CN107884340B - 海产品的光谱法表征 - Google Patents
海产品的光谱法表征 Download PDFInfo
- Publication number
- CN107884340B CN107884340B CN201711155221.6A CN201711155221A CN107884340B CN 107884340 B CN107884340 B CN 107884340B CN 201711155221 A CN201711155221 A CN 201711155221A CN 107884340 B CN107884340 B CN 107884340B
- Authority
- CN
- China
- Prior art keywords
- seafood
- spectra
- spectrum
- sample
- marine product
- 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
- 235000014102 seafood Nutrition 0.000 title claims abstract description 154
- 238000012512 characterization method Methods 0.000 title claims abstract description 14
- 238000000985 reflectance spectrum Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000001228 spectrum Methods 0.000 claims description 182
- 238000004458 analytical method Methods 0.000 claims description 38
- 238000003909 pattern recognition Methods 0.000 claims description 30
- 230000003595 spectral effect Effects 0.000 claims description 27
- 238000012935 Averaging Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000000491 multivariate analysis Methods 0.000 abstract description 10
- 239000000463 material Substances 0.000 abstract description 4
- 241000276438 Gadus morhua Species 0.000 description 47
- 241000251468 Actinopterygii Species 0.000 description 42
- 241000972773 Aulopiformes Species 0.000 description 38
- 235000019688 fish Nutrition 0.000 description 38
- 235000019515 salmon Nutrition 0.000 description 38
- 235000013372 meat Nutrition 0.000 description 31
- 241001502129 Mullus Species 0.000 description 27
- 241000277331 Salmonidae Species 0.000 description 21
- 238000000513 principal component analysis Methods 0.000 description 12
- 238000010295 mobile communication Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 9
- 238000012706 support-vector machine Methods 0.000 description 8
- 235000019687 Lamb Nutrition 0.000 description 6
- 241001502127 Mullus barbatus Species 0.000 description 6
- 241001494479 Pecora Species 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000010239 partial least squares discriminant analysis Methods 0.000 description 5
