CN106092962A - 一种用近红外光谱法快速检测谷子粗蛋白含量的方法 - Google Patents
一种用近红外光谱法快速检测谷子粗蛋白含量的方法 Download PDFInfo
- Publication number
- CN106092962A CN106092962A CN201610674867.4A CN201610674867A CN106092962A CN 106092962 A CN106092962 A CN 106092962A CN 201610674867 A CN201610674867 A CN 201610674867A CN 106092962 A CN106092962 A CN 106092962A
- Authority
- CN
- China
- Prior art keywords
- millet
- near infrared
- correction
- protein content
- crude protein
- 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
- 244000062793 Sorghum vulgare Species 0.000 title claims abstract description 65
- 235000019713 millet Nutrition 0.000 title claims abstract description 65
- 235000019750 Crude protein Nutrition 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004497 NIR spectroscopy Methods 0.000 title claims abstract description 7
- 238000012937 correction Methods 0.000 claims abstract description 42
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 34
- 239000006101 laboratory sample Substances 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 239000000523 sample Substances 0.000 claims description 34
- 239000000126 substance Substances 0.000 claims description 19
- 238000001228 spectrum Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 9
- 102000004169 proteins and genes Human genes 0.000 claims description 7
- 108090000623 proteins and genes Proteins 0.000 claims description 7
- 229910052757 nitrogen Inorganic materials 0.000 claims description 6
- 238000007696 Kjeldahl method Methods 0.000 claims description 3
- 244000046052 Phaseolus vulgaris Species 0.000 claims description 3
- 235000010627 Phaseolus vulgaris Nutrition 0.000 claims description 3
- 240000008042 Zea mays Species 0.000 claims description 3
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 claims description 3
- 235000002017 Zea mays subsp mays Nutrition 0.000 claims description 3
- 238000000862 absorption spectrum Methods 0.000 claims description 3
- 238000003556 assay Methods 0.000 claims description 3
- 235000013339 cereals Nutrition 0.000 claims description 3
- 239000012141 concentrate Substances 0.000 claims description 3
- 235000005822 corn Nutrition 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000002513 implantation Methods 0.000 claims description 2
- 239000002245 particle Substances 0.000 claims description 2
