C@H](C)CC1=CC=C(OC)C(S(N)(=O)=O)=C1 ZZIZZTHXZRDOFM-XFULWGLBSA-N 0.000 claims description 4
- 238000011282 treatment Methods 0.000 claims description 3
- 239000003053 toxin Substances 0.000 claims description 2
- 231100000765 toxin Toxicity 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims 1
- 238000000926 separation method Methods 0.000 claims 1
- 208000011580 syndromic disease Diseases 0.000 claims 1
- 239000002115 aflatoxin B1 Substances 0.000 abstract description 5
- 239000002097 aflatoxin B2 Substances 0.000 abstract description 5
- 239000002098 aflatoxin G1 Substances 0.000 abstract description 5
- 239000002100 aflatoxin G2 Substances 0.000 abstract description 5
- QRARGUIFAGCOOA-UHFFFAOYSA-N aspertoxin Chemical compound O1C2=C(C3(C=COC3O3)O)C3=CC(OC)=C2C(=O)C2=C1C=CC=C2OC QRARGUIFAGCOOA-UHFFFAOYSA-N 0.000 description 8
- 241000209094 Oryza Species 0.000 description 6
- 235000007164 Oryza sativa Nutrition 0.000 description 6
- 235000009566 rice Nutrition 0.000 description 6
- 235000013339 cereals Nutrition 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 4
- 238000004483 ATR-FTIR spectroscopy Methods 0.000 description 3
- 102000004190 Enzymes Human genes 0.000 description 3
- 108090000790 Enzymes Proteins 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 description 2
- 244000144972 livestock Species 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- OGNSCSPNOLGXSM-UHFFFAOYSA-N (+/-)-DABA Natural products NCCC(N)C(O)=O OGNSCSPNOLGXSM-UHFFFAOYSA-N 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 231100000678 Mycotoxin Toxicity 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 229930003270 Vitamin B Natural products 0.000 description 1
- WWSYXEZEXMQWHT-WNWIJWBNSA-N aflatoxin B2 Chemical compound C=1([C@@H]2CCO[C@@H]2OC=1C=C(C1=2)OC)C=2OC(=O)C2=C1CCC2=O WWSYXEZEXMQWHT-WNWIJWBNSA-N 0.000 description 1
- 230000003078 antioxidant effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000000711 cancerogenic effect Effects 0.000 description 1
- 231100000315 carcinogenic Toxicity 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- LINOMUASTDIRTM-QGRHZQQGSA-N deoxynivalenol Chemical compound C([C@@]12[C@@]3(C[C@@H](O)[C@H]1O[C@@H]1C=C(C([C@@H](O)[C@@]13CO)=O)C)C)O2 LINOMUASTDIRTM-QGRHZQQGSA-N 0.000 description 1
- 229930002954 deoxynivalenol Natural products 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000002158 endotoxin Substances 0.000 description 1
- KSEBMYQBYZTDHS-HWKANZROSA-N ferulic acid Chemical group COC1=CC(\C=C\C(O)=O)=CC=C1O KSEBMYQBYZTDHS-HWKANZROSA-N 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 229960003692 gamma aminobutyric acid Drugs 0.000 description 1