- 241000894007 species Species 0.000 description 5
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 239000000853 adhesive Substances 0.000 description 3
- 230000001070 adhesive effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 239000002360 explosive Substances 0.000 description 3
- 239000010408 film Substances 0.000 description 3
- 238000002329 infrared spectrum Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 241000277269 Oncorhynchus masou Species 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000005670 electromagnetic radiation Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000000411 transmission spectrum Methods 0.000 description 2
- 239000004593 Epoxy Substances 0.000 description 1
- 241001599589 Gadus macrocephalus Species 0.000 description 1
- 241000442132 Lactarius lactarius Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 235000003166 Opuntia robusta Nutrition 0.000 description 1
- 244000218514 Opuntia robusta Species 0.000 description 1
- 241000269821 Scombridae Species 0.000 description 1
- 241000276707 Tilapia Species 0.000 description 1
- SVRXCFMQPQNIGW-UHFFFAOYSA-N [2-(dimethylcarbamothioylsulfanylamino)ethylamino] n,n-dimethylcarbamodithioate Chemical compound CN(C)C(=S)SNCCNSC(=S)N(C)C SVRXCFMQPQNIGW-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000009120 camo Nutrition 0.000 description 1
- 244000213578 camo Species 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002496 gastric effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012314 multivariate regression analysis Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 150000002894 organic compounds Chemical class 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000012628 principal component regression Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 125000006850 spacer group Chemical group 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000005382 thermal cycling Methods 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 210000003813 thumb Anatomy 0.000 description 1
- 239000003053 toxin Substances 0.000 description 1
- 231100000765 toxin Toxicity 0.000 description 1