- 238000010298 pulverizing process Methods 0.000 claims description 2
- 210000004885 white matter Anatomy 0.000 claims description 2
- 239000008187 granular material Substances 0.000 abstract description 4
- 230000003595 spectral effect Effects 0.000 abstract description 2
- 238000004611 spectroscopical analysis Methods 0.000 abstract description 2
- 238000010561 standard procedure Methods 0.000 abstract 1
- 238000002790 cross-validation Methods 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 244000115721 Pennisetum typhoides Species 0.000 description 3
- 235000007195 Pennisetum typhoides Nutrition 0.000 description 3
- 241000222065 Lycoperdon Species 0.000 description 2
- 241000768494 Polymorphum Species 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000001079 digestive effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010067171 Regurgitation Diseases 0.000 description 1
- 240000005498 Setaria italica Species 0.000 description 1
- 229920002472 Starch Polymers 0.000 description 1
- QAOWNCQODCNURD-UHFFFAOYSA-N Sulfuric acid Chemical compound OS(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-N 0.000 description 1
- 229930003270 Vitamin B Natural products 0.000 description 1
- 235000004251 balanced diet Nutrition 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000009614 chemical analysis method Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 235000019197 fats Nutrition 0.000 description 1
- 125000000524 functional group Chemical group 0.000 description 1
- 210000000936 intestine Anatomy 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 235000002252 panizo Nutrition 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 235000018102 proteins Nutrition 0.000 description 1
- 238000010791 quenching Methods 0.000 description 1
- 230000000171 quenching effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 235000019698 starch Nutrition 0.000 description 1
- 239000008107 starch Substances 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 235000011149 sulphuric acid Nutrition 0.000 description 1
- 239000001117 sulphuric acid Substances 0.000 description 1
- 230000035922 thirst Effects 0.000 description 1
- 238000004704 ultra performance liquid chromatography Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 235000019156 vitamin B Nutrition 0.000 description 1