- 235000011868 grain product Nutrition 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 230000001900 immune effect Effects 0.000 description 1
- 230000003053 immunization Effects 0.000 description 1
- 238000002649 immunization Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 229920006008 lipopolysaccharide Polymers 0.000 description 1
- 210000001161 mammalian embryo Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002636 mycotoxin Substances 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 229930183344 ochratoxin Natural products 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- NNFCIKHAZHQZJG-UHFFFAOYSA-N potassium cyanide Chemical compound [K+].N#[C-] NNFCIKHAZHQZJG-UHFFFAOYSA-N 0.000 description 1
- 108090000765 processed proteins & peptides Proteins 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
- 235000019871 vegetable fat Nutrition 0.000 description 1
- 235000019156 vitamin B Nutrition 0.000 description 1
- 239000011720 vitamin B Substances 0.000 description 1
- LINOMUASTDIRTM-UHFFFAOYSA-N vomitoxin hydrate Natural products OCC12C(O)C(=O)C(C)=CC1OC1C(O)CC2(C)C11CO1 LINOMUASTDIRTM-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/55—Specular reflectivity
- G01N21/552—Attenuated total reflection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N2021/3595—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using FTIR
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种基于衰减全反射傅里叶变换红外光谱技术的糙米中黄曲霉毒素含量的快速检测方法，包括以下步骤：样品准备，收集不同黄曲霉侵染程度的糙米样品，将糙米样品粉碎得到样品粉末，并冷藏待测；光谱检测，采用傅里叶变换近红外光谱仪扫描样品的光谱信息，并取部分过筛样品，测定糙米样品粉末中黄曲霉毒素B1、B2、G1、G2及其总量的水平；数据预处理，对样品粉末的原始光谱信息进行预处理，消除干扰；定量预测分析，基于偏最小二乘回归分析方法(PLSR)，依据糙米样品中黄曲霉毒素B1、B2、G1、G2及其总量的水平与其相应光谱吸收值的对应关系，建立糙米样品中黄曲霉毒素真实含量水平与预测水平的相关关系模型；快速测定，利用前述建立的模型，基于待测的糙米的光谱信息而输出其黄曲霉毒素B1、B2、G1、G2及其总量水平。
Description
技术领域
本发明涉及谷物品质检测技术领域，具体而言涉及一种基于衰减全反射傅里叶变换红外光谱技术的糙米中黄曲霉毒素含量的快速检测方法。
背景技术
随着科学的发展，糙米的营养价值越来越受到人们的重视。美国食品与药物管理局经过对糙米的胚与米糠进行分析，发现10g糙米中含蛋白质3g，植物性脂肪1.2g，B族维生素2.5g。而且，糙米中的维生素B1、B2、E、C、D，钙、铁及纤维素皆高于精米。此外，糙米中具有丰富的营养保健功能因子，而精米中不含或含量低，例如，糙米中具有抗氧化活性的谷胱甘肽约为3.64mg/100g，且含有存在阿魏酸集团的γ-谷维醇、γ-氨基丁酸(约3.8mg/100g)、米糠脂多糖、米糠纤维等。
然而，我国属于亚热带气候，适宜的温度及湿度条件利于霉菌的生长及毒素的产生，且一些地方的粮食仓储设施不够完善，导致我国粮食作物，例如糙米受霉菌毒素污染的问题较为普遍。目前，黄曲霉毒素(AFT)、赭曲霉毒素及脱氧雪腐镰刀菌烯醇等对人畜健康造成较大危害，其中，AFT被世界卫生组织(WHO)癌症研究机构划定为一类天然存在的致癌物。常见的AFT主要包括AFB1、AFB2、AFG1、AFG2和AFM1等。国际法典委员会(CAC)明确规定食品中AFT(B1、B2、G1和G2)不能高于15μg/kg。其中，AFB1的毒性最具代表，其毒性是氰化钾的10倍。