- 108700012359 toxins Proteins 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
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
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/02—Details
- G01J3/0205—Optical elements not provided otherwise, e.g. optical manifolds, diffusers, windows
- G01J3/0216—Optical elements not provided otherwise, e.g. optical manifolds, diffusers, windows using light concentrators or collectors or condensers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/12—Generating the spectrum; Monochromators
- G01J3/26—Generating the spectrum; Monochromators using multiple reflection, e.g. Fabry-Perot interferometer, variable interference filters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/2803—Investigating the spectrum using photoelectric array detector
-
- 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
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
-
- 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
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
- G01N33/12—Meat; fish
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/12—Generating the spectrum; Monochromators
- G01J2003/1226—Interference filters
- G01J2003/1234—Continuously variable IF [CVIF]; Wedge type
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J2003/2866—Markers; Calibrating of scan
- G01J2003/2873—Storing reference spectrum
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/02—Mechanical
- G01N2201/022—Casings
- G01N2201/0221—Portable; cableless; compact; hand-held
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/06—Illumination; Optics
- G01N2201/061—Sources
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
Abstract
本发明公开了一种用于海产品的现场光谱法表征的方法和仪器。便携式NIR光谱仪与分析器连接,该分析器被配置为用于执行反射光谱的多变量分析,从而定性地确定海产品样本的真正品类或者定量地确定其新鲜度。本发明涉及材料表征和鉴别,特别是海产品的光谱法表征。
Description
本申请是申请日为2014年3月20日、申请号为2014800172415,以及发明名称为“海产品的光谱法表征”的中国发明专利申请的分案申请。
技术领域
本发明涉及材料表征和鉴别,特别是海产品的光谱法表征。
背景技术
