CN105699301A - 一种利用光谱法测定农产品中粗纤维素的方法 - Google Patents

一种利用光谱法测定农产品中粗纤维素的方法 Download PDF

Info

Publication number
CN105699301A
CN105699301A CN201511030885.0A CN201511030885A CN105699301A CN 105699301 A CN105699301 A CN 105699301A CN 201511030885 A CN201511030885 A CN 201511030885A CN 105699301 A CN105699301 A CN 105699301A
Authority
CN
China
Prior art keywords
data
agricultural product
crude fibre
chemical detection
spectroscopic
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
Application number
CN201511030885.0A
Other languages
English (en)
Other versions
CN105699301B (zh
Inventor
刘毅
谭占鳌
陈剑
刘法安
罗嘉骏
朱伟根
吴宜青
韦毅可
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Batian Ecotypic Engineering Co Ltd
Original Assignee
Shenzhen Batian Ecotypic Engineering Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Batian Ecotypic Engineering Co Ltd filed Critical Shenzhen Batian Ecotypic Engineering Co Ltd
Priority to CN201511030885.0A priority Critical patent/CN105699301B/zh
Publication of CN105699301A publication Critical patent/CN105699301A/zh
Application granted granted Critical
Publication of CN105699301B publication Critical patent/CN105699301B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01N21/25—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

Landscapes

  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (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)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

本发明公开了一种利用光谱法测定农产品中粗纤维素的方法，该方法包括如下步骤：利用化学检测方法测量同一农产品的n个样品中粗纤维素，得到相应粗纤维素化学检测数据，在光谱范围为800-2500nm下，对同一农产品的n个样品进行非破坏性的光谱测量，得到相应粗纤维素光谱数据，其中n≥50；利用光谱数据和化学检测数据建立农产品粗纤维素检测的数据模型，数据模型嵌入数据运算服务器；针对待检农产品进行光谱数据收集，将所收集的光谱数据输入数据运算服务器；运算服务器根据所需要检测的产品品种匹配数据模型并进行运算，获得所检测农产品的粗纤维素含量。