- 239000011720 vitamin B Substances 0.000 description 1
- 150000003722 vitamin derivatives Chemical class 0.000 description 1
- 239000002699 waste material Substances 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
- G01N21/25—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
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
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)
Abstract
一种用近红外光谱法快速检测谷子粗蛋白含量的方法，目的是不破坏种子生命活力，简便快速；本发明包括以下步骤：1）选用具有代表性的整粒谷子作为实验样品集合，分成校正集合和验证集合；2）使用近红外光谱仪采集校正集合的近红外光谱数据，光谱扫描范围为3594.9 cm‑1‑12790.3 cm‑1，储存校正集合所有近红外扫描图谱；3）对近红外光谱数据进行优化预处理；4）用国标方法准确测定校正集合中每一份谷子的粗蛋白含量；5）使用多元校正方法，建立校正集合中近红外光谱与粗蛋白含量的校正模型；6）校正模型的交叉检验评价并储存校正模型；7）采集验证集合的近红外光谱数据，光谱数据预处理后用所构建的校正模型预测其蛋白含量。
Description
技术领域
本发明涉及一种基于近红外光谱技术快速无损分析整粒谷子粗蛋白含量的方法。具体涉及采用近红外光谱和数学预处理技术建立校正模型，实现对整粒谷子粗蛋白含量进行快速无损分析的方法。
技术背景
谷子起源于黄河流域，是我国古老的栽培作物，在我国北方居民生活中占有重要的地位，其淀粉、蛋白质、脂肪、维生素等营养物质含量丰富，可平衡膳食促进人体健康。早在《本草纲目》中有记载，谷子“治反胃热痢，消渴口感，益丹田，补虚损，开肠胃”。谷子中蛋白质含量平均为8%~12%，蛋白质含量是评价营养价值高低的重要方面，对谷子蛋白质含量的测定就成为谷子种质资源鉴定以及选育优良谷子品种和改良谷子品质的重要项目之一。而目前这些品质指标的检测以常规的化学方法为主，如蛋白质含量检测的凯氏定氮法，这些传统的分析方法灵敏度和准确度高，但均存在样品准备繁琐、分析时间长、检测成本高、污染环境、浪费能源等问题。物质的含量或浓度与近红外区内多个不同的波长点吸收峰呈线性关系的理论，近红外光谱技术为整粒谷子粗蛋白的检测提供了一种快速、高效的无损分析方法。
发明内容
本发明目的是克服上述已有技术的不足，提供一种不破坏种子生命活力、简便快速的用近红外光谱法快速检测谷子粗蛋白含量的方法。
本发明方法是：
（1）选择200份谷子作为实验样品集；所选谷子粒形多样、大小不同、色泽差异较大、来自山西35个不同县市；从实验样品集中选取180份作为校正集合，20份作为验证集合；
（2）使用布鲁克MPA近红外漫反射光谱仪，采用扫描波长为3594.9 cm-1-12790.3 cm-1的光谱区间，对校正集合的每一份谷子分别进行扫描并采集近红外光谱数据，以图谱形式储存校正集合的近红外光谱数据；
（3）对校正集合的近红外光谱数据进行一阶导数+矢量归一化预处理，消除非目标因素和异常值的干扰，提高信噪比；
（4）将校正集合的每一份谷子分别脱壳磨粉后，采用《GB/T5511-2008谷物和豆类氮含量测定和粗蛋白质含量计算凯氏法》分别测定校正集合中粗蛋白含量；
（5）应用多元校正法，建立校正集合粗蛋白含量的近红外光谱预测值与其化学值之间一一对应的关联校正模型；
（6）在OPUS/QUANT软件下，对校正模型进行交叉检验性能评价，即利用软件的自动验证功能，软件每次在180份校正集合中随机选取1份样品作为验证样品，用其余的样品（179份）建立校正模型，并对验证样品做预测，自动重复至所有样品均被作过验证样品。交叉检验完毕后软件自动生成一条体现校正集合近红外预测值与谷子粗蛋白化学值之间关系的目标曲线，从而对模型的合理性进行检验。储存包括检验结果的信息，生成扩展名为“.q2”的校正模型；
（7）将20份验证集合采用扫描波长为3594.9 cm-1-12790.3 cm-1的光谱区间，对验证集合的每一个样本分别进行两次扫描并采集近红外光谱数据，采集验证集合的近红外光谱数据，运用与上述步骤（3）中相同的一阶导数+矢量归一化数学预处理方法对验证集合的近红外光谱数据进行预处理，用步骤（5）所构建的校正模型预测验证集合粗蛋白含量。
所选择200份谷子实验样品集来自山西省种质库保存的山西谷子品种，产地涵盖山西35个县市区，种植时间为2015年，千粒重为2.6~4.6克之间，籽粒颜色不同，有黄、白、红、青、黑和灰色等，构建校正模型的谷子资源粗蛋白含量范围为9.82%～16.63%，平均值为13.05%。数据变幅较大，建立的模型有较好的适用性。选择样本量要大于100份，首先根据粒色、千粒重、粒型选择不同品种的谷子样本，其次根据扫描图谱差异性是否明显判断集合是否有效，最后要根据粗蛋白测定数据变化幅度是否大，差异性是否明显的谷子作为样本集合，这样数据变化幅度大，样本集合广，建立的模型有良好的适用性，可针对以后不同的谷子样本进行科学准确的预测。
