CN106769927A - 一种黄芪药材的质量检测方法 - Google Patents

一种黄芪药材的质量检测方法 Download PDF

Info

Publication number
CN106769927A
CN106769927A CN201611104564.5A CN201611104564A CN106769927A CN 106769927 A CN106769927 A CN 106769927A CN 201611104564 A CN201611104564 A CN 201611104564A CN 106769927 A CN106769927 A CN 106769927A
Authority
CN
China
Prior art keywords
quality
milkvetch root
determining method
model
sample
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
Application number
CN201611104564.5A
Other languages
English (en)
Inventor
敬小丽
梁冰
唐杰
国锦琳
赵美莲
刘阳
刘兴睿
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.)
Sichuan University
Chengdu University of Traditional Chinese Medicine
Original Assignee
Sichuan University
Chengdu University of Traditional Chinese Medicine
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 Sichuan University, Chengdu University of Traditional Chinese Medicine filed Critical Sichuan University
Priority to CN201611104564.5A priority Critical patent/CN106769927A/zh
Publication of CN106769927A publication Critical patent/CN106769927A/zh
Pending legal-status Critical Current

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
    • G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G01N1/286—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q involving mechanical work, e.g. chopping, disintegrating, compacting, homogenising
    • 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
    • G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
    • G01N2021/3148—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths using three or more wavelengths
    • 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
    • G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
    • G01N2021/3155—Measuring in two spectral ranges, e.g. UV and visible

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

本发明公开了一种黄芪药材的质量检测方法，该方法通过测定药材的紫外‑可见光‑短波近红外漫反射光谱来检测黄芪药材的质量，包括以下步骤：(1)以已知质量信息的黄芪药材样品作为建模样品，测定其紫外‑可见光‑短波近红外漫反射光谱，采集其光谱数据；(2)对步骤(1)得到的光谱数据进行光谱预处理，波长筛选，建立黄芪药材的质量检测模型；(3)以步骤(2)的黄芪质量检测模型检测待测黄芪药材的质量。本发明方法可以进行黄芪药材的含硫量检测以及产地检测，是一种方便、快捷、经济、准确的黄芪药材质量检测方法。