Description

一种利用光谱法测定农产品中粗纤维素的方法
技术领域
本发明属于物质检测领域，特别是涉及利用光谱检测化学成分的方法，具体是涉及一种利用光谱法测定农产品中粗纤维素的方法。
背景技术
粗纤维素是植物细胞壁的主要组成成分，包括纤维素、半纤维素、木质素及角质等成分。吃些含粗纤维素的食物可以促进肠胃运动，可以一定程度上帮助消化，是有益处的，但粗纤维素也能够阻碍消化道内的消化酶与食糜接触从而降低养分的消化率，此外粗纤维素还能阻碍肠道对一些小分子养分物质的吸收。
粗纤维素是不能被人体消化和吸收的。1970年以前的营养学中只有“粗纤维素”之说，用以描述不能被消化的、吸收的食物残渣，且仅包括部分纤维素和木质素。通常认为粗纤维素对人体不具有营养作用，甚至吃多了还会影响人体对食物中营养素，尤其是对微量元素的吸收，对身体不利，一直未被重视。此后，通过一系列的调查研究，特别是人们发现，并认识到那些不能被人体消化吸收的“非营养”物质，却与人体健康密切有关，而且在预防人体某些疾病如冠心病、糖尿病、结肠癌和便秘等方面起着重要作用，与此同时，也认识到“粗纤维素”一词概念已不适用，因而将其废弃改为膳食纤维。
因此，生活中消费者对农产品中粗纤维素越来越重视，尤其是对于养生者，因此，消费者在选择农产品时对其粗纤维素的要求也越来越关注，而目前对农产品粗纤维素的测定常以破坏性化学分析或者在实验室使用昂贵的实验仪器分析为主，这些方法都需要将农产品损坏，并且不能进行现场测试分析，测试过程繁琐、不利于消费者直接、快速知道农产品中粗纤维素含量的情况。同时，目前未有专利技术公开利用光谱法测定农产品中粗纤维素的方法，尤其是对农产品在无损状态下进行粗纤维素的方法。
CN104655580A公开了一种快速测定溶解浆中的α-纤维素含量的方法，该方法对农产品中α-纤维素的测定是基于对农产品进行的化学检测，即需在对农产品进行破坏性的情况下，才能有效进行化学测量农产品的α-纤维素含量；此操作过程复杂，不便于消费者随时随地进行检测，并快速得出农产品中α-纤维素含量。
发明内容
为了克服上述测定方法所存在的各种缺陷，本发明提供了一种利用光谱法测定农产品中粗纤维素的方法，该方法包括如下步骤：
A.利用化学检测方法测量同一农产品的n个样品中粗纤维素含量，得到相应粗纤维素化学检测数据，其中n≥50；
B.在光谱范围为800-2500nm下，对同一农产品的n个样品进行非破坏性的光谱测量，得到相应粗纤维素光谱数据，其中n≥50；
C.利用光谱数据和化学检测数据建立农产品粗纤维素检测的数据模型，数据模型嵌入数据运算服务器；
D.针对待检农产品在800-2500nm下进行光谱数据收集，将所收集的光谱数据输入数据运算服务器，同时选择需要检测的农产品品种；
E.运算服务器根据所需要检测的产品品种匹配数据模型并进行运算，获得所检测农产品的粗纤维素含量。
所述步骤C数据模型建立的方法，包括如下步骤：
步骤I：用光源发射兼光谱收集的装置发射光斑照射待检测的农产品样品A1，并收集农产品样品A1反射回来的光谱，采用光谱分析设备确定所收集的光谱的波长及吸光度，形成农产品样品A1的光谱数据；
步骤II：对农产品样品A1进行化学分析，分析粗纤维素含量，形成农产品样品的化学检测数据；
步骤III：将农产品A1的光谱数据和化学检测数据录入同一数据库，形成数据映射X1；
步骤IV：重复上述步骤I、步骤II和步骤III，对农产品样品A2至An+1进行n次重复，形成n组光谱数据和对应的n组化学检测数据，将光谱数据和化学检测数据录入同一数据库，形成n组数据映射的数据映射集合；
步骤V：将上述数据库中数据映射集合中的光谱数据选取2-100个波长的吸光度数值与化学检测数据进行对应，确定2-100个波长吸光度变化与化学检测数据变化的定量关系；