校正集合粗蛋白含量的近红外光谱预测值与其化学值之间相互关联校正模型是将谷子蛋白质中含有氮氢基团(N–H)化学键伸缩振动信号在近红外区的吸收光谱，通过一阶导数+矢量归一化数学预处理，建立校正集合近红外光谱预测与其粗蛋白含量之间关系的方法模型。
本发明适用于完整谷子粗蛋白的快速无损分析，不破坏种子生命活力，与常规的化学分析方法相比，检测速度快、不破坏样品、无需样品预处理、不使用化学试剂、分析精度高，可同时检测多种化学成分，是一种方便、快速、可靠的绿色分析技术，能满足谷子粗蛋白快速分析的需要，为谷子育种工作和服务。
附图说明
图1为用本发明方法分别对180份谷子样品进行两次近红外光谱扫描后储存的图谱。
图2是谷子粗蛋白含量的化学测定值与近红外光谱预测值的交叉检验图；横坐标为谷子校正集合粗蛋白化学值，纵坐标为近红外预测值；其交叉验证决定系数（R2）为93.2，交叉验证标准误差（RMSECV）为0.344。
图3是谷子粗蛋白校正模型进行外部检验图；横坐标为谷子验证集合粗蛋白化学值，纵坐标为近红外预测值；结果表明预测标准误差为（RMSEP）0.225，截距为0.048斜率为1.010，相关因子0.9896。
具体实施方式
下面结合具体的实施例对本发明所述的超高效液相色谱法测定维生素B时用的色谱柱做进一步说明。采用本发明方法检测谷子的粗蛋白含量：
1.选择200份来源于山西省35个县市的谷子种质，选其中180份作为谷子的校正集合用来进行谷子的校正模型的构建，20份作为谷子验证集合对构建的谷子的校正模型进行性能评价；供试的200份谷子资源由山西省农科院品资所按照不同品种类型和地理来源选择提供的育种专家提供，种植年份2015年度，来源于山西省不同县市，千粒重为2.6~4.6克之间，籽粒颜色不同，有黄、白、红、青、黑和灰色等，构建校正模型的谷子资源粗蛋白含量范围为9.82%～16.63%，平均值为13.05%。数据变幅较大，建立的模型有较好的适用性。
2.使用布鲁克近红外光谱仪在OPUS/QUANT软件下，扫描波长为3594.9 cm-1-12790.3 cm-1的光谱区间、在相同环境条件下，对建模的校正集合分别进行两次近红外扫描图谱采集，存储每个样品在近红外光谱扫描时对有机物官能团分子振动的图谱，取平均值作为近红外光谱数据；
3. 近红外校正模型的建立；利用OPUS/QUANT软件中的自动优化功能，对所述的谷子的校正样品集的近红外光谱数据进行预处理方法为采用一阶导数+矢量归一化法，可提高信噪比，并消除非目标因素干扰的最佳预处理效果。待测的谷子样品的光谱数据预处理方法应与校正模型构建时所采用的预处理方法保持一致。
4.谷子粗蛋白含量测定；上述校正集合由山西农科院品资所实验室利用全自动凯氏定氮仪测定粗蛋白两次，参考《GB/T5511-2008 谷物和豆类氮含量测定和粗蛋白质含量计算 凯氏法》。称取0.5000 g试样2份置于250 mL消化管中，依次加入消化片5 g和12 mL浓硫酸，摇匀。把消化管放入全自动凯氏定氮仪，结果为粗蛋白含量（%），蛋白系数6.25。两次测定的相对误差小于1%。180份校正集合粗蛋白含量范围为9.82%～16.63%，平均含量为13.5%，标准差0.91%，极差6.81，颜色、形态和大小各不同。数据变幅较大，建立的模型有较好的适用性。
5. 在OPUS/QUANT软件下，通过化学计量学中多元校正方法可解决光谱信息提取和背景干扰，在谷子校正集合近红外光谱图与其粗蛋白含量真值之间建立校正模型。校正模型是将谷子蛋白质中含有氮氢基团(N–H)化学键伸缩振动信号在近红外区的吸收光谱，通过一阶导数+矢量归一化数学预处理，建立校正集合近红外光谱预测与其粗蛋白含量之间关系的方法模型。
6.校正模型内部交叉验证；根据样品的近红外光谱特征，利用布鲁克漫反射近红外光谱仪中“OPUS/QUANT”软件的自动验证功能，软件每次在180份定标样品中随机选取1份样品作为验证样品，用其余的样品（179份）建立校正模型，并对验证样品做预测，自动重复至所有样品均被作过验证样品。储存包括检验结果的信息，生成扩展名为“.q2”的校正模型。谷子校正集合粗蛋白含量的交叉验证结果如图2，其交叉验证决定系数（R2）为93.2，交叉验证标准误差（RMSECV）为0.344。模型决定系数较高、误差较小。
7.校正模型外部验证；近红外模型外部验证就是采用未参加模型建立的、化学成分已知的验证集合对所建模型的实际预测效果进行评价。研究用20份独立于建模的谷子样品组成验证集合，采集验证集合的近红外光谱数据，运用与步骤（5）中相同的一阶导数+矢量归一化预处理方法对验证集合的近红外光谱数据进行预处理后，用步骤（5）所构建的校正模型预测验证集合粗蛋白含量。结果表明预测标准误差为（RMSEP）0.225，截距为0.048，斜率为1.010，相关因子0.9896见图3。谷子粗蛋白含量校正模型的性能指标见表1。对于谷子粗蛋白的预测，化学法和近红外仪器法测定间无显著差异，近红外测定结果是准确可靠的。说明采用本发明方法能够满足对谷子粗蛋白含量的检测。
表1 谷子粗蛋白含量校正模型的性能指标对照表