目前AFT检测方法主要包括薄层色谱法(TLC)、高效液相色谱法(HPLC)、酶联免疫法及微柱法等。然而，TLC具有样品前处理繁琐、灵敏度低、重现性差及安全性低等不足；HPLC具有准确性好、灵敏度高及检测限低的优点，但样品前处理复杂，所需化学试剂种类繁多，且需专业技术人员，难以满足快速、在线的检测要求；酶联免疫法对适用酶和抗体的保存条件、时间有一定要求，且易出现假阳性结果；微柱法不能完成整个黄曲霉毒素的检测过程，仅适用于定性检验。因此，亟需寻找一种制样简单、快速、准确度高及对环境无污染的谷物中AFT的快速检测方法。
红外光谱技术是分析化合物的重要手段，然而常规透射法对难溶、难粉碎等样品的检测存在困难，衰减全反射附件(ATR)的应用使微区成分的分析变得方便而快捷，检测灵敏度达10-9g。衰减全反射傅里叶变换红外光谱(ATR-FTIR)分析技术具有制样简单、测量区域小、检测灵敏度高及对环境无污染等优势，在食品药品、环境、生命科学与轻工业等领域已得到广泛应用。因此，利用ATR-FTIR分析技术，建立糙米黄曲霉毒素含量水平的快速检测方法体系，对于确保粮食质量安全与人畜健康具有重要的意义。
发明内容
本发明目的在于提供一种基于衰减全反射傅里叶变换红外光谱技术的糙米中黄曲霉毒素含量的快速检测方法，旨在基于ATR-FTIR技术实现同时对糙米中黄曲霉毒素B1、B2、G1、G2及其总量的定量检测，提高检测的时效性、准确度，简化操作复杂性，减小样品损耗量。
本发明的上述目的通过独立权利要求的技术特征实现，从属权利要求以另选或有利的方式发展独立权利要求的技术特征。
为达成上述目的，本发明提出一种基于衰减全反射傅里叶变换红外光谱技术的糙米中黄曲霉毒素含量的快速检测方法，包括以下步骤：
步骤1、样品准备，收集不同黄曲霉侵染程度的糙米样品，将糙米样品粉碎得到样品粉末，并在-18℃环境下冷藏，待测；
步骤2、光谱检测，对于样品粉末，采用傅里叶变换近红外光谱仪扫描样品的光谱信息，并取部分过筛样品，采用多功能柱净化-高效液相色谱-荧光法测定糙米样品粉末中黄曲霉毒素B1、B2、G1、G2及其总量的水平；
步骤3、数据预处理，对前述步骤得到的样品粉末的原始光谱信息进行预处理，消除干扰；
步骤4、定量预测分析，基于偏最小二乘回归分析方法(PLSR)，依据糙米样品中黄曲霉毒素B1、B2、G1、G2及其总量的水平与其相应光谱吸收值的对应关系，建立糙米样品中黄曲霉毒素真实含量水平与预测水平的相关关系模型；
步骤5、快速测定，利用前述建立的模型，基于待测的糙米的光谱信息而输出其黄曲霉毒素B1、B2、G1、G2及其总量水平。
进一步的例子中，前述步骤1中，糙米样品的粉碎过程包括：
将每份糙米颗粒样品粉碎，时间至少为10s，过40目筛，如此以保证样品的均一性。
进一步的例子中，前述步骤2中，利用Bruker傅里叶变换红外光谱仪采集糙米粉末样品的光谱信息，具体包括：
将Bruker傅里叶变换红外光谱仪预热30min，取1g糙米粉末样品，置于Pike公司衰减全反射ATR附件的ZnSe晶体上进行光谱检测，每份样品检测前先测定背景即空气的光谱；采用漫反射吸收模式，光谱扫描范围为4000～600cm-1，分辨率为4cm-1，扫描次数为64次，重复扫描3次，采用OMNIC软件对3次扫描所得光谱作平均处理，取平均光谱进行分析。
进一步的例子中，前述步骤3的数据预处理，其具体实现包括：
采用多元散射校正方法(MSC)对糙米样品粉末的原始平均光谱进行预处理，即、将光谱中的散射光信号与化学吸收信息进行分离；然后，通过Dixon检验，在95％的置信水平下，自动计算出各样本光谱的马氏距离，去除个别异常样本，去除样本数量需低于总建模样本量的5％。
进一步的例子中，前述步骤3中采用多元散射校正方法(MSC)对糙米样品原始平均光谱进行预处理，即通过数学方法将光谱中的散射光信号与化学吸收信息进行分离，并假设散射系数在所有波长处都是一样的，具体步骤如下：
1)计算所有样品光谱的平均值：
2)对平均光谱作一元线性回归分析：
3)对每一条光谱做多元散射校正：
式中：A表示n×p维定标光谱数据矩阵，n为定标样品数，p为光谱采集所用的波长点数；
Ai表示1×p维矩阵，表示单个糙米样品光谱矢量；
表示所有糙米样品的原始近红外光谱在各个波长点处求平均值所得到的平均光谱矢量；
mi和bi分别表示各糙米样品近红外光谱Ai与平均光谱A进行一元线性回归后得到的相对偏移系数和平移量。
进一步的例子中，前述步骤4中，糙米样品中黄曲霉毒素真实含量水平与预测水平的相关关系模型的建立过程包括：
步骤4-1、选取建模集和预测集样本，在模型构建前，利用Kennard-Stone(KS)算法对样本的建模集与验证集进行挑选，即通过计算自变量x，即光谱之间的欧式距离，将光谱差异大的样本选入建模集，剩余距离较小样本归为验证集，KS中样本差异性是通过比较两个样本p,q之间光谱的欧氏距离来确定的，即
xp(j)和xq(j)是样本p和q在第j个波数的吸光度值，J代表光谱波数数目；
采用KS选取2/3份样品的光谱信息用于模型构建，剩余1/3份样品作为预测集样本，验证模型可靠性；
步骤4-2、对糙米样品中黄曲霉毒素B1、B2、G1、G2及其总量的水平进行预测时，需先采集样本的特征光谱并进行相同的分解，获得光谱的得分，将光谱的得分带入下面公式，计算出样品中黄曲霉毒素的浓度值：
y＝tB
上式中：y为某个待测样本黄曲霉毒素的预测浓度值，t为某个待测样本光谱分解的得分，B为回归系数矩阵；
步骤4-3、其次，依据建模结果的最大相对分析误差RPD对模型的实用性进行判定：
RPD值越大，表明模型稳健性越好，RPD≥2.5，表明此模型可用于定量分析目的；否则，需进行多次重复试验，以降低偶然或系统误差对试验的影响，直到满足前述条件RPD≥2.5。
步骤4-4、将样品中黄曲霉毒素B1、B2、G1、G2及其总量的实际检测水平作为自变量x，将经PLSR方法得到的黄曲霉毒素的预测含量水平作为因变量y，建立一元线性回归方程，如下：
y＝ax+b
式中：a为方程斜率，b为方程截距。
应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：
图1是说明根据本发明某些实施例的基于衰减全反射傅里叶变换红外光谱技术的糙米中黄曲霉毒素含量的快速检测方法的实现流程图。