Description

一种黄芪药材的质量检测方法
技术领域
本发明涉及药材检测领域，具体设计黄芪药材的质量检测方法。
背景技术
黄芪作为一种功效显著的中药材，被广泛应用于各类疾病的临床治疗中。硫磺熏蒸药材是一种传统的中药加工技术，用硫磺熏蒸后的中药材、中药饮片外观漂亮、色泽鲜艳，而且可以防虫蛀、防腐，在中药材及饮片的加工和贮藏过程中应用较为普遍。随着近年来人们健康意识的提高，硫磺熏蒸过后药材带来的副作用逐渐得到重视。同时，大量的实验研究表明，硫熏对中药材的化学成分和药理作用均有较大的影响。因此，有必要对黄芪药材的含硫量进行检测。
中国药典2015版二氧化硫残留量测定法系用酸碱滴定法、气相色谱法、离子色谱法分别作为第一法、第二法、第三法测定经硫黄熏蒸处理过的药材或饮片中二氧化硫的残留量。其中酸碱滴定法耗时长，且需专门的全玻璃蒸馏仪器，不适合大批量检测，通氮气价格较昂贵且不便于控制。气相色谱法和离子色谱法需要相应的设备及填充柱等，操作复杂，检测成本高。
因此，有必要建立一种经济、便捷的检测黄芪药材含硫量的方法。
同时，黄芪的产地也对黄芪的质量有着重要的影响，也有必要建立一种鉴别黄芪产地的方法。
发明内容
为解决上述问题，本发明一种黄芪药材的质量检测方法
一种黄芪药材的质量检测方法，它包括下述步骤：
(1)以已知质量信息的黄芪药材样品作为建模样品，测定其紫外-可见光-短波近红外漫反射光谱，采集其光谱数据；
(2)对步骤(1)得到的光谱数据进行光谱预处理，波长筛选，建立黄芪药材的质量检测模型；
(3)以步骤(2)的黄芪质量检测模型检测待测黄芪药材的质量；
其中，所述质量检测包括含硫量检测、产地检测中的任一种或多种；所述预处理的方法选自标准正态变换法、多元散射校正法、卷积滑法、一阶导数-卷积平滑法或二阶导数-卷积平滑法，波长筛选的方法选自变量消除法。
进一步地，所述步骤(1)的测定中，紫外-可见光-短波近红外漫反射光谱的波长范围为200nm-1100nm。
进一步地，所述步骤(1)的测定中，以白板作参比，曝光时间为448ms，采样间隔为1ms，平均次数为30次；每个样品测定3次，每次测定三个值，取3次测定的平均值作为样品的光谱数据。
进一步地，步骤(1)中，所述建模样品包括含硫量0～4500mg/kg的黄芪药材。
进一步地，步骤(1)中，所述建模样品包括四川黄芪、甘肃黄芪和山西黄芪。
进一步地，当质量检测为产地检测和硫磺熏蒸程度检测时，步骤(2)中所述质量检测模型是主成分分析判别模型。
进一步地，所述主成分分析判别模型是以主成分分析下的前3或4个主成分建立的。
进一步地，当质量检测为含硫量检测时，步骤(2)中所述质量检测模型是线性回归分析预测模型。
本发明测定药材的紫外-可见光-短波近红外漫反射光谱法，是一种处理简单、分析速度快、无损的质量检测方法。然而，紫外-可见光-短波近红外漫反射光谱除了自身信息外，常含有大量噪音和背景信息，且分析结果易受到测量异常值和冗余波长的负面影响。如何从复杂、重迭的光谱中提取微弱的化学成分信息，提高测量精度，进而建立高质量的数学模型是该分析技术的一个难点。要解决这个难点，光谱处理技术是一个关键的因素。
在光谱处理技术中，光谱预处理方法对建立预测能力强、稳健性好的分析模型至关重要，甚至起着决定性的作用。正如前所述，光谱除包括与样品组成有关的信息外，还包含了其他无关信息，如电噪音、样品背景和杂散光等。这些无关信息会对光谱信息产生干扰，从而影响数学模型的建立以及对未知样本组成和性质的预测。其中，光谱预处理的方法众多，包括数据增强变换、平滑、求导、标准正态变量变换、多元散射校正、小波变换以及正交信号校正等。然而，由于这些算法自身固有的缺陷，当对光谱的原始数据进行预处理后，其对数学模型的优化效果具有极大的偶然性。因此，当研究者针对一个全新的检测对象和分析目标时，都需要研究者通过大量预处理方法的筛选，来确认哪些预处理方法能对模型起着优化效果，而且发现一个能显著优化模型的光谱预处理方法是相当困难的。
另一个方面，在光谱处理技术中，包含大量的波长数据点，而其中一些波长与研究的性质是不相关的，有效的变量筛选，例如波长筛选、波段筛选，可以改善模型的预测能力和减少模型的复杂程度。就波长筛选而言，其也包括众多方法，例如遗传算法(GA)、无信息变量消除方法(UVE)、间隔偏最小二乘法(iPLs)、连续投影算法(SPA)、蒙特-卡洛结合无信息变量消除方法(MC-UVE)等等。与前述光谱预处理方法类似，这些算法也各自有着自身固有的优缺点，其对数学模型的优化效果也同样具有极大的偶然性，其结果难以预知。
