CN106770152B - 一种基于特征峰及算法参数选取的奶粉品牌快速鉴别方法 - Google Patents

一种基于特征峰及算法参数选取的奶粉品牌快速鉴别方法 Download PDF

Info

Publication number
CN106770152B
CN106770152B CN201611015607.2A CN201611015607A CN106770152B CN 106770152 B CN106770152 B CN 106770152B CN 201611015607 A CN201611015607 A CN 201611015607A CN 106770152 B CN106770152 B CN 106770152B
Authority
CN
China
Prior art keywords
parameter
milk powder
matrix
characteristic peak
svm classifier
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
Application number
CN201611015607.2A
Other languages
English (en)
Other versions
CN106770152A (zh
Inventor
王海燕
刘军
沙敏
张正勇
桂冬冬
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.)
Jiangsu Province Institute Of Quality & Safety Engineering
Original Assignee
Jiangsu Province Institute Of Quality & Safety Engineering
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 Jiangsu Province Institute Of Quality & Safety Engineering filed Critical Jiangsu Province Institute Of Quality & Safety Engineering
Priority to CN201611015607.2A priority Critical patent/CN106770152B/zh
Publication of CN106770152A publication Critical patent/CN106770152A/zh
Application granted granted Critical
Publication of CN106770152B publication Critical patent/CN106770152B/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
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/65—Raman scattering

Landscapes

  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Physics & Mathematics (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, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本发明公开了一种基于特征峰及算法参数选取的奶粉品牌快速鉴别方法，首先采集奶粉样品的拉曼光谱谱图数据，选取奶粉拉曼光谱特征成分对应的特征峰；然后采用SVM分类算法对奶粉样品的拉曼光谱谱图数据进行分析，使用网格搜索法寻找算法最佳的参数，建立最佳的分类识别模型；最后，对奶粉品牌进行识别。本发明采用特征峰及经过网格搜索确定的最佳SVM分类识别模型对奶粉品牌进行鉴别，创造性地将奶粉的特征指纹图谱技术和网格搜索法寻参技术应用在奶粉质量评价上，并具有操作简单、分析速度快、识别率高等优点，对奶粉质量安全控制具有较大意义。