于近期公布的一则关于目前为止所进行的最大的海产品假冒情况调查之一的报告显示,在美国各城市的餐馆及杂货店购买的海产品品类中有三分之一是标签错误的(mislabeled)。该项研究由Oceana,一家非盈利性的国际海洋环保倡议组织历时两年时间(2010-2012)实施完成,调查期间,该组织从美国21个州674家零售店中抽取了超过1200份样本(K.Warner,W.Timme,B.Lowell和M.Hirshfield,“Oceana研究显示了存在全国范围的海产品假冒(Oceana Study Reveals Seafood Fraud Nationwide)”,2013年2月报告)。其对于鱼类样本进行了DNA测试,以准确鉴别鱼类品种并发现标签错误。此前的美国国会研究服务部的关于打击海产品市场的假冒和欺诈行为的报告也得出过类似结论(给国会的国会研究报告(Congressional Research Service Report for Congress),7-5700,www.crs.gov,RL-34124(2010))。
用低成本的品种替代更为昂贵的鱼类是违法的,违法者受金钱利益的驱使,导致了经济、健康和环境方面的消极后果。消费者和诚实的海产品供应商受到欺骗,花费很高的价格却购买了低成本、不理想的替代品。其中一种最常见被替代的较昂贵的鱼类是红绸鱼,其经常被罗非鱼冒充。此外,某些鱼类替代品对健康造成危害。例如,上述Oceana研究确定,90%以上以白金枪鱼为名宣传的实际上是玉梭鱼,其属于蛇鲭科类,含有已知可引起肠胃反应的毒素。最后,某些被假冒的鱼类可能是过度捕捞或濒危品种。其中一种所述鱼类为大西洋鳕鱼,在同一研究中发现,其由太平洋鳕鱼替代。
“从渔船到餐盘”的供应链复杂而又不规范,这使得此种违法活动难以追踪。打击鱼类假冒需要贯穿整个供应链的鱼类供应具有可追溯性,还要提高检测手段。DNA测试法用于上述检测耗时长而且只能在抽样基础上进行。DNA测试需要将鱼样本送到实验室然后等待结果,该过程可耗费数天方能完成。
Wong在美国专利5,539,207中公布了一种用傅里叶转换红外(FT-IR)光谱鉴别人体或动物组织的方法。其测量存疑组织的中红外光谱,然后与已知组织的红外光谱库进行比对,以找到最相近的匹配。视觉比较或者模式识别算法可以用于匹配红外光谱。这样,各种组织样本,甚至正常的或是恶性的(例如癌变的)组织均可以被鉴别。
Wong的方法不利之处是,其很难用于在现场条件下进行海产品鉴别的目的。FT-IR光谱仪是一种复杂而且体积很大的光学装置。其核心模块,扫描迈克尔逊干涉仪,采用高精度可移动的大型光学反射镜来执行波长扫描。为了保持镜面稳定,其采用了笨重的光具座。由于诸多精确的光学和机械部件,FT-IR光谱仪要求实验室级的环境,并且需要由训练有素的专业人员经常重新校准和重新对准。FT-IR光谱仪的使用受以下因素影响,即红外指纹的基本振动频率处于电磁波谱的2.5微米-5微米区域。上述振动频带为高分辨率和高吸收率级别,显示窄谱带的强吸收能力。
Monro在美国专利7,750,299中公布了一种用于活性生物波谱的系统,其中特定生物体的DNA膜经由频率可调的毫米波无线电发射器辐照,并且对已发射且被DNA膜散射的无线电波进行探测。Monro在文中教导了不同DNA膜的无线电波散射波谱是各不相同的。因此,被发射或散射的无线电波谱可以检测不同的DNA膜,此法可以与不同鱼类关联。这样,即可以鉴别鱼样本的品类。
Monro的方法不利之处是,其不适用于鱼样本本身,因为来自非DNA组织的信号会覆盖掉该DNA信号。鉴于此原因,必须先要提取鱼样本的DNA并形成膜才行。上述样本制备耗时较长,而且只能在实验室条件下完成。
Cole等人在美国专利7,728,296中公布了一种使用太赫(THz)辐射检测爆炸性材料的装置和方法。THz辐射占用红外线和毫米无线电波之间的频带。许多爆炸性材料在THz频域中具有独特的光谱特征,从而可以对爆炸物进行高灵敏度的无侵入、远程检测。但缺点是,THz辐射源体积巨大而且昂贵,这就限制了其当前在安全重点领域的应用,诸如机场安检。
现有技术的方法和装置看上去并不适合于在现场条件下进行海产品品类鉴别的目标。尚需一种方法和系统,能让食品和药品管理局(FDA)官员执行快速的、当场的海产品品类鉴别和表征,从而帮助该官员决定是否需要采取执法行动。普通人,诸如餐馆厨师、寿司店主顾及鱼市顾客,也可以受益于这种可能快速鉴别所购海产品品类的方法和系统。
发明内容
本发明的目的是提供一种用于海产品的现场光谱表征的方法和装置。
从技术立场出发,优选在易于电磁辐射生成、波长分离和检测电磁辐射的波段执行光谱测量。一种近红外(NIR)波段,例如0.7和2.5微米之间,即满足上述条件。宽带发光二极管以及甚至是小型白炽光源都可以用于在此波段中生成NIR光。多种光谱选择性元件(例如薄膜干涉滤光器)可用于波长分离。光电二极管阵列可用于NIR光的检测。
尽管在光谱的NIR部分工作便利,但现有技术却主要聚焦在波长更长而技术友好性较差的波段,因为大多数有机化合物的特征分子键的主振动频率对应于大于2.5微米(2500nm)的波长,从而需要使用笨重且体积巨大的设备以在上述较长波长处生成、波长分散及检测电磁辐射。本发明人认识到,多重振动频率,或所谓的泛频,确实落入了技术便利的NIR波段内,因而生物物质鉴别信息存在于NIR光谱中,虽然该信息因泛频的相对较低振幅和多重频率而被隐藏。