为了找到适合于本发明黄芪药材的质量检测方法，发明人根据建模样品的质量信息和光谱数据，通过大量的筛选试验偶然发现，当光谱预处理方法选自标准正态变换法、多元散射校正法、卷积滑法、一阶导数卷积平滑法或二阶导数卷积平滑法时，且波长筛选的方法选自变量消除法，可以显著优化模型。进而以此为基础，建立模型来准确检测黄芪药材的含硫量和产地，从而建立了一套方便、快捷、经济、准确检测黄芪药材质量的方法。
本发明涉及的几种方法如下：
a.相关系数法(CC)
相关系数法是将校正集光谱阵中的每个波长对应的吸光度向量xi与浓度阵中的待测组分浓度向量yi进行相关性计算,得到波长-相关系数r图。对应相关系数越大的波长其信息应越多,因此,可结合已知的化学知识给定一阈值,选取相关系数大于该阈值的波长参与模型建立。
b.间隔偏最小二乘法(iPLS)
iPLS是Norgaard提出的一种波长区间选择方法，它是将全谱波段分成等长的多个子区间，分别建立PLS模型，以SEC评价出最优的一个区间，即比较子区间建立的模型和全谱建立的模型的结果，选择交叉验证均方根残差(RMSECV)比全局模型低的波段作为最优波段。该方法的一个显著优点是根据已建立的一系列回归模型能够非常直观地观察到全谱数据中有用信息分布的情况[12]。此外，与该方法相似的波段选择还有窗口移动PLS法。
c.偏最小二乘法(PLS)
PLS(partial least squares)是近年来开始在化学计量及其它许多领域得到普遍应用的一种建模方法。它是将因子分析和回归分析结合的方法。PLS通过因子分析将高维的光谱数据压缩为较低维空间数据，并将原光谱分解为多种主成分光谱，通过对主成分数的合理选取，让有用的主成分参与模型回归。PCR法消除噪音信息只是通过对光谱矩阵X进行分解。同样，浓度矩阵y也含有无用信息，亦应作同样的处理，且在分解光谱矩阵X时应考虑浓度矩阵y的影响。
d主成分分析法(PCA)
Principal component analysis(PCA)主成分分析法是一种数学变换的方法,它把给定的一组相关变量通过线性变换转成另一组不相关的变量，这些新的变量按照方差依次递减的顺序排列。在数学变换中保持变量的总方差不变，使第一变量具有最大的方差，称为第一主成分，第二变量的方差次大，并且和第一变量不相关，称为第二主成分。依次类推，I个变量就有I个主成分。
显然，根据本发明的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。
以下通过实施例形式的具体实施方式，对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。凡基于本发明上述内容所实现的技术均属于本发明的范围。
附图说明
图1为甘肃黄芪。
图2为山西黄芪。
图3为四川黄芪。
图4为S3000光纤光谱仪系统。
图5为样品紫外-可见-短波近红外漫反射原始光谱，其中黑色代表四川黄芪、红色线代表山西黄芪、蓝色代表甘肃黄芪。
图6向后(a)、向前(b)移动窗口相关系数法
1)四川；2)山西；3)甘肃；4)类间平均
图7为三种不同产地黄芪的主成分分析三维投影图。
图8、9依次为校正集二氧化硫测量值与考参考值关系图，验证集二氧化硫测量值与参考值关系图。
具体实施方式
实施例1
一、实验材料：
1.三种不同产地的黄芪：甘肃黄芪、山西黄芪和四川黄芪样品购于荷花池中药材市场，均经成都中医药大学刘薇老师鉴定为正品。如图1-3所示。
2.升华硫AR(含量≥99.5％；游离酸≤0.05％；灼烧残渣≤0.03％；砷≤0.002％；水分≤0.1％)——成都市科龙化工试剂厂
3.蒸馏水——四川大学试剂科。
4. 30％过氧化氢AR(含量≥30％；酸度mmol/100g≤0.1)——成都市科龙化工试剂厂。
5.甲基红——成都市科龙化工试剂厂。
6.无水乙醇AR——成都海兴化工试剂厂。
7.氢氧化钠AR(含量≥96％；杂质碳酸盐1.5％)——成都市科龙化工试剂厂。
8.盐酸AR(含量36％～38％)——成都市科龙化工试剂厂。
二、实验试剂配制：
1. 3％过氧化氢溶液的配制
取30％过氧化氢2mL，加入20mL蒸馏水稀释，配制得3％过氧化氢溶液。
2. 0.1mol/L NaOH标准溶液的配制
称取120g固体NaOH，加100mL水溶解冷却转人聚乙烯塑料瓶中密封放置数日使之有晶体析出成为澄清的饱和溶液。吸取饱和NaOH溶液上层清液5.4mL，用无二氧化碳蒸馏水定容至1000mL混匀，贴上标签待标定。
3.甲基红乙醇溶液指示剂(2.5mg/mL)的配制
电子天平称取甲基红粉末125mg，放置于150mL容量瓶中，用无水乙醇定容至150mL处。
三、仪器：