Description

一种基于特征峰及算法参数选取的奶粉品牌快速鉴别方法
技术领域
本发明涉及了一种奶粉品鉴别方法，特别涉及了一种基于特征峰及算法参数选取的奶粉品牌快速鉴别方法。
背景技术
奶粉是一种大众化营养食品，它的质量好坏直接影响着人们尤其是婴幼儿的身体健康。激烈的市场竞争和非法商业利益导致奶粉出现掺假和真实性问题，产品掺假可能会导致较低的成本，并导致不公平竞争，因此妨碍了合法经营。奶粉掺假的途径有多种，比如不同种类奶粉混合，掺入乳清蛋白和三聚氰胺，加盐或糖来掩盖多余的水并增加固含量等。其它欺诈手段还有添加非乳脂肪或油，奶粉的真实性还与它们的地理起源和加工技术相关。
传统的对奶粉品质的分析主要有以下几方面：(1)奶粉成分的分析，比如分析奶粉中的脂肪、蛋白质和碳水化合物的相对比例，从而区分奶粉的品质；(2)奶粉中自带的潜在危害物分析，比如用LC-MS联用快速测定奶粉中激素残留量；(3)奶粉中非法添加物的分析，比如三聚氰胺、双氰胺等危害物的快检方法研究等。这些方法在奶粉的质量控制方面起着重要的作用，但也存在一些缺陷，如检测指标单一、需要费用高、分析时间长等。因此，很有必要在现有技术的基础之上，研究一种操作便捷，能准确、快速、全面鉴定奶粉品牌并实现奶粉掺假鉴别的新方法。
近来，非破坏性技术越来越受到人们的重视，如红外，荧光，核磁共振等。这些分析技术速度快、成本相对较低、对环境友好，一次测试可提供大量信息，常被用于在线工艺控制和食品真伪鉴别和掺伪分析。
奶粉拉曼光谱各谱峰代表的官能团信息见表1。特征峰分别对应的是不同蛋白质、脂肪和碳水化合物的C-C-C的弯曲振动和C-O扭曲振动；C–C和C–O伸缩振动；C–O–C弯曲振动、C–O–H弯曲振动和C–O伸缩振动，因此，不同品牌奶粉的拉曼谱图差异源于蛋白质、脂肪和碳水化合物的含量差异。因此，可通过奶粉拉曼谱图的特征峰来实现奶粉品牌的区分。
表1
光谱分析结合化学计量学方法评估乳制品品质特性的研究较多，目前奶粉拉曼指纹图谱技术基本上还处在研究阶段，还没有将其特征峰指纹图谱直接应用于奶粉质量评价的报道。因此，很有必要在现有技术的基础之上，对奶粉拉曼指纹图谱进行谱解析，研究涉及一种操作便捷，能准确、快速反映奶粉质量差异的特征指纹图谱的识别方法。
发明内容
为了解决上述背景技术提出的技术问题，本发明旨在提供种基于特征峰及算法参数选取的奶粉品牌快速鉴别方法，该方法能够准确、快速、高效地对奶粉品牌进行鉴别。
为了实现上述技术目的，本发明的技术方案为：
一种基于特征峰及算法参数选取的奶粉品牌快速鉴别方法，包括以下步骤：
(1)采集奶粉样品的拉曼光谱谱图；
(2)对拉曼光谱谱图进行前处理，包括以下步骤：
a.构建原始拉曼光谱数据矩阵X；
b.采用小波函数对矩阵X进行小波降噪处理得到矩阵D；
c.对矩阵D进行[0,1]区间归一化，得到矩阵Y：
其中，min(D)为矩阵D的最小值，max(D)为矩阵的最大值；
(3)采用SVM分类器对奶粉样品的拉曼光谱谱图数据进行分析，建立奶粉品牌鉴别的最佳特征峰，包括以下步骤：
A.将301cm-1–1800cm-1波段的奶粉拉曼光谱对应的矩阵Y取80％作为训练集、20％作为测试集，建立SVM分类器模型；对矩阵Y进行K-CV交叉验证，通过网格搜索，得到最佳惩罚函数参数c和核函数参数g；
B.将301cm-1–1800cm-1波段的奶粉拉曼光谱等间距分成若干段，每个波段对应的矩阵Y分别取80％作为训练集，20％作为测试集，用步骤A中确定的最佳惩罚函数参数c和核函数参数g，建立SVM分类器模型；