步骤VI：将上述步骤的定量关系嵌入运算服务器，采集农产品新样品AX的光谱数据，将其录入数据库的同时，选取步骤V确定的2-100个波长录入运算服务器，计算出未进行实际检测的农产品新样品化学数据，同时将该化学数据输出到显示端和数据库，并在数据库中与农产品新样品AX的光谱数据形成测量数据映射；
步骤VII：根据步骤I至步骤VI所形成的数据库和运算服务器上的定量关系，将数据库和运算服务器相连，同时设置数据库的数据输入端和数据输出端、设置运算服务器的数据输入端和数据输出端，形成农产品的光谱数据模型。
上述步骤IV中建立数据映射集合的方法具体是：
1)光谱数据输入光谱数据库中，按照纳米级建立数据条，每个纳米级波长定义为一个数据条，将每个纳米级波长数据和波长强度数据录入数据库中，形成光谱数据库中的光谱数据条，光谱范围中的纳米波长数量k对应形成相应数量的光谱数据条k；例如波长范围为1000-1500纳米，则有501条光谱数据条，k为501，每个光谱数据条包括波长和强度；
2)化学检测数据输入化学数据库中，将化学检测数据按所检测成分的数量建立数据条，照成分建立数据条，每个成分定义为一条数据条，将每个成分名称及成分含量录入数据库中，形成化学数据库中的成分数据条，成分的数量对应形成相应数量的成分数据条；例如某物体的化学检测数据中有5中成分，则有5条数据条，分别为Y1、Y2……Y5，每个数据条包括成分名称和成分含量；或者将化学检测数据进行排列组合，然后将所有排列组合作为数据条数据数据库，排列组合；
3)将光谱表中的一条光谱数据条对应化学数据表中的所有成分数据条，形成映射数据组，对应原则是一条光谱数据条分别对应各成分数据条，形成单光谱和多成分对应的映射数据组；例如光谱数据条为X1000，成分数据条为Y1、Y2、Y3、Y4、Y5，则针对1000纳米的单光谱和多成分对应的映射数据组为{X1000Y1,X1000Y2,X1000Y3,X1000Y4,X1000Y5}；
按照上述建立映射数据组的方法，将光谱表中的所有光谱数据条与化学数据表中所有成分数据条进行分别对应，形成所有映射数据组的集合，即为映射数据集合；例如光谱数据条为501条，成分数据条为5条，则一次检测所形成的光谱数据和化学检测数据的映射数据集合中包含501×5＝2505条数据，该2505条数据即为物体该次检测的映射数据集合。
如果对该物体的不同样品进行n次检测，则形成n个映射数据集合，将n个映射数据集合统一输入一个单独的数据库中，则形成该物体映射数据库。
上述n大于等于50，更加优选的，n大于等于100。
优选的，所述光谱的波长范围为800-1800nm，或光谱的波长范围为1500-2500。
优选的，所述农产品为粗纤维素成分含量差异值在0-50％的同类农产品。所述粗纤维素成分含量差异值是指各农产品样品中粗纤维素含量的绝对值与各农产品样品中粗纤维素含量的平均值的比值的百分数。
优选的，所述光谱数据为波长为800-1800nm的1001个波长的波长和强度的数据集合，或者光谱数据为波长为1500-2500的1001个波长的波长和强度的数据集合。
优选的，所述农产品包括叶菜类、水果类、粮食类、块茎类、果菜类。进一步优选的，所述水果类为蜜桔、脐橙、苹果、梨、草莓、猕猴桃。所述果菜类为黄瓜、茄子、西红柿、芋头、杏仁、萝卜、丝瓜。
优选的，所述步骤A中化学检测方法为GB/T5515-2008。优选的，所述步骤A中化学检测方法为ISO6865:2000。即所述步骤A中化学检测方法为当农产品中纤维素含量高于10g/kg，采用GB/T5515-2008测定；当农产品中纤维素含量不高于10g/kg，采用ISO6541测定。
本发明的方法中，光谱数据为通过光谱收集装置收集的不同波长的光能量，通过光转化信号装置转化为光谱数据，光谱数据一般要求具有光谱强度，即使某波长光波强度为零，则在光谱数据也需要记载。