对校正模型进行交叉检验性能评价是利用实验样品集中谷子粗蛋白含量预测值与真实值的误差进行性能评价，从而对模型的合理性进行检验。根据布鲁克近红外仪的特征，利用软件的交叉检验功能，软件每次在180份定标样品中随机选取1份样品作为验证样品，用其余的样品（179份）建立校正模型，并对验证样品做预测，自动重复至所有样品均被作过验证样品。谷子校正集合粗蛋白含量的交叉验证结果如图2，其交叉验证决定系数（R2）为93.2，交叉验证标准误差（RMSECV）为0.344。模型决定系数较高、误差较小。对于同一样品集所构建的回归方程而言，交叉验证决定系数越大，交叉验证标准误差越低，定标建模过程中进行交叉验证时得到的近红外预测值与化学分析值越接近，校正模型的准确度越高。
近红外模型外部验证就是采用未参加模型建立的、化学成分已知的验证集合对所建模型的实际预测效果进行评价。研究用20份独立于建模的谷子样品组成验证集合，采集验证集合的近红外光谱数据，运用与步骤（3）中相同的一阶导数+矢量归一化预处理方法对验证集合的近红外光谱数据进行预处理后，用步骤（5）所构建的校正模型预测验证集合粗蛋白含量。结果表明预测标准误差为（RMSEP）0.225，截距为0.048，斜率为1.010，相关因子0.9896见图3。对于谷子粗蛋白的预测，化学法和近红外仪器法测定间无显著差异，近红外测定结果是准确可靠的。说明采用近红外漫反射分析技术能够满足对谷子粗蛋白含量的检测。
Claims (3)
1.一种用近红外光谱法快速检测谷子粗蛋白含量的方法，其特征是：
（1）选择200份谷子作为实验样品集；所选谷子粒形多样、大小不同、色泽差异大，且分别来自多个产地；从实验样品集中选取180份作为校正集合，20份作为验证集合；
（2）使用布鲁克MPA近红外漫反射光谱仪，采用扫描波长为3594.9 cm-1-12790.3 cm-1的光谱区间，对校正集合的每一份谷子分别进行扫描并采集近红外光谱数据，以图谱形式储存校正集合的近红外光谱数据；
（3）对校正集合的近红外光谱数据进行一阶导数+矢量归一化预处理，消除非目标因素和异常值的干扰，提高信噪比；
（4）将校正集合的每一份谷子分别脱壳磨粉后，采用《GB/T5511-2008谷物和豆类氮含量测定和粗蛋白质含量计算凯氏法》分别测定校正集合中粗蛋白含量；
（5）应用多元校正法，建立校正集合粗蛋白含量的近红外光谱预测值与其化学值之间一一对应的关联校正模型；
（6）在OPUS/QUANT软件下，对校正模型进行交叉检验性能评价，即利用软件的自动验证功能，软件每次在180份校正集合中随机选取1份样品作为验证样品，用其余的179份样品建立校正模型，并对验证样品做预测，自动重复至所有样品均被作过验证样品；
交叉检验完毕后软件自动生成一条体现校正集合近红外预测值与谷子粗蛋白化学值之间关系的目标曲线，从而对模型的合理性进行检验；储存包括检验结果的信息并生成新的校正模型；
（7）采用扫描波长为3594.9 cm-1-12790.3 cm-1的光谱区间，对验证集合的每一个样本分别进行两次扫描并采集近红外光谱数据，采集验证集合的近红外光谱数据，运用与上述步骤（3）中相同的一阶导数+矢量归一化数学预处理方法对验证集合的近红外光谱数据进行预处理，用步骤（5）所构建的校正模型预测验证集合粗蛋白含量。
2.如权利要求1所述的用近红外光谱法快速检测谷子粗蛋白含量的方法，其特征是所选择200份谷子实验样品集来自山西省种质库保存的山西谷子品种，产地涵盖山西35个县区，种植时间为2015年，粒色有黄、浅黄、橙黄、红、白、黑、灰、赭棕黄和青；校正集合中谷子粗蛋白含量分布区间为9.82%～16.63%，校正集合近红外扫描图谱差异明显。
3.如权利要求1或2所述的用近红外光谱法快速检测谷子粗蛋白含量的方法，其特征是校正集合粗蛋白含量的近红外光谱预测值与其化学值之间相互关联校正模型是将谷子蛋白质中含有氮氢基团(N–H)化学键伸缩振动信号在近红外区的吸收光谱，通过一阶导数+矢量归一化数学预处理，建立校正集合近红外光谱预测与其粗蛋白含量之间关系的方法模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610674867.4A CN106092962A (zh) | 2016-08-17 | 2016-08-17 | 一种用近红外光谱法快速检测谷子粗蛋白含量的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610674867.4A CN106092962A (zh) | 2016-08-17 | 2016-08-17 | 一种用近红外光谱法快速检测谷子粗蛋白含量的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106092962A true CN106092962A (zh) | 2016-11-09 |
Family
ID=58069634
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610674867.4A Pending CN106092962A (zh) | 2016-08-17 | 2016-08-17 | 一种用近红外光谱法快速检测谷子粗蛋白含量的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106092962A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107094397A (zh) * | 2017-04-28 | 2017-08-29 | 山东农业大学 | 一种快速无损检测作物种子活力的方法 |