C.对若干段矩阵Y分别进行100次SVM分类识别测试，得到平均识别率>80％的矩阵Y对应的特征波段；
D.将步骤C中得到的所有特征波段进行组合，用步骤A中确定的最佳惩罚函数参数c和核函数参数g，建立SVM分类器模型，再次进行分类识别，得到最佳识别率对应的特征波段组合，即最佳特征波段组合；
(4)对步骤D中确定的最佳特征波段组合，重新进行100次网格搜索，寻找特征波段组合对应的最佳惩罚函数参数c和核函数参数g，进行SVM分类识别测试，得到识别率为100％测试下出现频率最高的惩罚函数参数和核函数参数，即最佳算法参数；
(5)在步骤D中得到的最佳特征波段组合和步骤(4)得到的最佳算法参数下，进行奶粉品牌识别。
进一步地，在步骤(1)中，采用D3便携式色散型稳频激光Raman光谱仪采集奶粉样品的拉曼光谱谱图数据，设定Raman光谱仪的参数如下：激光光源为785nm稳频激光，激光功率为450mW，CCD温度为制冷-85℃，光谱范围为100～3300cm-1，系统解析度为2.5～3.0cm-1，激光线宽为＜0.15nm，波数矫正为+/-1cm-1，强度校正为YES，讯号质量为12000:1，重量为11kg，操作温度为0℃～50℃；采集奶粉样品的拉曼光谱谱图数据在暗室内进行，扫描时间为20s，平均扫描次数为3次。
进一步地，在步骤b中，采用wden小波函数对X进行小波降噪处理得到矩阵D，其中小波基函数取coif5。
在步骤(3)中，建立SVM分类器采用的核函数为RBF核函数：
进一步地，在步骤(3)、(4)中，网格搜索的参数为cmin＝-10，cmax＝10，gmin＝-10，gmax＝10，v＝5，cstep＝0.5，gstep＝0.5，accstep＝4.5；其中，cmin：惩罚参数c的变化范围的最小值；cmax：惩罚参数c的变化范围的最大值；gmin：参数g的变化范围的最小值；gmax：参数g的变化范围的最大值；v：CV的参数，即给测试集分为几部分进行；cstep：惩罚参数c步进的大小；gstep：参数g步进的大小；accstep：最后显示准确率图时的步进大小。
进一步地，在步骤(4)中，所述最佳惩罚函数参数c的范围为1～6，最佳核函数参数g的范围为0～1。
采用上述技术方案带来的有益效果：
本发明采用奶粉拉曼光谱的特征峰结合SVM分类算法实现奶粉品牌的快速鉴别，创造性地奶粉成分的特征指纹图谱技术应用在奶粉质量评价上，并具有操作简单、分析速度快等优点，对奶粉质量安全控制具有较大意义。本发明在采用SVM分类算法的同时联用网格搜索法，加快了分类器参数寻优的速度和准确性。
附图说明
图1本发明的基本流程图。
具体实施方式
以下将结合附图，对本发明的技术方案进行详细说明。
如图1所示本发明的基本流程图，一种奶粉品牌快速鉴别的特征峰及算法参数选取的方法，包括奶粉拉曼光谱谱图采集、谱图预处理、寻找奶粉品牌鉴别最佳拉曼光谱特征峰、寻找SVM分类识别模型最佳参数和品牌识别五个步骤。
一、奶粉拉曼光谱谱图采集
采用D3便携式色散型稳频激光Raman光谱仪采集奶粉样品的拉曼光谱谱图数据。设定Raman光谱仪的参数如下：激光光源为785nm稳频激光，激光功率为450mW，CCD温度为制冷-85℃，光谱范围为100～3300cm-1，系统解析度为2.5～3.0cm-1，激光线宽为＜0.15nm，波数矫正为+/-1cm-1，强度校正为YES，讯号质量为12000:1，重量为11kg，操作温度为0℃～50℃。采集奶粉样品的拉曼光谱谱图数据在暗室内进行，扫描时间为20s，每个样品扫描3次，三次测试取平均值。