当来自光谱的光谱分析信息不方便使用或无法视觉识别时,先进的数据处理以及特征或模式提取和建模技术,诸如主成分分析(PCA)、软独立建模分类法(SIMCA)、偏最小二乘法判别分析(PLS-DA)和支持向量机(SVM),可以用于提取所需信息。因此,多变量模式识别和数据回归分析使得能够采用轻便且小体积的NIR光谱仪来进行海产品品类的鉴别和表征。
根据本发明,提供一种用于海产品样本的现场鉴定的方法,其包括:
(a)提供便携式NIR光谱仪;
(b)使用步骤(a)中所述的NIR光谱仪来获取该海产品样本的反射光谱;
(c)对步骤(b)中获取的海产品样本的反射光谱执行多变量模式识别分析,以通过将该反射光谱和与不同的海产品品类相对应的已知品类光谱库进行比对,确定具有最相似光谱模式的匹配光谱;并且
(d)基于在步骤(c)中所确定的具有最相似光谱模式的匹配光谱来识别该海产品样本。
上述模式识别算法也可以生成该鉴别结果的可能性的置信度量或概率估算。
根据本发明,还提供一种用于海产品样本的鲜度的现场测定的方法,其包括:
(a)提供便携式NIR光谱仪;
(b)使用步骤(a)中所述的NIR光谱仪来获取该海产品样本的反射光谱;
(c)对在步骤(b)中获取的海产品样本的反射光谱执行多变量模式识别分析,以通过将该反射光谱与海产品样本鲜度相对应的已知品类光谱库比对,确定具有最相似光谱模式的匹配光谱,从而给出该海产品样本的鲜度的数量测度。
该反射光谱可以从海产品样本上的多个位置获取,以减少该海产品样本的表面质地的影响。多变量回归分析可以包括例如偏最小二乘法(PLS)和支持向量回归(SVR)。
根据本发明,进一步提供一种用于海产品样本的现场鉴定的装置,其包括:
便携式NIR光谱仪,其用于获取海产品样本的NIR反射光谱,以及
分析器,其被可操作地耦合到该光谱仪,并被配置以执行对该海产品样本的反射光谱的多变量模式识别分析,以通过将该反射光谱和与不同的海产品品类相对应的已知品类光谱库进行比对,确定具有最相似光谱模式的匹配光谱,并基于该具有最相似光谱模式的匹配光谱来识别该海产品样本。
便携式NIR光谱仪可以包括耦合到光电二极管阵列的光谱横向可变光学透射滤光器,这导致其具有特别小巧且轻便的结构。移动通信设备可以被配置成与该NIR光谱仪进行通信,并且执行对该便携式NIR光谱仪所获取的反射光谱的多变量分析。此外,至少某些数据分析和光谱模式建模活动可以通过在与该移动设备进行通信的远程服务器处执行。
根据本发明的另一方面,进一步提供一种非暂时性的存储介质,其被设置在该移动通信设备中,并且所述存储介质具有在其上编码的已知品类光谱库。
附图说明
以下将结合附图对示例性实施例予以描述,其中:
图1是如本发明所述的用于海产品样本的现场鉴定的装置的三维示意图,图中叠加了由该装置测量的NIR反射光谱;
图2是图1所示装置的便携手持式NIR光谱仪的侧截面视图;
图3A是图2所示便携式NIR光谱仪的光检测子组件的侧截面视图;
图3B是在图3A所示光检测子组件中所采用的波长分散元件的侧截面视图;
图3C是图3B所示波长分散元件的透射光谱;
图3D是图2所示便携手持式NIR光谱仪的三维视图;
图4A是根据本发明的用于海产品样本的现场鉴定方法的流程图;
图4B是根据本发明的NIR光谱的示例性多变量分析的流程图;
图5A是本发明的装置的一个实施例的示意图,其中与NIR光谱仪进行无线通信的便携装置被用于分析由该NIR光谱仪所获取的NIR光谱;
图5B是本发明的装置的另一实施例的示意图,其中该便携装置被用于将已测量的NIR光谱转送到远程服务器,以执行多变量分析;
图6-8是在本发明的实验验证中使用的配对以进行彼此区别的海产品的彩色照片,其包括:羊鱼(red mullet)/鲻鱼(mullet)对(图6);冬鳕鱼/鳕鱼(皮和肉,图7);以及鲑鱼/鲑鳟鱼(皮和肉,图8);
图9是该装置的模型的彩色照片,图中正在测量鲑鳟鱼样本的NIR光谱;
图10A和10B分别是在实验验证中使用的较高质量的海产品和较低质量的海产品的数据采集与分析的流程图;
图11,14和17分别是羊鱼/鲻鱼对,冬鳕鱼/鳕鱼对以及鲑鱼/鲑鳟鱼对的所测量的漫反射光谱;
图12,15和18分别是羊鱼/鲻鱼对,冬鳕鱼/鳕鱼对以及鲑鱼/鲑鳟鱼对的主成分分析(PCA)模型的三维评分图;以及
图13A,B;16A,B;及19A,B分别是羊鱼/鲻鱼对,冬鳕鱼/鳕鱼对以及鲑鱼/鲑鳟鱼对的软独立建模分类法(SIMCA)分析的Coomans图。
具体实施方式
虽然结合各种实施例和示例对本文进行了描述,但并不意味着本发明受限于上述实施例。相反,本领域技术人员可以理解,本教导包括各种替代和等同方案。