| CN109374548A (zh) * | 2018-11-14 | 2019-02-22 | 深圳职业技术学院 | 一种利用近红外快速测定大米中营养成分的方法 |
| CN109507145A (zh) * | 2018-12-28 | 2019-03-22 | 山东益丰生化环保股份有限公司 | 一种近红外检测工业液体硫脲含量的方法 |
| CN110044841A (zh) * | 2019-05-16 | 2019-07-23 | 四川省草原科学研究院 | 利用近红外光谱检测虉草粗蛋白含量的方法 |
| CN110702636A (zh) * | 2019-10-17 | 2020-01-17 | 四川省农业科学院生物技术核技术研究所 | 藜麦种子粗蛋白含量标准曲线及其建立方法和使用方法 |
| CN111024649A (zh) * | 2020-01-09 | 2020-04-17 | 山西省农业科学院农作物品种资源研究所 | 近红外光谱法快速测定小米中直链与支链淀粉的方法 |
| CN112798555A (zh) * | 2020-12-25 | 2021-05-14 | 江苏大学 | 一种提高小麦粉的粗蛋白校正模型适应性的建模方法 |
| CN112945901A (zh) * | 2021-02-07 | 2021-06-11 | 东北农业大学 | 一种基于近红外光谱的青贮大豆品质检测方法 |
| CN115803607A (zh) * | 2020-09-29 | 2023-03-14 | 株式会社佐竹 | 谷物的蛋白质含量的取得方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101299022A (zh) * | 2008-06-20 | 2008-11-05 | 河南中医学院 | 利用近红外光谱技术评价中药药材综合质量的方法 |
| CN101710071A (zh) * | 2009-12-09 | 2010-05-19 | 川渝中烟工业公司 | 建立烟草近红外模型的选样方法 |
| CN101915744A (zh) * | 2010-07-05 | 2010-12-15 | 北京航空航天大学 | 物质成分含量的近红外光谱无损检测方法及装置 |
| CN102175620A (zh) * | 2010-12-27 | 2011-09-07 | 河南省农业科学院 | 近红外光谱测定玉米中赖氨酸的方法 |
| CN102353644A (zh) * | 2011-06-30 | 2012-02-15 | 上海海洋大学 | 快速同时检测带鱼糜水分和蛋白质含量的近红外光谱方法 |
| CN103149174A (zh) * | 2013-03-19 | 2013-06-12 | 周口市农业科学院 | 一种快速检测小麦籽粒中黄色素含量的方法 |
-
2016
- 2016-08-17 CN CN201610674867.4A patent/CN106092962A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101299022A (zh) * | 2008-06-20 | 2008-11-05 | 河南中医学院 | 利用近红外光谱技术评价中药药材综合质量的方法 |
| CN101710071A (zh) * | 2009-12-09 | 2010-05-19 | 川渝中烟工业公司 | 建立烟草近红外模型的选样方法 |
| CN101915744A (zh) * | 2010-07-05 | 2010-12-15 | 北京航空航天大学 | 物质成分含量的近红外光谱无损检测方法及装置 |
| CN102175620A (zh) * | 2010-12-27 | 2011-09-07 | 河南省农业科学院 | 近红外光谱测定玉米中赖氨酸的方法 |
| CN102353644A (zh) * | 2011-06-30 | 2012-02-15 | 上海海洋大学 | 快速同时检测带鱼糜水分和蛋白质含量的近红外光谱方法 |
| CN103149174A (zh) * | 2013-03-19 | 2013-06-12 | 周口市农业科学院 | 一种快速检测小麦籽粒中黄色素含量的方法 |
Non-Patent Citations (4)
| Title |
|---|
| 吴秀琴: "近红外光谱分析技术在农作物抗虫鉴定中的应用研究", 《中国农业科学》 * |
| 曹晓宁 等: "基于近红外光谱法快速检测藜麦纤维含量", 《安徽农业科学》 * |
| 李庆春 等: "不同品种小米中粗蛋白质含量的普查与评价", 《中国粮油学报》 * |
| 王力立: "小米中主要营养成分的测定及小米茶的制备", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107094397A (zh) * | 2017-04-28 | 2017-08-29 | 山东农业大学 | 一种快速无损检测作物种子活力的方法 |
| CN109374548A (zh) * | 2018-11-14 | 2019-02-22 | 深圳职业技术学院 | 一种利用近红外快速测定大米中营养成分的方法 |
| CN109507145A (zh) * | 2018-12-28 | 2019-03-22 | 山东益丰生化环保股份有限公司 | 一种近红外检测工业液体硫脲含量的方法 |