二、对拉曼光谱谱图进行前处理，包括以下步骤；
a.构建原始拉曼光谱数据矩阵X；
b.利用wden小波函数对X进行小波降噪处理得到矩阵D，其中小波基函数取coif5；
c.对矩阵D进行[0,1]区间归一化得到矩阵Y：
其中，min(D)为矩阵D的最小值，max(D)为矩阵的最大值。
三、采用SVM分类器对奶粉样品的拉曼光谱谱图数据进行分析，建立奶粉品牌鉴别的最佳特征峰，包括以下步骤：
A.将301cm-1–1800cm-1波段的奶粉拉曼光谱对应的矩阵Y分别取80％作为训练集，20％作为测试集，建立SVM分类器模型；对矩阵Y进行K-CV(K-fold Cross Validation,K-CV)交叉验证，用网格搜索法得到最佳惩罚函数参数c和核函数参数g；网格搜索的相关参数设定为cmin＝-10，cmax＝10，gmin＝-10，gmax＝10，v＝5，cstep＝0.5，gstep＝0.5，accstep＝4.5。
B.将301cm-1–1800cm-1波段的奶粉拉曼光谱按50cm-1等间距分成30段，每个波段对应的矩阵Y分别取80％作为训练集，20％作为测试集，用A中确定的最佳惩罚函数参数c和核函数参数g，建立SVM分类器模型；
C.对若干段矩阵Y分别进行100次SVM分类识别测试，得到平均识别率>80％的矩阵Y对应的特征波段。测试结果如表2。识别率>80％的特征波段分别为401cm-1–450cm-1，501cm-1–550cm-1，801cm-1–850cm-1，851cm-1–900cm-1，901cm-1–950cm-1，1001cm-1–1050cm-1，1051cm-1–1100cm-1。
表2
D.将C中得到的所有特征波段进行组合，用A中确定的最佳惩罚函数参数c和核函数参数g，建立SVM分类器模型，再次进行分类识别，得到最佳识别率对应的特征波段组合，即最佳特征波段组合。部分测试结果如表3，最佳识别率对应的波段组合为1001-1100cm-1波段，为蛋白质、脂肪和碳水化合物的C-C和C-O键的伸缩振动和C-O-H键的弯曲振动。
表3
波段/cm<sup>-1</sup> 平均识别率/％ 平均识别时间/s
401-450；501-550 96.29 3.41
801-950 96.29 3.39
1001-1100 99.08 3.35
401-450；501-550；801-950 98.15 3.48
401-450；501-550；801-950；1001-1100 98.77 3.54
四、对三中(D)确定的特征波段组合，即1001cm-1-1100cm-1波段，再次进行网格搜索法寻找该特征组合波段对应的最佳惩罚函数参数c和核函数参数g，网格搜索参数设为cmin＝-10，cmax＝5，gmin＝-10，gmax＝1，v＝5，cstep＝0.5，gstep＝0.5，accstep＝4.5。进行SVM分类识别测试，得到识别率为100％测试下出现频率最高的惩罚函数参数和核函数参数。即惩罚函数参数c＝5.6569，核函数参数g＝0.17678。
五、选取波段为1001cm-1-1100cm-1特征波段矩阵，设置惩罚函数参数c＝5.6569，核函数参数g＝0.17678，进行1000次SVM分类奶粉品牌识别测试，平均识别率为99.04％。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (6)