电子天平；自制熏硫装置；通风干燥箱；粉碎机；80目筛；电热套；磁力搅拌器；S3000光纤光谱仪(图4)，其波长范围为200～1100nm，最小曝光时间为3.8ms,波长重复误差<0.3nm，波长绝对误差<0.3nm。
四、建模样品的制备及测定
1、测定紫外-可见光-短波近红外漫反射光谱
(1)三个产地(甘肃、山西、四川)的黄芪样品购于荷花池中药材市场，均经成都中医药大学刘薇老师鉴定为正品。将三种不同地区黄芪分为五批，每一批不同药材分别称取150g，150g,150g,100g,100g，每次分别喷水40mL，润湿12h。按药材重量，设置5个硫磺熏蒸水平：0％,0.75％,1.5％,2.5％,3.5％。用自制熏硫装置根据不同的硫熏水平称量硫磺，燃烧熏蒸黄芪，制成不同含硫量的黄芪，结果见表1。将所有黄芪饮片以粉碎机粉碎为粉末，用80目筛过筛，得黄芪粉末。
(2)每个粉末样称取200mg，填充于样品池，按压至表面平整，光纤探头垂直置于粉末试样上表面，如图4b所示。采用自行搭建紫外可见漫反射光谱测量系统，如图4a所示，在200nm-1100nm波长范围内，以白板为空白，智能曝光时间为448ms，采样间隔1ms,平均次数30次，采集样品光谱数据，每个样品重新压平测定3次，每次待其稳定测定三个值，以3次测定的平均值作为样品光谱数据。
样品紫外-可见-短波近红外漫反射原始光谱如图5所示。
2.PCA法定性鉴别三种产地黄芪
向后、向前渐进窗口相关系数法被用来选择主成分分析的特征波长范围。计算每种产地黄芪的类内相关系数和每两种产地黄芪的类间相关系数。结果见图6(a)和图6(b)。
图6(a)显示，在全谱范围内，向后渐进窗口相关系数法的平均类间相关系数(曲线4)高于四川黄芪的类内相关系数。不能提供有效分类的波长选择。
图6(b)显示，在全光谱范围，向前渐进窗口相关系数均大于0.97，并且在213-530nm范围，类间的相关系数小于类内相关系数。这为三种产地黄芪的分类提供了根据。因此，分别尝试在213-1090nm、213-590nm、213nm-510nm、320-510nm、213nm-350nm、213-310nm、240-310nm、213-530nm的各范围之内，进行PCA建模分析。
在PAC建模工程中，计算前N个主成分的累积方差与总方差的百分比。在214-1090nm全谱范围内进行主成分分析，第一主成分的方差的百分比为60％，前两个主成分的积累方差的百分比为86％，前三个主成分的积累方差的百分比为94.5％。而在213-310nm范围进行主成分分析，得到了最好的结果：第一累积方差的百分比为72.5％，第二积累方差的百分比为95％、第三积累方差的百分比为99％。利用213-310nm范围内的光谱进行主成分分析的三维投影如图7所示，这表明黄芪产地鉴别的效果很好。三个产地完全被分开，产地的鉴别不受这些样品的含硫量(是否熏过硫)的影响。
3黄芪含硫量的快速分析
3.1原始光谱的PLSR建模效果
使用原始全光谱进行PLSR(偏最小二乘回归法)建模，结果如表1第一行所示，预测集的决定系数为0.8526。故进行优化(波长选择、数据预处理)，以便提高建模预测效果。
3.2波长选择优化
考察了相关系数法(CC)和分段偏最小二乘法(iPLS)选择波长后建模的效果，发现分两段的偏最小二乘法(2-iPLS)所选波段(213.8-691nm)的建模效果得到改善，预测集(验证集)的R2提高到0.8711(表1第二行)。
3.2光谱预处理方法的优化及其异常值剔除
经波长选择(213.8-691nm波段)后经各种预处理及其组合(共19种，表1中)后的PLS建模效果与无预处理的建模效果(表1第一行)比较，可知，经SG平滑处理后的建模效果改善最大，故选择SG平滑作为最佳的预处理方法。随后再经异常值的剔除(剔除21个异常值)，可将PLS的建模效果提高到，校正集R2cal＝0.9238，交叉验证R2cv＝0.9014，建模效果比较好。
表1经波长选择-预处理后建立的PLSR模型预测结果
3.3黄芪含硫量的快速分析
用优化后的数据分别作校正集(选取50批黄芪的数据作为校正集)二氧化硫测量值，和验证集(随机抽取15批黄芪的数据作为验证集)二氧化硫预测值与参考值关系的散点图，如图8、图9所示，说明可以定量预测黄芪的含硫量。将上述经优化的PLS模型应用于预测集(剩下10批黄芪数据作为预测集)的样品的光谱数据上，预测其二氧化硫的残留量。得到R2test＝0.9322，结果较好。
综上所述，本发明方法通过测定药材的其紫外-可见光-短波近红外漫反射光谱来检测黄芪药材的质量，包括黄芪药材的产地检测以及含硫量检测，是一种方便、快捷、经济、准确的黄芪药材质量检测方法。