图2是黄曲霉毒素B1真实值与预测值的相关性图谱。
图3为黄曲霉毒素B2真实值与预测值的相关性图谱。
图4为黄曲霉毒素G1真实值与预测值的相关性图谱。
图5为黄曲霉毒素G2真实值与预测值的相关性图谱。
图6为黄曲霉毒素总量真实值与预测值的相关性图谱。
表1为黄曲霉毒素B1定量分析验证集结果。
表2为黄曲霉毒素B2定量分析验证集结果。
表3为黄曲霉毒素G1定量分析验证集结果。
表4为黄曲霉毒素G2定量分析验证集结果。
表5为黄曲霉毒素总量水平的分析验证集结果。
具体实施方式
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
结合图1所示的本发明某些实施例的基于衰减全反射傅里叶变换红外光谱技术的糙米中黄曲霉毒素含量的快速检测方法的流程，根据本发明的实施例，一种基于衰减全反射傅里叶变换红外光谱技术的糙米中黄曲霉毒素含量的快速检测方法，包括以下步骤：步骤1、样品准备，收集不同黄曲霉侵染程度的糙米样品，将糙米样品粉碎得到样品粉末，并在-18℃环境下冷藏，待测；步骤2、光谱检测，对于样品粉末，采用傅里叶变换近红外光谱仪扫描样品的光谱信息，并取部分过筛样品，采用多功能柱净化-高效液相色谱-荧光法测定糙米样品粉末中黄曲霉毒素B1、B2、G1、G2及其总量的水平；步骤3、数据预处理，对前述步骤得到的样品粉末的原始光谱信息进行预处理，消除干扰；步骤4、定量预测分析，基于偏最小二乘回归分析方法(PLSR)，依据糙米样品中黄曲霉毒素B1、B2、G1、G2及其总量的水平与其相应光谱吸收值的对应关系，建立糙米样品中黄曲霉毒素真实含量水平与预测水平的相关关系模型；步骤5、快速测定，利用前述建立的模型，基于待测的糙米的光谱信息而输出其黄曲霉毒素B1、B2、G1、G2及其总量水平。
在一些例子中，前述步骤1中，糙米样品的粉碎过程包括：
将每份糙米颗粒样品粉碎，时间至少为10s，过40目筛，如此以保证样品的均一性。
在一些例子中，前述步骤2中，利用Bruker傅里叶变换红外光谱仪采集糙米粉末样品的光谱信息，具体包括：
将Bruker傅里叶变换红外光谱仪预热30min，取1g糙米粉末样品，置于Pike公司ATR附件的ZnSe晶体上进行光谱检测，ATR附件基于光内反射原理设计，它以光辐射两种介质的界面发生全内反射为基础，由于ZnSe晶体的折射率n1(>1.5)大于糙米样品的折射率n2，且入射角θ大于临界角θc(sinθc＝n2/n1)，因此会发生全反射。每份样品检测前先测定背景即空气的光谱；采用漫反射吸收模式，光谱扫描范围为4000～600cm-1，分辨率为4cm-1，扫描次数为64次，重复扫描3次，采用OMNIC软件对3次扫描所得光谱作平均处理，取平均光谱进行分析。
在一些例子中，前述步骤3的数据预处理，其具体实现包括：
采用多元散射校正方法(MSC)对糙米样品粉末的原始平均光谱进行预处理，即、将光谱中的散射光信号与化学吸收信息进行分离；然后，通过Dixon检验，在95％的置信水平下，自动计算出各样本光谱的马氏距离，去除个别异常样本，去除样本数量需低于总建模样本量的5％。
在一些例子中，前述步骤3中采用多元散射校正方法(MSC)对糙米样品原始平均光谱进行预处理，即通过数学方法将光谱中的散射光信号与化学吸收信息进行分离，并假设散射系数在所有波长处都是一样的，具体步骤如下：
1)计算所有样品光谱的平均值：
2)对平均光谱作一元线性回归分析：
3)对每一条光谱做多元散射校正：
式中：A表示n×p维定标光谱数据矩阵，n为定标样品数，p为光谱采集所用的波长点数；
Ai表示1×p维矩阵，表示单个糙米样品光谱矢量；
表示所有糙米样品的原始近红外光谱在各个波长点处求平均值所得到的平均光谱矢量；
mi和bi分别表示各糙米样品近红外光谱Ai与平均光谱A进行一元线性回归后得到的相对偏移系数和平移量。
多元散射校正可以去除近红外漫反射光谱中样品的镜面反射及不均匀性造成的噪声，消除漫反射光谱的基线及光谱的不重复性，主要是来消除颗粒分布不均匀及颗粒大小产生的散射影响；然后，通过Dixon检验，在95％的置信水平下，自动计算出各样本光谱的马氏距离，去除个别异常样本，可显著改善模型性能，去除样本数量需低于总建模样本量的5％。
在一些例子中，前述步骤4中，糙米样品中黄曲霉毒素真实含量水平与预测水平的相关关系模型的建立过程包括：
步骤4-1、选取建模集和预测集样本，在模型构建前，利用Kennard-Stone(KS)算法对样本的建模集与验证集进行挑选，即通过计算自变量x，即光谱之间的欧式距离，将光谱差异大的样本选入建模集，剩余距离较小样本归为验证集，KS中样本差异性是通过比较两个样本p,q之间光谱的欧氏距离来确定的，即
xp(j)和xq(j)是样本p和q在第j个波数的吸光度值，J代表光谱波数数目；
采用KS选取2/3份样品的光谱信息用于模型构建，剩余1/3份样品作为预测集样本，验证模型可靠性；
步骤4-2、对糙米样品中黄曲霉毒素B1、B2、G1、G2及其总量的水平进行预测时，需先采集样本的特征光谱并进行相同的分解，获得光谱的得分，将光谱的得分带入下面公式，计算出样品中黄曲霉毒素的浓度值：
y＝tB
上式中：y为某个待测样本黄曲霉毒素的预测浓度值，t为某个待测样本光谱分解的得分，B为回归系数矩阵；
步骤4-3、依据建模结果的最大相对分析误差RPD对模型的实用性进行判定：
RPD值越大，表明模型稳健性越好，RPD≥2.5，表明此模型可用于定量分析目的；否则，需进行多次重复试验，以降低偶然或系统误差对试验的影响，直到满足前述RPD≥2.5的条件。
步骤4-4、将样品中黄曲霉毒素B1、B2、G1、G2及其总量的实际检测水平作为自变量x，将经PLSR方法得到的黄曲霉毒素的预测含量水平作为因变量y，建立一元线性回归方程，如下：
y＝ax+b
式中：a为方程斜率，b为方程截距。
下面结合一些示例性的例子，以及图2-图6，对前述方法加以更具体的说明。