1.一种基于特征峰及算法参数选取的奶粉品牌快速鉴别方法，其特征在于，包括以下步骤：
(1)采集奶粉样品的拉曼光谱谱图；
(2)对拉曼光谱谱图进行前处理，包括以下步骤：
a.构建原始拉曼光谱数据矩阵X；
b.采用小波函数对矩阵X进行小波降噪处理得到矩阵D；
c.对矩阵D进行[0,1]区间归一化，得到矩阵Y：
其中，min(D)为矩阵D的最小值，max(D)为矩阵的最大值；
(3)采用SVM分类器对奶粉样品的拉曼光谱谱图数据进行分析，建立奶粉品牌鉴别的最佳特征峰，包括以下步骤：
A.将301cm-1–1800cm-1波段的奶粉拉曼光谱对应的矩阵Y取80％作为训练集、20％作为测试集，建立SVM分类器模型；对矩阵Y进行K-CV交叉验证，通过网格搜索得到最佳惩罚函数参数c和核函数参数g；
B.将301cm-1–1800cm-1波段的奶粉拉曼光谱等间距分成若干段，每个波段对应的矩阵Y分别取80％作为训练集，20％作为测试集，用步骤A中确定的最佳惩罚函数参数c和核函数参数g，建立SVM分类器模型；
C.对若干段矩阵Y分别进行100次SVM分类识别测试，得到平均识别率&gt;80％的矩阵Y对应的特征波段；
D.将步骤C中得到的所有特征波段进行组合，用步骤A中确定的最佳惩罚函数参数c和核函数参数g，建立SVM分类器模型，再次进行分类识别，得到最佳识别率对应的特征波段组合，即最佳特征波段组合；
(4)对步骤D中确定的最佳特征波段组合，重新进行100次网格搜索，寻找特征波段组合对应的最佳惩罚函数参数c和核函数参数g，进行SVM分类识别测试，得到识别率为100％测试下出现频率最高的惩罚函数参数和核函数参数，即最佳算法参数；
(5)在步骤D中得到的最佳特征波段组合和步骤(4)得到的最佳算法参数下，进行奶粉品牌识别。
2.根据权利要求1所述基于特征峰及算法参数选取的奶粉品牌快速鉴别方法，其特征在于：步骤(1)采用D3便携式色散型稳频激光Raman光谱仪采集奶粉样品的拉曼光谱谱图数据，设定Raman光谱仪的参数如下：激光光源为785nm稳频激光，激光功率为450mW，CCD温度为制冷-85℃，光谱范围为100～3300cm-1，系统解析度为2.5～3.0cm-1，激光线宽为＜0.15nm，波数矫正为+/-1cm-1，强度校正为YES，讯号质量为12000:1，重量为11kg，操作温度为0℃～50℃；采集奶粉样品的拉曼光谱谱图数据在暗室内进行，扫描时间为20s，平均扫描次数为3次。
3.根据权利要求1所述基于特征峰及算法参数选取的奶粉品牌快速鉴别方法，其特征在于：在步骤b中，采用wden小波函数对X进行小波降噪处理得到矩阵D，其中小波基函数取coif5。
4.根据权利要求1所述基于特征峰及算法参数选取的奶粉品牌快速鉴别方法，其特征在于：在步骤(3)中，建立SVM分类器采用的核函数为RBF核函数。
5.根据权利要求1所述基于特征峰及算法参数选取的奶粉品牌快速鉴别方法，其特征在于：在步骤(3)、(4)中，网格搜索的参数为cmin＝-10，cmax＝10，gmin＝-10，gmax＝10，v＝5，cstep＝0.5，gstep＝0.5，accstep＝4.5；其中，cmin：惩罚参数c的变化范围的最小值；cmax：惩罚参数c的变化范围的最大值；gmin：核函数参数g的变化范围的最小值；gmax：核函数参数g的变化范围的最大值；v：CV的参数，即给测试集分为几部分进行；cstep：惩罚参数c步进的大小；gstep：核函数参数g步进的大小；accstep：最后显示准确率图时的步进大小。
6.根据权利要求1所述基于特征峰及算法参数选取的奶粉品牌快速鉴别方法，其特征在于：在步骤(4)中，所述最佳惩罚函数参数c的范围为1～6，最佳核函数参数g的范围为0～1。
CN201611015607.2A 2016-11-18 2016-11-18 一种基于特征峰及算法参数选取的奶粉品牌快速鉴别方法 Active CN106770152B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611015607.2A CN106770152B (zh) 2016-11-18 2016-11-18 一种基于特征峰及算法参数选取的奶粉品牌快速鉴别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611015607.2A CN106770152B (zh) 2016-11-18 2016-11-18 一种基于特征峰及算法参数选取的奶粉品牌快速鉴别方法