与现有技术相比，本发明具有如下有益效果：
1、本发明检测时，只需对农产品进行简单的清洗或切割，当农产品的皮厚大于1mm以上时，才对农产品切开得到断面，对得到的断面进行光谱测量得到农产品的粗纤维素含量；该方法只在必要时对农产品进行切割，不需对农产品进行化学处理或更多的机械处理。检测方法更简单和便捷。
2、采用光谱技术分析测定，分析速度快，能随时检测，方便快捷；
3、本发明的光谱数据和化学检测数据的映射方法充分考虑不同农产品的组成特性，可以根据需要同时测定不同农产品中粗纤维素含量；
4、本发明提供的光谱数据和化学成分数据之间的建模方法可方便更新基础数据库，提供大而可靠的数据，提高检测精确度，减少人为误差。
5、本发明方法建立的数据模型所基于的光谱数据是针对农产品大于等于50个样品及样品的各个部位所反射回来的光谱数据，所搜集的光谱数据齐全，光谱数据模型无需校正即能对农产品中粗纤维素的含量进行准确的测量。同时，本发明中同一数据模型适用于农产品中粗纤维素成分含量差异值在0-50％内，这样检测结果更准确。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明，但本发明要求保护的范围并不局限于实施例表达的范围。
实施例1
一种利用光谱法测定干香菇中粗纤维素的方法，该方法具体如下：
干香菇中粗纤维素大于10g/kg，因此采用GB/T5515-2008测量100粒干香菇中粗纤维素含量，得到相应粗纤维素化学检测数据；在光谱范围为1000-2500nm下，对相应的100粒干香菇进行非破坏性的光谱测量，得到相应粗纤维素光谱数据；利用光谱数据和化学检测数据建立农产品粗纤维素检测的数据模型，数据模型嵌入数据运算服务器；其中，建立农产品粗纤维素检测的数据模型的光谱数据是选取了3个波长范围(分别为2000-2300nm，1300-1400nm，1000-1100nm)的吸光度数值与相应的化学检测数据进行对应，来确定该3个波长吸光度变化与化学检测数据变化的定量关系。
针对30粒待检干香菇在1000-2500nm下进行光谱数据收集，将所收集的光谱数据输入数据运算服务器，同时选择需要检测的农产品品种为干香菇；运算服务器根据所需要检测的产品品种干香菇匹配数据模型并进行运算，获得所检测干香菇的粗纤维素含量。同时，还针对该30粒待检干香菇采用GB/T5515-2008进行化学检测，结果发现干香菇中粗纤维素成分含量差异值为5.5％，对该30粒干香菇使用化学检测和光谱法测定得到的粗纤维素含量的误差小于0.23mg/100g。
针对30粒待检干鸡腿蘑菇在1000-2500nm下进行光谱数据收集，将所收集的光谱数据输入数据运算服务器，同时选择需要检测的农产品品种为干香菇；运算服务器根据所需要检测的产品品种干香菇匹配数据模型并进行运算，获得所检测干鸡腿蘑菇的粗纤维素含量。同时，还针对该30粒待检干鸡腿蘑菇采用GB/T5515-2008进行化学检测，结果发现干鸡腿蘑菇与干香菇中的粗纤维素成分含量差异值为50.8％(大于50％)，对该30粒干香菇使用化学检测和光谱法测定得到的粗纤维素含量的差异值在68.6mg/100g左右。说明干鸡腿蘑菇与干香菇中的粗纤维素成分含量差异值超过50％，差异值过大，适用于测量干香菇的数据模型不适用于测量干鸡腿蘑菇。
实施例2
一种利用光谱法测定干黄豆中粗纤维素的方法，该方法具体如下：