| CN110044841A (zh) * | 2019-05-16 | 2019-07-23 | 四川省草原科学研究院 | 利用近红外光谱检测虉草粗蛋白含量的方法 |
| CN110702636A (zh) * | 2019-10-17 | 2020-01-17 | 四川省农业科学院生物技术核技术研究所 | 藜麦种子粗蛋白含量标准曲线及其建立方法和使用方法 |
| CN111024649A (zh) * | 2020-01-09 | 2020-04-17 | 山西省农业科学院农作物品种资源研究所 | 近红外光谱法快速测定小米中直链与支链淀粉的方法 |
| CN115803607A (zh) * | 2020-09-29 | 2023-03-14 | 株式会社佐竹 | 谷物的蛋白质含量的取得方法 |
| CN112798555A (zh) * | 2020-12-25 | 2021-05-14 | 江苏大学 | 一种提高小麦粉的粗蛋白校正模型适应性的建模方法 |
| CN112945901A (zh) * | 2021-02-07 | 2021-06-11 | 东北农业大学 | 一种基于近红外光谱的青贮大豆品质检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106092962A (zh) | 一种用近红外光谱法快速检测谷子粗蛋白含量的方法 | |
| CN101887018B (zh) | 一种非破坏性测定花生种子主要脂肪酸含量的方法 | |
| CN108680515B (zh) | 一种单粒水稻直链淀粉定量分析模型构建及其检测方法 | |
| Li et al. | Pears characteristics (soluble solids content and firmness prediction, varieties) testing methods based on visible-near infrared hyperspectral imaging | |
| CN107515203A (zh) | 近红外技术定量分析水稻单籽粒直链淀粉含量的研究 | |
| CN101493431A (zh) | 利用电子鼻检测鸡肉新鲜度的方法 | |
| CN106841083A (zh) | 基于近红外光谱技术的芝麻油品质检测方法 | |
| CN109211829A (zh) | 一种基于SiPLS的近红外光谱法测定大米中水分含量的方法 | |
| CN105136737A (zh) | 基于近红外光谱的馒头中马铃薯全粉含量快速测定的方法 | |
| CN111693487A (zh) | 基于遗传算法和极限学习机的水果糖度检测方法及系统 | |
| CN108613943B (zh) | 一种基于光谱形态转移的近红外单籽粒作物成分检测方法 | |
| CN109540837A (zh) | 近红外快速检测苎麻叶片木质纤维素含量的方法 | |
| 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 | |
| CN110231306A (zh) | 一种无损、快速测定奇亚籽蛋白质含量的方法 | |
| CN104849234A (zh) | 基于近红外光谱分析吡虫啉原药主成分含量的测定方法 | |
| CN110231302A (zh) | 一种快速测定奇亚籽粗脂肪含量的方法 | |
| CN109932336A (zh) | 一种全麦粉的快速鉴别方法 | |
| CN106770016B (zh) | 单粒稻谷种子的蛋白质定量分析nir透射光谱测量方法 | |
| CN109406447A (zh) | 一种高粱中单宁的近红外检测方法 | |
| Saleh et al. | Development and validation of prediction models for rice surface lipid content and color parameters using near‐infrared spectroscopy: A basis for predicting rice degree of milling | |
| CN111965135A (zh) | 基于近红外光谱的面条中马铃薯全粉含量快速测定的方法 | |
| CN102759515A (zh) | 基于水平atr的中红外光谱快速测定农产品含油率的方法 | |
| Yang | Development of an integrated variety and appearance quality measurement system for milled rice | |
| CN108489934A (zh) | 一种检测花生油品质的方法 | |
| CN114076745A (zh) | 一种基于云端-互联便携式近红外技术的西红花鉴别方法及其掺伪品定量预测方法 |
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 |
Application publication date: 20161109 |
|
| RJ01 | Rejection of invention patent application after publication |