Publications (2)

Publication Number Publication Date
CN106770152A CN106770152A (zh) 2017-05-31
CN106770152B true CN106770152B (zh) 2019-02-15

Family

ID=58968892

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611015607.2A Active CN106770152B (zh) 2016-11-18 2016-11-18 一种基于特征峰及算法参数选取的奶粉品牌快速鉴别方法

Country Status (1)

Country Link
CN (1) CN106770152B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108613965B (zh) * 2018-06-27 2021-05-18 陈达 一种基于数据驱动拉曼光谱的乳品中乳清蛋白测量方法
CN112946003B (zh) * 2019-12-11 2023-04-07 上海纽迈电子科技有限公司 一种奶粉中脂肪含量的检测方法
CN113324967A (zh) * 2020-09-18 2021-08-31 山东农业大学 一种快速鉴定dfd牛肉的方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103487410A (zh) * 2013-09-01 2014-01-01 西北大学 基于模型集群分析的激光诱导击穿光谱变量选择方法
CN104764734A (zh) * 2015-04-30 2015-07-08 江苏易谱恒科技有限公司 基于拉曼光谱和svm算法的果汁香精香料的鉴别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103487410A (zh) * 2013-09-01 2014-01-01 西北大学 基于模型集群分析的激光诱导击穿光谱变量选择方法
CN104764734A (zh) * 2015-04-30 2015-07-08 江苏易谱恒科技有限公司 基于拉曼光谱和svm算法的果汁香精香料的鉴别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Comparison of several chemometric methods of libraries and classifiers for the analysis of expired drugs based on Raman spectra;Gao Qun et al.;《Journal of Pharmaceutical and Biomedical Analysis》;20140130;第94卷;58-64
Discrimination of parotid neoplasms from the normal parotid gland by use of Raman spectroscopy and support vector machine;Bing Yan et al.;《Oral Oncology》;20110324;第47卷;430-435
Toward an Optimal SVM Classification System for Hyperspectral Remote Sensing Images;Yakoub Bazi et al.;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20061130;第44卷(第11期);3374-3385
高光谱图像技术在掺假大米检测中的应用;孙俊等;《农业工程学报》;20141130;第30卷(第21期);301-307

Also Published As

Publication number Publication date
CN106770152A (zh) 2017-05-31

Similar Documents

Publication Publication Date Title
Giraudo et al. Determination of the geographical origin of green coffee beans using NIR spectroscopy and multivariate data analysis
CN103235095B (zh) 注水肉检测方法和装置
CN103344602B (zh) 一种基于近红外光谱的水稻种质真伪无损检测方法
CN106290230B (zh) 一种近红外光谱结合化学成分的红茶萎凋程度的判别方法
Teye et al. Novel prediction of total fat content in cocoa beans by FT-NIR spectroscopy based on effective spectral selection multivariate regression
CN106770152B (zh) 一种基于特征峰及算法参数选取的奶粉品牌快速鉴别方法
CN104020129A (zh) 一种基于近红外光谱结合氨基酸分析技术的工夫红茶发酵质量的判别方法
Cozzolino Near infrared spectroscopy and food authenticity
CN104132896A (zh) 一种快速鉴别掺假肉的方法
CN102564993A (zh) 一种利用傅里叶变换红外光谱识别大米品种方法及其应用
CN109374548A (zh) 一种利用近红外快速测定大米中营养成分的方法
CN110672582B (zh) 一种基于改进主成分分析的拉曼特征谱峰提取方法
CN106124445A (zh) 一种快速、无损鉴别转基因大豆方法
CN108760677A (zh) 一种基于近红外光谱技术的法半夏掺伪鉴别方法
Zhuang et al. Rapid determination of green tea origins by near-infrared spectroscopy and multi-wavelength statistical discriminant analysis
Shen et al. A feasibility study of non-targeted adulterant screening based on NIRM spectral library of soybean meal to guarantee quality: The example of non-protein nitrogen
Zhao et al. Agricultural Product Authenticity and Geographical Origin Traceability-Use of Nondestructive Measurement
Chen et al. A rapid and effective method for species identification of edible boletes: FT-NIR spectroscopy combined with ResNet
Gao et al. Differentiation of storage time of wheat seed based on near infrared hyperspectral imaging
CN108627498A (zh) 一种多光谱数据融合的面粉掺杂定量检测方法
Shen et al. Discrimination of blended Chinese rice wine ages based on near-infrared spectroscopy
CN114839178B (zh) 一种基于拉曼光谱指纹技术的祁门红茶产地的识别方法
CN108195793A (zh) 植物源性饲料原料氨基酸含量的通用模型构建方法
Zhong et al. Fast quantification of matcha adulterants with laser-induced breakdown spectroscopy spectrum and image
Wu et al. Counterfeit detection of bulk Baijiu based on fluorescence hyperspectral technology and machine learning

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
GR01 Patent grant
GR01 Patent grant