黄豆中粗纤维素大于10g/kg，因此利用GB/T5515-2008测量100粒干黄豆中粗纤维素含量，得到相应粗纤维素化学检测数据；在光谱范围为900-2300nm下，对相应的100粒干黄豆进行非破坏性的光谱测量，得到相应粗纤维素光谱数据；利用光谱数据和化学检测数据建立农产品粗纤维素检测的数据模型，数据模型嵌入数据运算服务器；其中，建立农产品粗纤维素检测的数据模型的光谱数据是选取了3个波长范围(分别为2000-2300nm，1300-1400nm，900-950nm)的吸光度数值与相应的化学检测数据进行对应，来确定该3个波长吸光度变化与化学检测数据变化的定量关系。针对30粒待检干黄豆在900-2300nm下进行光谱数据收集，将所收集的光谱数据输入数据运算服务器，同时选择需要检测的农产品品种为干黄豆；运算服务器根据所需要检测的产品品种干黄豆匹配数据模型并进行运算，获得所检测干黄豆的粗纤维素含量。同时，还针对该30粒待检干黄豆采用GB/T5515-2008进行化学检测，结果发现对该30粒干黄豆使用化学检测和光谱法测定得到的粗纤维素含量的误差小于0.25mg/100g。
实施例3
一种利用光谱法测定白花生肉中粗纤维素的方法，该方法具体如下：
白花生肉中粗纤维素大于10g/kg，因此利用GB/T5515-2008测量30粒白花生肉中粗纤维素含量，得到相应粗纤维素化学检测数据；在光谱范围为1300-2500nm下，对相应的30粒白花生肉进行非破坏性的光谱测量，得到相应粗纤维素光谱数据；利用光谱数据和化学检测数据建立农产品粗纤维素检测的数据模型，数据模型嵌入数据运算服务器；其中，建立农产品粗纤维素检测的数据模型的光谱数据是选取了2个波长范围(分别为2000-2300nm，1300-1400nm)的吸光度数值与相应的化学检测数据进行对应，来确定该2个波长吸光度变化与化学检测数据变化的定量关系。针对25粒待检白花生肉在1300-2500nm下进行光谱数据收集，将所收集的光谱数据输入数据运算服务器，同时选择需要检测的农产品品种为白花生肉；运算服务器根据所需要检测的产品品种白花生肉匹配数据模型并进行运算，获得所检测白花生肉的粗纤维素含量。同时，还针对该25粒待检白花生肉采用GB/T5515-2008进行化学检测，结果发现对该25粒白花生肉使用化学检测和光谱法测定得到的粗纤维素含量的误差大于58.67mg/100g，说明基于小于50个样品建立数据模型其测量样品的粗纤维素含量的误差大。
实施例4
一种利用光谱法测定杏仁中粗纤维素的方法，该方法具体如下：
利用洗涤剂测定法的化学检测方法测量300个杏仁中粗纤维素含量，得到相应粗纤维素化学检测数据；在光谱范围为800-2500nm下，对相应的300个杏仁进行非破坏性的光谱测量，得到相应粗纤维素光谱数据；利用光谱数据和化学检测数据建立农产品粗纤维素检测的数据模型，数据模型嵌入数据运算服务器；其中，建立农产品粗纤维素检测的数据模型的光谱数据是选取了3个波长范围(分别为2000-2300nm，1300-1400nm，1000-1100nm)的吸光度数值与相应的化学检测数据进行对应，来确定该3个波长吸光度变化与化学检测数据变化的定量关系。
针对35个待检杏仁在800-2500nm下进行光谱数据收集，将所收集的光谱数据输入数据运算服务器，同时选择需要检测的农产品品种为杏仁；运算服务器根据所需要检测的产品品种杏仁匹配数据模型并进行运算，获得所检测杏仁的粗纤维素含量。
同时，还针对该35个待检杏仁采用洗涤剂测定法进行化学检测，结果发现对该35个杏仁使用化学检测和光谱法测定得到的粗纤维素含量的误差小于0.24mg/100g。
但用GB/T5515-2008对35个待检杏仁进行化学检测，结果发现对该35个杏仁使用GB/T5515-2008和上述光谱法测定得到的粗纤维素含量的误差大于45.7mg/100g。
根据上述说明书的揭示和教导，本发明所属领域的技术人员还可以对上述实施方式进行变更和修改。因此，本发明并不局限于上面揭示和描述的具体实施方式，对本发明的一些修改和变更也应当落入本发明的权利要求的保护范围内。此外，尽管本说明书中使用了一些特定的术语，但这些术语只是为了方便说明，并不对本发明构成任何限制。