Claims (8)

1.一种黄芪药材的质量检测方法，其特征在于：它包括下述步骤：
(1)以已知质量信息的黄芪药材样品作为建模样品，测定其紫外-可见光-短波近红外漫反射光谱，采集其光谱数据；
(2)对步骤(1)得到的光谱数据进行光谱预处理，波长筛选，建立黄芪药材的质量检测模型；
(3)以步骤(2)的黄芪质量检测模型检测待测黄芪药材的质量；
其中，所述质量检测包括含硫量检测、产地检测中的任一种或多种；所述预处理的方法选自标准正态变换法、多元散射校正法、卷积滑法、一阶导数-卷积平滑法或二阶导数-卷积平滑法，波长筛选的方法选自变量消除法。
2.根据权利要求1所述的质量检测方法，其特征在于：所述步骤(1)的测定中，紫外-可见光-短波近红外漫反射光谱的波长范围为200nm-1100nm。
3.根据权利要求2所述的质量检测方法，其特征在于：所述步骤(1)的测定中，以白板作参比，曝光时间为448ms，采样间隔为1ms，平均次数为30次；每个样品测定3次，每次测定三个值，取3次测定的平均值作为样品的光谱数据。
4.根据权利要求1-3任一项所述的质量检测方法，其特征在于：步骤(1)中，所述建模样品包括含硫量0～4500mg/kg的黄芪药材。
5.根据权利要求1-3任一项所述的质量检测方法，其特征在于：步骤(1)中，所述建模样品包括四川黄芪、甘肃黄芪和山西黄芪。
6.根据权利要求1-5任一项所述的质量检测方法，其特征在于：当质量检测为产地检测和硫磺熏蒸程度检测时，步骤(2)中所述质量检测模型是主成分分析判别模型。
7.根据权利要求6所述的质量检测方法，其特征在于：所述主成分分析判别模型是以主成分分析下的前3或4个主成分建立的。
8.根据权利要求1-6任一项所述的质量检测方法，其特征在于：当质量检测为含硫量检测时，步骤(2)中所述质量检测模型是线性回归分析预测模型。
CN201611104564.5A 2016-12-05 2016-12-05 一种黄芪药材的质量检测方法 Pending CN106769927A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611104564.5A CN106769927A (zh) 2016-12-05 2016-12-05 一种黄芪药材的质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611104564.5A CN106769927A (zh) 2016-12-05 2016-12-05 一种黄芪药材的质量检测方法

Publications (1)

Publication Number Publication Date
CN106769927A true CN106769927A (zh) 2017-05-31

Family

ID=58878768

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611104564.5A Pending CN106769927A (zh) 2016-12-05 2016-12-05 一种黄芪药材的质量检测方法

Country Status (1)