一、样品准备。选取132份不同黄曲霉侵染程度的糙米样品，去除杂物。光谱采集前需先测定糙米样品的初始水分(GBT 21305-2007谷物及谷物制品水分的测定常规法)，自然晾晒至样品水分含量较为相近(湿基：11％～14％)，降低水分差异对结果造成的较大干扰。分别将样品粉碎(粉碎时间t>10s)，过40目筛，避光，-18℃冷藏；
二、样品测定。室温(25℃)下开启计算机和Bruker傅里叶变换红外光谱仪，预热30min，取1g糙米粉末样品，置于Pike公司ATR附件的ZnSe晶体上，ATR附件基于光内反射原理设计，它以光辐射两种介质的界面发生全内反射为基础，由于ZnSe晶体的折射率n1(>1.5)大于糙米样品的折射率n2，且入射角θ大于临界角θc(sinθc＝n2/n1)，因此会发生全反射。每份样品检测前先测定背景(空气)光谱；采用吸收模式，光谱扫描范围为4000～600cm-1，分辨率为4cm-1，扫描次数为64次，重复扫描3次，采用OMNIC软件对3次扫描所得光谱作平均处理，取平均光谱进行分析。取部分过筛样品，采用多功能柱净化-高效液相色谱-荧光法测定糙米中黄曲霉毒素B1、B2、G1、G2及其总量的水平；
三、数据预处理。基于TQ analyst 6.0软件，首先，采用多元散射校正方法(MSC)对糙米样品原始平均光谱进行预处理，即通过数学方法将光谱中的散射光信号与化学吸收信息进行分离，并假设散射系数在所有波长处都是一样的。具体步骤如下：
1.计算所有样品光谱的平均值：
2.对平均光谱作一元线性回归分析：
3.对每一条光谱做多元散射校正：
式中：A表示n×p维定标光谱数据矩阵，n为定标样品数，p为光谱采集所用的波长点数；
Ai表示1×p维矩阵，表示单个糙米样品光谱矢量；
表示所有糙米样品的原始近红外光谱在各个波长点处求平均值所得到的平均光谱矢量；
mi和bi分别表示各糙米样品近红外光谱Ai与平均光谱A进行一元线性回归后得到的相对偏移系数和平移量。
四、定量预测分析。
采用TQ Analyst 6.0软件，具体步骤如下：
1.首先，选取建模集和预测集样本。在光谱分析中，模型构建前，需对样本的建模集与验证集进行挑选，Kennard-Stone(KS)算法常用于划分建模集及验证集样本数，可用于偏最小二乘、支持向量机等建模集和验证集的划分，即通过计算自变量x，即光谱之间的欧式距离，将光谱差异大的样本选入建模集，剩余距离较小样本归为验证集，减少了相似样本被选入建模集。KS算法中样本差异性是通过比较两个样本p,q之间光谱(X向量)的欧氏距离来确定的，即
xp(j)和xq(j)是样本p和q在第j个波数的吸光度值，J代表光谱波数数目。
采用KS算法，选取2/3份样品的光谱信息用于模型构建，剩余1/3份样品作为预测集样本，验证模型可靠性。
2.其次，基于偏最小二乘回归分析方法(PLSR)，依据糙米样品中黄曲霉毒素B1、B2、G1、G2及其总量的水平与其相应光谱吸收值的对应关系，建立糙米样品中黄曲霉毒素真实含量水平与预测水平的相关关系模型。
偏最小二乘回归分析方法的基本原理如下：
X＝TP+E
Y＝UQ+F
U＝TB
矩阵B的最小二乘解为：
B＝(TTT)-1TTY
式中，X为光谱矩阵，Y为浓度矩阵，T、U分别为X和Y矩阵的得分矩阵，P和Q为X和Y矩阵的载荷矩阵，E和F分别为X和Y矩阵的残差矩阵，B为回归系数矩阵。
PLSR作为化学计量学中比较经典的分析方法，具有可以实现回归模型、数据结构化及两组变量之间的相关性分析的作用，能用少量的PLSR因子数来预测未知样品的含量，可以解决许多普通多元回归方法无法解决的问题。
具体步骤如下：
对糙米样品中黄曲霉毒素B1、B2、G1、G2及其总量的水平进行预测时，需先采集样本的特征光谱并进行相同的分解，获得光谱的得分，将光谱的得分带入下面公式，计算出样品中黄曲霉毒素的浓度值。
y＝tB
上式中：y为某个待测样本黄曲霉毒素的预测浓度值，t为某个待测样本光谱分解的得分，B为回归系数矩阵。
其次，依据建模结果的最大相对分析误差RPD对模型的实用性进行判定：
RPD值越大，表明模型稳健性越好，RPD≥2.5，表明此模型可用于定量分析目的；否则，需进行多次重复试验，以降低偶然或系统误差对试验的影响。
最后，将样品中黄曲霉毒素B1、B2、G1、G2及其总量的实际检测水平作为自变量x，将经PLSR方法得到的黄曲霉毒素的预测含量水平作为因变量y，建立一元线性回归方程，如下：
y＝ax+b
式中：a为方程斜率，b为方程截距。
黄曲霉毒素B1、B2、G1、G2及其总量的实际检测值与光谱预测值的关系如图2、3、4、5、6，其模型验证集结果见表1、2、3、4、5。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。
Claims (5)
1.一种基于衰减全反射傅里叶变换红外光谱技术的糙米中黄曲霉毒素含量的快速检测方法，其特征在于，包括以下步骤：
步骤1、样品准备，收集不同黄曲霉侵染程度的糙米样品，将糙米样品粉碎得到样品粉末，并在-18℃环境下冷藏，待测；
步骤2、光谱检测，对于样品粉末，采用傅里叶变换近红外光谱仪扫描样品的光谱信息，并取部分过筛样品，采用多功能柱净化-高效液相色谱-荧光法测定糙米样品粉末中黄曲霉毒素B1、B2、G1、G2及其总量的水平；
步骤3、数据预处理，对前述步骤得到的样品粉末的原始光谱信息进行预处理，消除干扰；
步骤4、定量预测分析，基于偏最小二乘回归分析方法(PLSR)，依据糙米样品中黄曲霉毒素B1、B2、G1、G2及其总量的水平与其相应光谱吸收值的对应关系，建立糙米样品中黄曲霉毒素真实含量水平与预测水平的相关关系模型；
步骤5、快速测定，利用前述建立的模型，基于待测的糙米的光谱信息而输出其黄曲霉毒素B1、B2、G1、G2及其总量水平；
其中，前述步骤4中，糙米样品中黄曲霉毒素真实含量水平与预测水平的相关关系模型的建立过程包括：
步骤4-1、选取建模集和预测集样本，在模型构建前，利用Kennard-Stone(KS)算法对样本的建模集与验证集进行挑选，即通过计算自变量x，即光谱之间的欧式距离，将光谱差异大的样本选入建模集，剩余距离较小样本归为验证集，KS中样本差异性是通过比较两个样本p,q之间光谱的欧氏距离来确定的，即