Claims (9)

1.一种利用光谱法测定农产品中粗纤维素的方法，该方法包括如下步骤：
A.利用化学检测方法测量同一农产品的n个样品中粗纤维素含量，得到相应粗纤维素化学检测数据，其中n≥50；
B.在光谱范围为800-2500nm下，对同一农产品的n个样品进行非破坏性的光谱测量，得到相应粗纤维素光谱数据，其中n≥50；
C.利用光谱数据和化学检测数据建立农产品粗纤维素检测的数据模型，数据模型嵌入数据运算服务器；
D.针对待检农产品在800-2500nm下进行光谱数据收集，将所收集的光谱数据输入数据运算服务器，同时选择需要检测的农产品品种；
E.运算服务器根据所需要检测的产品品种匹配数据模型并进行运算，获得所检测农产品的粗纤维素含量。
2.根据权利要求1所述的方法，其特征在于，所述光谱的波长范围为800-1800nm，或光谱的波长范围为1500-2500nm。
3.根据权利要求1或2所述的方法，其特征在于，所述农产品为粗纤维素成分含量差异值在0-50％的同类农产品。
4.根据权利要求1所述的方法，其特征在于n大于等于100，优选的n大于等于200。
5.根据权利要求1所述的方法，其特征在于，所述步骤C数据模型建立的方法包括如下步骤：
步骤I：用光源发射兼光谱收集的装置发射光斑照射待检测的农产品样品A1，并收集农产品样品A1反射回来的光谱，采用光谱分析设备确定所收集的光谱的波长及吸光度，形成农产品样品A1的光谱数据；
步骤II：对农产品样品A1进行化学分析，分析粗纤维素含量，形成农产品样品的化学检测数据；
步骤III：将农产品A1的光谱数据和化学检测数据录入同一数据库，形成数据映射X1；
步骤IV：重复上述步骤I、步骤II和步骤III，对农产品样品A2至An+1进行n次重复，形成n组光谱数据和对应的n组化学检测数据，将光谱数据和化学检测数据录入同一数据库，形成n组数据映射的数据映射集合；
步骤V：将上述数据库中数据映射集合中的光谱数据选取2-100个波长的吸光度数值与化学检测数据进行对应，确定2-100个波长吸光度变化与化学检测数据变化的定量关系；
步骤VI：将上述步骤的定量关系嵌入运算服务器，采集农产品新样品AX的光谱数据，将其录入数据库的同时，选取步骤V确定的2-100个波长录入运算服务器，计算出未进行实际检测的农产品新样品化学数据，同时将该化学数据输出到显示端和数据库，并在数据库中与农产品新样品AX的光谱数据形成测量数据映射；
步骤VII：根据步骤I至步骤VI所形成的数据库和运算服务器上的定量关系，将数据库和运算服务器相连，同时设置数据库的数据输入端和数据输出端、设置运算服务器的数据输入端和数据输出端，形成农产品的光谱数据模型。
6.根据权利要求5所述的方法，其特征在于，所述光谱数据为波长为800-1800nm的1001个波长的波长和强度的数据集合，或者光谱数据为波长为1500-2500的1001个波长的波长和强度的数据集合。
7.根据权利要求1所述的方法，其特征在于，农产品包括叶菜类、水果类、粮食类、块茎类、果菜类。
8.根据权利要求1所述的方法，其特征在于，所述步骤A中化学检测方法为GB/T5515-2008。
9.根据权利要求1所述的方法，其特征在于，所述步骤A中化学检测方法为ISO6865:2000。
CN201511030885.0A 2015-12-31 2015-12-31 一种利用光谱法测定农产品中粗纤维素的方法 Active CN105699301B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201511030885.0A CN105699301B (zh) 2015-12-31 2015-12-31 一种利用光谱法测定农产品中粗纤维素的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201511030885.0A CN105699301B (zh) 2015-12-31 2015-12-31 一种利用光谱法测定农产品中粗纤维素的方法