如图1所示,用于海产品样本11的现场鉴定的装置10包括便携式NIR光谱仪12,其用于获取海产品样本11的NIR漫反射光谱13(信号功率P与波长λ的关系)。分析器14被可操作地耦合到(例如通过线缆15)光谱仪12。分析器14被配置为执行海产品样本11的反射光谱13的多变量分析,以确定至少一个与反射光谱13对应的特征参数。分析器14被配置为将至少一个参数与海产品样本11的品类相对应的阈值进行比对,用于确定海产品样本11的品类。该品类可在分析器14的显示器16上显示。上述至少一个参数可包括两个或多个参数。该两个参数可以在被称为Coomans图的XY坐标图上以点状图形表示。在Coomans图上的点的位置指示所获取的反射光谱13对应的海产品品类。多变量回归/模式识别分析和Coomans图将在下文中详述。首先考虑NIR光谱仪12的构造。
参考图2,NIR光谱仪12包括主体23,用以照明海产品样本11的白炽灯24,用以引导漫反射光36的锥形光管(TLP)25,用以将反射光36分离成单独的波长的横向可变滤光器(LVF)31,以及用以检测单独波长的光功率级别的光电探测器阵列37。该光电探测器阵列37在CMOS处理芯片37A中形成,并且通过透光粘合剂38被耦合到LVF31。提供电子板37B,以支持并控制CMOS处理芯片37A。提供可选的按钮21,以启动光谱采集。光电探测器阵列37与TLP25的纵轴LA垂直。
在操作中,白炽灯24照射海产品样本11。TLP 25收集漫反射光36,并将其导向LVF31。LVF 31将漫反射光36分离成单独波长,该单独波长由光电探测器阵列31检测到。可以通过按压按钮21开始测量周期,或者通过来自分析器14的外部命令来开始。
NIR光谱仪的小巧尺寸通过其光检测子组件29的结构而实现。参考图3A,光检测子组件29在XZ平面示出。在图3A中,光检测子组件29被翻转180度,如图2和3A右侧的Z轴方向所示。在图3A所示的优选实施例中,透光粘合剂38直接将光电探测器阵列37耦合到LVF 31上。该透光粘合剂38需要是:非导电的或本质上是电介质;机械中性的,达到良好的粘合强度同时对探测器阵列37存在诱导应力或破坏力;光学可兼容地传送所需的光谱内容;去除在空气与玻璃界面产生的反射;并且具有合理的热膨胀系数,以在固化和热循环期间,将对探测器像素52的应力降至最小。不透明环氧树脂22将LVF 31封装,这有助于除去杂散光并且防止LVF 31受潮。可选择在LVF 31的顶部放置玻璃窗,作为附加的环保之用。
参考图3B和3C,示出了LVF 31的操作状态。LVF 31在YZ平面示出,其中波长被分散。该LVF 31包括楔形垫片32,其夹在楔形的二向色镜33中间,以形成法布里-珀罗干涉仪,其中二向色镜33之间的横向间隔是可变的。光透射滤光片31的楔形使得其透射波长是横向可变的,如分别指向透射光谱35(图3C,在光透射滤光片31的下面被显示)的单独的透射峰值35A、35B和35C的箭头34A、34B和34C所示。在操作中,从海产品样本11上反射的多色光36照射到变光滤光片31,该滤光片将多色光36分离成单独的光谱成分,以箭头43A-34C示出。NIR光谱仪12的波长范围优选在700nm和2500nm之间,更优选在950nm和1950nm之间。
使用LVF 31和TLP 25使得NIR光谱仪12的尺寸明显缩小。NIR光谱仪12无需任何用于进行波长扫描的移动的部件。NIR光谱仪12的小重量(通常小于100g)允许将其直接放置于海产品样本11之上。体积小重量轻也使得NIR光谱仪12便于携带,比如放在食品检查人员的口袋里。NIR光谱仪12的尺寸在图3D中示出,其可以很容易地用手拿住,而按钮21的定位也方便拇指操作。
NIR光谱仪12当然也可以有很多变体。例如,白炽灯24可以用宽带发光二极管或LED灯来替换。TLP 25可以用其他光学元件代替,诸如光纤板或全息光束整形器。LVF31可以用其他适合的波长选择元件代替,诸如微型衍射光栅、二向色镜阵列、MEMS(微电子机械系统)装置等。
参照图4A,再进一步参照图1,用于海产品样本11的现场鉴定的方法40包括步骤41,即如上文所述提供便携式NIR光谱仪12。在步骤42中,使用NIR光谱仪12获取海产品样本11的反射光谱13。在步骤43中,执行海产品样本11的反射光谱13的多变量模式识别分析,通过将该反射光谱与不同的海产品品类对应的已知品类光谱库比对,以确定具有最相似光谱模式的匹配光谱。最后,在步骤44中,基于上述步骤43中确定的具有最相似光谱模式的匹配光谱来识别海产品样本11。
本文中,术语“匹配光谱”并非代表精确匹配,而是指,与已测的反射光谱13比较时,光谱库中具有与其最相似光谱模式的品类光谱。因此,“匹配”不必精准,最接近的匹配即可。上述匹配的接近度可以基于所采用的特定匹配评估方法进行计算。
本发明执行多变量模式识别分析43,以从反射光谱13中提取海产品品类信息。由于特征分子键的振动频率的大量泛频的存在,反射光谱13可以非常复杂,因而单独光谱峰值无法被视觉识别。根据本发明,多变量模式识别分析43,也叫做“化学计量学分析”,被用来进行海产品样本11的品类识别或鉴定。
优选地,测量步骤42包括在海产品样本11上的不同位置进行重复性光谱测量,并且计算重复测量的平均值,以便减少所获取的反射光谱对于海产品样本11的质地的相关性。反射光谱13的广义多元散射校正(EMSC)可以用于减少所获取的反射光谱13对于海产品样本11的散射特性的相关性。