xp(j)和xq(j)是样本p和q在第j个波数的吸光度值，J代表光谱波数数目；
采用KS选取2/3份样品的光谱信息用于模型构建，剩余1/3份样品作为预测集样本，验证模型可靠性；
步骤4-2、对糙米样品中黄曲霉毒素B1、B2、G1、G2及其总量的水平进行预测时，需先采集样本的特征光谱并进行相同的分解，获得光谱的得分，将光谱的得分带入下面公式，计算出样品中黄曲霉毒素的浓度值：
y＝tB
上式中：y为某个待测样本黄曲霉毒素的预测浓度值，t为某个待测样本光谱分解的得分，B为回归系数矩阵；
步骤4-3、依据建模结果的最大相对分析误差RPD对模型的实用性进行判定：
RPD值越大，表明模型稳健性越好，RPD≥2.5，表明此模型可用于定量分析目的；否则，进行多次重复试验，以降低偶然或系统误差对试验的影响，直到满足RPD≥2.5；
步骤4-4、将样品中黄曲霉毒素B1、B2、G1、G2及其总量的实际检测水平作为自变量x，将经PLSR方法得到的黄曲霉毒素的预测含量水平作为因变量y，建立一元线性回归方程，如下：
y＝ax+b
式中：a为方程斜率，b为方程截距。
2.根据权利要求1所述的基于衰减全反射傅里叶变换红外光谱技术的糙米中黄曲霉毒素含量的快速检测方法，其特征在于，前述步骤1中，糙米样品的粉碎过程包括：
将每份糙米颗粒样品粉碎，时间至少为10s，过40目筛，如此以保证样品的均一性。
3.根据权利要求1所述的基于衰减全反射傅里叶变换红外光谱技术的糙米中黄曲霉毒素含量的快速检测方法，其特征在于，前述步骤2中，利用Bruker傅里叶变换红外光谱仪采集糙米粉末样品的光谱信息，具体包括：
将Bruker傅里叶变换红外光谱仪预热30min，取1g糙米粉末样品，置于Pike公司ATR附件的ZnSe晶体上进行光谱检测，每份样品检测前先测定背景即空气的光谱；采用漫反射吸收模式，光谱扫描范围为4000～600cm-1，分辨率为4cm-1，扫描次数为64次，重复扫描3次，采用OMNIC软件对3次扫描所得光谱作平均处理，取平均光谱进行分析。
4.根据权利要求1所述的基于衰减全反射傅里叶变换红外光谱技术的糙米中黄曲霉毒素含量的快速检测方法，其特征在于，前述步骤3的数据预处理，其具体实现包括：
采用多元散射校正方法(MSC)对糙米样品粉末的原始平均光谱进行预处理，即、将光谱中的散射光信号与化学吸收信息进行分离；然后，通过Dixon检验，在95％的置信水平下，自动计算出各样本光谱的马氏距离，去除个别异常样本，去除样本数量需低于总建模样本量的5％。
5.根据权利要求4所述的基于衰减全反射傅里叶变换红外光谱技术的糙米中黄曲霉毒素含量的快速检测方法，其特征在于，前述步骤3中采用多元散射校正方法(MSC)对糙米样品原始平均光谱进行预处理，即通过数学方法将光谱中的散射光信号与化学吸收信息进行分离，并假设散射系数在所有波长处都是一样的，具体步骤如下：
1)计算所有样品光谱的平均值：
2)对平均光谱作一元线性回归分析：
3)对每一条光谱做多元散射校正：
式中：A表示n×p维定标光谱数据矩阵，n为定标样品数，p为光谱采集所用的波长点数；
Ai表示1×p维矩阵，表示单个糙米样品光谱矢量；
表示所有糙米样品的原始近红外光谱在各个波长点处求平均值所得到的平均光谱矢量；
mi和bi分别表示各糙米样品近红外光谱Ai与平均光谱A进行一元线性回归后得到的相对偏移系数和平移量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510447345.6A CN105445217B (zh) | 2015-07-27 | 2015-07-27 | 基于衰减全反射傅里叶变换红外光谱技术的糙米中黄曲霉毒素含量的快速检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510447345.6A CN105445217B (zh) | 2015-07-27 | 2015-07-27 | 基于衰减全反射傅里叶变换红外光谱技术的糙米中黄曲霉毒素含量的快速检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105445217A CN105445217A (zh) | 2016-03-30 |
| CN105445217B true CN105445217B (zh) | 2018-08-21 |
Family
ID=55555672
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510447345.6A Active CN105445217B (zh) | 2015-07-27 | 2015-07-27 | 基于衰减全反射傅里叶变换红外光谱技术的糙米中黄曲霉毒素含量的快速检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105445217B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106018328B (zh) * | 2016-04-13 | 2018-08-28 | 广东出入境检验检疫局检验检疫技术中心 | 鉴别真假燕窝的方法 |
| CN107024445A (zh) * | 2017-04-17 | 2017-08-08 | 中国科学院南京土壤研究所 | 蔬菜中硝酸盐的快速检测的建模方法和检测方法 |
| CN107576591A (zh) * | 2017-08-03 | 2018-01-12 | 长安大学 | 沥青60℃动力粘度值快速检测方法 |
| CN107402190B (zh) * | 2017-08-10 | 2020-06-16 | 河南工业大学 | 一种稻谷黄变程度的检测方法 |
| CN108760647A (zh) * | 2018-03-20 | 2018-11-06 | 南京财经大学 | 一种基于可见/近红外光谱技术的小麦带菌量线检测方法 |