Publications (2)

Publication Number Publication Date
CN105699301A true CN105699301A (zh) 2016-06-22
CN105699301B CN105699301B (zh) 2019-05-28

Family

ID=56226809

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201511030885.0A Active CN105699301B (zh) 2015-12-31 2015-12-31 一种利用光谱法测定农产品中粗纤维素的方法

Country Status (1)

Country Link
CN (1) CN105699301B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106323803A (zh) * 2016-08-16 2017-01-11 天津市农业质量标准与检测技术研究所 一种快速测定植源性农产品中粗纤维含量的方法
CN108627468A (zh) * 2018-04-27 2018-10-09 中国农业科学院麻类研究所 一种饲用苎麻叶片粗纤维含量的预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101210876A (zh) * 2007-12-25 2008-07-02 浙江大学 基于可见/近红外多光谱成像的水稻养分信息测量方法
CN102279168A (zh) * 2011-07-20 2011-12-14 浙江大学 基于近红外光谱技术快速无损分析整粒棉籽营养品质的方法
CN103185703A (zh) * 2011-12-31 2013-07-03 中国农业机械化科学研究院 一种检测谷物营养成分的光谱分析系统及方法
CN103344597A (zh) * 2013-05-06 2013-10-09 江南大学 一种抗调味干扰的莲藕内部成分近红外无损检测的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101210876A (zh) * 2007-12-25 2008-07-02 浙江大学 基于可见/近红外多光谱成像的水稻养分信息测量方法
CN102279168A (zh) * 2011-07-20 2011-12-14 浙江大学 基于近红外光谱技术快速无损分析整粒棉籽营养品质的方法
CN103185703A (zh) * 2011-12-31 2013-07-03 中国农业机械化科学研究院 一种检测谷物营养成分的光谱分析系统及方法
CN103344597A (zh) * 2013-05-06 2013-10-09 江南大学 一种抗调味干扰的莲藕内部成分近红外无损检测的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王胜鹏 等: "基于水分、全氮量和粗纤维含量的茶鲜叶原料质量近红外评价方法", 《茶叶科学》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106323803A (zh) * 2016-08-16 2017-01-11 天津市农业质量标准与检测技术研究所 一种快速测定植源性农产品中粗纤维含量的方法
CN108627468A (zh) * 2018-04-27 2018-10-09 中国农业科学院麻类研究所 一种饲用苎麻叶片粗纤维含量的预测方法

Also Published As

Publication number Publication date
CN105699301B (zh) 2019-05-28

Similar Documents

Publication Publication Date Title
Xu et al. Qualitative and quantitative analysis of lignocellulosic biomass using infrared techniques: a mini-review
CN102175618B (zh) 一种稻麦叶片氮含量光谱监测模型建模方法
Ali et al. Rapid and nondestructive techniques for internal and external quality evaluation of watermelons: A review
CN107064047A (zh) 一种基于近红外光谱的富士苹果品质无损检测方法
Wu et al. Investigating the effects of simulated transport vibration on tomato tissue damage based on vis/NIR spectroscopy
Shrestha et al. Separation of viable and non-viable tomato (Solanum lycopersicum L.) seeds using single seed near-infrared spectroscopy
Bekiaris et al. FTIR assessment of compositional changes in lignocellulosic wastes during cultivation of Cyclocybe cylindracea mushrooms and use of chemometric models to predict production performance
CN104280349A (zh) 一种基于高光谱图像对白萝卜糠心鉴定的方法
CN105527236A (zh) 一种利用光谱法测定农产品主要营养成分的方法
Westworth et al. Application of FTIR-ATR spectroscopy to detect salinity response in Beauty Leaf Tree (Calophyllum inophyllum L)
CN102841063B (zh) 一种基于光谱技术的生物炭溯源鉴别方法
CN102507495B (zh) 基于小波变换的快速无损检测绿茶含水率的方法
Johnson et al. Application of infrared spectroscopy for the prediction of nutritional content and quality assessment of faba bean (Vicia faba L.)
CN105699301A (zh) 一种利用光谱法测定农产品中粗纤维素的方法
Muncan et al. Aquaphotomics research of cold stress in soybean cultivars with different stress tolerance ability: Early detection of cold stress response
Ping et al. Prediction of the total starch and amylose content in barley using near-infrared reflectance spectroscopy
CN101620195A (zh) 一种气味传感器检测次郎甜柿内部品质的方法
CN103425091B (zh) 单粒油菜籽品质的近红外光谱在线无损检测方法与装置
CN105628648A (zh) 一种利用光谱法测定农产品中维生素c的方法
Fu et al. Discrimination of pear varieties using three classification methods based on near-infrared spectroscopy
CN105223102A (zh) 一种利用近红外光谱技术快速测定制浆材基本密度的方法
Li et al. Nondestructive detection of tomato quality based on multiregion combination model
CN105486650A (zh) 一种利用光谱法测定马铃薯主要营养成分的方法
CN105675548A (zh) 一种利用光谱法测定水稻主要营养成分的方法
CN202693464U (zh) 基于近红外光谱的小粒径种子品质在线无损检测装置

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
GR01 Patent grant
GR01 Patent grant