Country Link
CN (1) CN106769927A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110110789A (zh) * 2019-05-08 2019-08-09 杭州麦迪特检测技术服务有限公司 一种基于多谱图信息融合技术的中草药品质鉴别方法
CN114414556A (zh) * 2022-01-18 2022-04-29 河北省地质实验测试中心 一种干法灰化-偏硼酸锂碱熔测定黄芪中12种元素的检测方法
CN114428061A (zh) * 2021-12-16 2022-05-03 皖西学院 一种基于紫外-可见-近红外光谱预测蕨菜中总多糖含量的方法
CN114486805A (zh) * 2020-10-23 2022-05-13 中国石油化工股份有限公司 一种确定过氧化氢生产过程的过程参数的方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011077306A1 (en) * 2009-12-25 2011-06-30 Koninklijke Philips Electronics N.V. Apparatuses and methods for measuring uv absorption rate
CN103529008A (zh) * 2012-10-26 2014-01-22 成都中医药大学 一种测定中药材中二氧化硫残留量的方法
CN104792652A (zh) * 2015-05-02 2015-07-22 浙江大学 一种黄芪药材多指标快速检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011077306A1 (en) * 2009-12-25 2011-06-30 Koninklijke Philips Electronics N.V. Apparatuses and methods for measuring uv absorption rate
CN103529008A (zh) * 2012-10-26 2014-01-22 成都中医药大学 一种测定中药材中二氧化硫残留量的方法
CN104792652A (zh) * 2015-05-02 2015-07-22 浙江大学 一种黄芪药材多指标快速检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
史春香等: "近红外技术鉴别黄芪产地", 《天津药学》 *
吴柄桦等: "紫外-可见-短波近红外光谱技术快速鉴别中药材的研究", 《2014年中国药学大会暨第十四届中国药师周论文集》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110110789A (zh) * 2019-05-08 2019-08-09 杭州麦迪特检测技术服务有限公司 一种基于多谱图信息融合技术的中草药品质鉴别方法
CN114486805A (zh) * 2020-10-23 2022-05-13 中国石油化工股份有限公司 一种确定过氧化氢生产过程的过程参数的方法
CN114486805B (zh) * 2020-10-23 2024-01-05 中国石油化工股份有限公司 一种确定过氧化氢生产过程的过程参数的方法
CN114428061A (zh) * 2021-12-16 2022-05-03 皖西学院 一种基于紫外-可见-近红外光谱预测蕨菜中总多糖含量的方法
CN114414556A (zh) * 2022-01-18 2022-04-29 河北省地质实验测试中心 一种干法灰化-偏硼酸锂碱熔测定黄芪中12种元素的检测方法
CN114414556B (zh) * 2022-01-18 2024-03-19 河北省地质实验测试中心 一种干法灰化-偏硼酸锂碱熔测定黄芪中12种元素的检测方法

Similar Documents

Publication Publication Date Title
Wang et al. Prediction of low heavy metal concentrations in agricultural soils using visible and near-infrared reflectance spectroscopy
JP4749330B2 (ja) 近赤外線分光法による野菜等の成分の非破壊検査法、及び同装置
Chen et al. Discrimination of Ganoderma lucidum according to geographical origin with near infrared diffuse reflectance spectroscopy and pattern recognition techniques
Sun et al. Quantitative detection of mixed pesticide residue of lettuce leaves based on hyperspectral technique
CN106769927A (zh) 一种黄芪药材的质量检测方法
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
Nicolaï et al. Nondestructive evaluation: Detection of external and internal attributes frequently associated with quality and damage
CN108956545B (zh) 一种水果内部品质无损检测模型建立方法及系统
Che et al. Application of visible/near‐infrared spectroscopy in the prediction of azodicarbonamide in wheat flour
Zou et al. Multisource spectral-integrated estimation of cadmium concentrations in soil using a direct standardization and Spiking algorithm
CN110646407A (zh) 一种基于激光诱导击穿光谱技术的水产品中磷元素含量的快速检测方法
CN104778349B (zh) 一种用于水稻表土氮肥施用等级评定方法
Li et al. Identification of aged-rice adulteration based on near-infrared spectroscopy combined with partial least squares regression and characteristic wavelength variables
CN106950192A (zh) 一种基于近红外光谱分析技术的植物蛋白饮料中主要成分含量快速检测的方法
CN105486663B (zh) 一种利用近红外光谱检测土壤的稳定碳同位素比值的方法
CN112595692A (zh) 一种水果总糖含量预测模型的建立方法及水果总糖含量的预测方法
Chen et al. Rapid identification of three varieties of Chrysanthemum with near infrared spectroscopy
Duan et al. Sensitive variables extraction, non-destructive detection and visualization of total viable count (TVC) and pH in vacuum packaged lamb using hyperspectral imaging
Wei et al. Generalisation of tea moisture content models based on VNIR spectra subjected to fractional differential treatment
CN103411895A (zh) 珍珠粉掺伪的近红外光谱鉴别方法
Wei et al. Monitoring the freshness of pork during storage via near-infrared spectroscopy based on colorimetric sensor array coupled with efficient multivariable calibration
CN108051410A (zh) 一种基于激光诱导击穿光谱技术的烟草根部镉含量快速检测方法
Jin et al. Hyperspectral indices developed from the low order fractional derivative spectra can capture leaf dry matter content across a variety of species better
Zhao et al. Laser-induced breakdown spectroscopy (LIBS) for the detection of exogenous contamination of metal elements in lily bulbs
Feng et al. Rapid quality assessment of Succus Bambusae oral liquid based on near infrared spectroscopy and chemometrics

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170531

RJ01 Rejection of invention patent application after publication