| CN110376153B (zh) * | 2019-06-06 | 2022-06-17 | 湖州市中心医院 | 一种atr-ftir结合rbf神经网络对市售西红花产地溯源的方法 |
| CN110779897B (zh) * | 2019-11-08 | 2022-11-15 | 湖北民族大学 | 一种营养米粉中无机硒的测定方法 |
| CN112557337B (zh) * | 2020-08-04 | 2023-02-10 | 北京化工大学 | 再生粘胶纤维中浆粥或胶液各成分含量检测方法 |
| CN112881698B (zh) * | 2021-01-13 | 2021-11-02 | 北京中检葆泰生物技术有限公司 | 一种定量测算样品中黄曲霉毒素含量的方法 |
| CN114002166A (zh) * | 2021-10-29 | 2022-02-01 | 南京财经大学 | 一种基于高光谱成像技术的稻谷三种曲霉霉变定量检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20030010025A (ko) * | 2001-07-25 | 2003-02-05 | 대한민국 (관리부서 농촌진흥청) | 근적외선 흡수스펙트럼을 이용한 곡물 1립 비파괴 분석방법 |
| CN101936895A (zh) * | 2010-09-02 | 2011-01-05 | 中南林业科技大学 | 一种稻米新陈度近红外光谱分析快速检测方法 |
| CN103245628A (zh) * | 2012-02-13 | 2013-08-14 | 辽宁省分析科学研究院 | 食用植物油品质的快速检测方法 |
| CN103575694A (zh) * | 2013-11-11 | 2014-02-12 | 东北农业大学 | 一种基于近红外光谱技术的稻谷黄曲霉毒素b1 快速检测方法 |
-
2015
- 2015-07-27 CN CN201510447345.6A patent/CN105445217B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20030010025A (ko) * | 2001-07-25 | 2003-02-05 | 대한민국 (관리부서 농촌진흥청) | 근적외선 흡수스펙트럼을 이용한 곡물 1립 비파괴 분석방법 |
| CN101936895A (zh) * | 2010-09-02 | 2011-01-05 | 中南林业科技大学 | 一种稻米新陈度近红外光谱分析快速检测方法 |
| CN103245628A (zh) * | 2012-02-13 | 2013-08-14 | 辽宁省分析科学研究院 | 食用植物油品质的快速检测方法 |
| CN103575694A (zh) * | 2013-11-11 | 2014-02-12 | 东北农业大学 | 一种基于近红外光谱技术的稻谷黄曲霉毒素b1 快速检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| A New Method of Determination Aflatoxins in Groundnut and Groundnut Cake Using Fourier Transform Infrared Spectroscopy with Attenuated Total Reflectance;M.E.S Mirghani et al.;《Journal of the American Oil Chemists Society》;20011031;第78卷(第10期);Abstract，第986-991页，表1-表3，图1-图10 * |
| Discrimination of moldy peanuts with reference to aflatoxin using FTIR-ATR system;Hande Kaya-Celiker et al.;《Food Control》;20140403;第44卷;第64-71页 * |
| 加热对花生黄曲霉毒素含量的影响;林克龙 等;《花生学报》;20061231;第35卷(第4期);第10-14页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105445217A (zh) | 2016-03-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105445217B (zh) | 基于衰减全反射傅里叶变换红外光谱技术的糙米中黄曲霉毒素含量的快速检测方法 | |
| Leng et al. | Quantitative detection of binary and ternary adulteration of minced beef meat with pork and duck meat by NIR combined with chemometrics | |
| Xu et al. | Raman spectroscopy coupled with chemometrics for food authentication: A review | |
| Zheng et al. | Detection of adulteration with duck meat in minced lamb meat by using visible near-infrared hyperspectral imaging | |
| Su et al. | Fourier transform infrared and Raman and hyperspectral imaging techniques for quality determinations of powdery foods: A review | |
| Morsy et al. | Robust linear and non-linear models of NIR spectroscopy for detection and quantification of adulterants in fresh and frozen-thawed minced beef | |
| Guo et al. | Evaluation of chemical components and properties of the jujube fruit using near infrared spectroscopy and chemometrics | |
| Kumar et al. | Spectral analysis: A rapid tool for species detection in meat products | |
| Isaksson et al. | The effect of multiplicative scatter correction (MSC) and linearity improvement in NIR spectroscopy | |
| Shao et al. | Visible/near-infrared spectra for linear and nonlinear calibrations: a case to predict soluble solids contents and pH value in peach | |
| Wang et al. | Spectral detection techniques for non-destructively monitoring the quality, safety, and classification of fresh red meat | |
| Martin | Recent advances in near-infrared reflectance spectroscopy | |
| Shen et al. | Non-destructive and rapid evaluation of aflatoxins in brown rice by using near-infrared and mid-infrared spectroscopic techniques | |
| Huang et al. | Rapid detection of the reducing sugar and amino acid nitrogen contents of Daqu based on hyperspectral imaging | |
| Che et al. | Application of visible/near‐infrared spectroscopy in the prediction of azodicarbonamide in wheat flour | |
| Li et al. | Optical sensing system for detection of the internal and external quality attributes of apples | |
| Tian et al. | Measurement orientation compensation and comparison of transmission spectroscopy for online detection of moldy apple core | |
| Li et al. | Identification of aged-rice adulteration based on near-infrared spectroscopy combined with partial least squares regression and characteristic wavelength variables | |
| Liu et al. | Determination of total protein and wet gluten in wheat flour by Fourier transform infrared photoacoustic spectroscopy with multivariate analysis | |
| Yin et al. | Non-destructive detection of foreign contaminants in toast bread with near infrared spectroscopy and computer vision techniques | |
| CN108760677A (zh) | 一种基于近红外光谱技术的法半夏掺伪鉴别方法 | |
| CN105158201A (zh) | 一种基于ft-nir技术的糙米中黄曲霉毒素含量的快速检测方法 | |
| Arslan et al. | NIR spectroscopy coupled chemometric algorithms for rapid antioxidants activity assessment of Chinese dates (Zizyphus Jujuba Mill.) | |
| Liu et al. | Prediction of talc content in wheat flour based on a near-infrared spectroscopy technique | |
| Kusumiyati et al. | Enhanced visible/near-infrared spectroscopic data for prediction of quality attributes in Cucurbitaceae commodities |
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 |