反射光谱13也可以使用其他已知的统计方法进行预处理,例如在进行多变量模式识别分析步骤43之前,可以计算反射光谱13的标准正态变量(SNV)。反射光谱13中的光谱特征的斜率和/或拐点可以通过对反射光谱13执行Savitzky-Golay(卷积平滑)滤波,并且在多变量模式识别分析步骤43中计算反射光谱13的第一和/或第二导数来解释。其他统计方法,诸如反射光谱13的抽样方面正态化和/或通道方面自动调节比例,可以用于更方便地执行多变量模式识别分析步骤43,以及提供更为稳定的结果。
多变量模式识别分析43通常分为两个阶段进行。举例说明,参考图4B,并进一步参考图1,首先执行PCA步骤45,为需要鉴别的每个海产品品种限定校准模型。在测量海产品样本11之前,可以在装置10的校准阶段先进行PCA步骤45。在第二步骤46中,对已采集的反射光谱13与不同的海产品品类的校准模型之间的类似性进行分析。在所示实施例中,采用了软独立建模分类法(SIMCA)。作为该SIMCA步骤46的结果,两个参数被确定。该两个参数在XY坐标图(Coomans图)上标出,其不同区域对应不同的海产品品类。在某些情况下,仅需要一个参数,该参数可以与PCA步骤45中确定的阈值相比较,用以鉴定海产品样本11。也可以采用其他多变量模式识别分析方法。这些方法的示例在下文“实验验证”部分论述。
由于添加了计算机化移动通信设备诸如智能手机,因而有利的是可以使用移动通信设备来执行多变量模式识别分析步骤43(图4A和4B)。参考图5A,并进一步参考图1和4A,用于海产品样本11的现场鉴定的装置50A与图1中的装置10类似。区别在于,图5A的装置50A中配置有移动通信设备54,以执行图4A中的方法40的多变量分析步骤43及识别步骤44。为达此目的,该移动通信设备54可包括非暂时性存储介质58,其中具有编码的、与不同海产品品类相对应的已知品类光谱库,和/或计算机指令,所述计算机指令用于执行多变量模式识别/数据整理分析步骤43。移动通信设备54可以经由无线链接59,诸如蓝牙,或者有线的、诸如USB接口耦合到NIR光谱仪12,用于将已获取的反射光谱13传送到移动通信设备54。
参考图5B,并进一步参考图4A和5A,用于海产品样本现场鉴定的装置50B与图5A中的装置50A类似。图5B的装置50B包括远程服务器57,其经由RF通信链接56到达与互联网52连接的基站55,实现与移动通信设备54之间的通信。在操作中,反射光谱13从移动设备54被传送到远程服务器57,随之在远程服务器57执行多变量模式识别分析,即图4A中的方法40的步骤43。该多变量分析步骤43(图4A)的结果被传送回移动设备54(图5B),用于向用户(未示出)显示。识别步骤44(图4A)既可以由移动设备54执行,也可以由远程服务器57执行(图5B)。使用远程服务器的计算能力不占用移动通信设备上的资源,因此可以加快海产品鉴别的总体进程。
实验验证
进行了大量的实验,以证实通过采用NIR光谱学和多变量回归(化学计量学)分析的组合,可以鉴别外观相似但价格迥异的鱼类品种。参考图6-8,其采用了三组不同鱼类。第一组包括整条羊鱼60A和整条鲻鱼60B(图6),具有皮和肉(肉质未示出)。第二组包括:冬鳕鱼皮71A;鳕鱼皮71B;冬鳕鱼肉72A和鳕鱼肉72B。第三组包括:鲑鱼皮81A;鲑鳟鱼皮81B;鲑鱼肉82A和鲑鳟鱼肉82B。从图6-8的彩色照片可见,即便是海产品职业者诸如零售商或厨师,凭肉眼区分整鱼和鱼片都是极富挑战性的,更不必说普通的消费者了。在图6-8中,“A”组包括更昂贵品种60A、71A、72A、81A和82A,而“B”组包括相对便宜的品种60B、71B、72B、81B和82B。因此,用“B”品种代替“A”品种可以产生巨大的经济效益。
转到图9,在本发明的实验验证中所用的装置90包括MicroNIRTM 1700光谱仪92(其由美国加州苗比达市的JDS Uniphase公司制造)。该MicroNIR光谱仪92在950nm-1650nm的波长范围中操作。MicroNIR光谱仪92是一款低成本、超紧凑的便携式光谱仪,重量为60克,直径小于50mm。该光谱仪92以漫反射操作,并且构造与图3B中的光谱仪12相似,其包括用以照射海产品样本11的光源(未示出),分散元件(dispersing element)31,光电探测器阵列37以及电子器件(未示出),上述部件全部被包括在一个便携式小包内,其可以直接放置到海产品样本91上。光谱仪92经由线缆95被连接到笔记本电脑94,该电脑中运行由挪威奥斯陆CAMO AS提供的UnscramblerTM多变量分析软件(9.6版本)。对于每次反射谱测量,累计完成50次积分时间为5毫秒的扫描,这样每个反射光谱测量的总测量时间为0.25秒。
参考图10A和10B,流程图100A和100B描述了为鱼样本60A和60B、71A和71B、72A和72B、81A和81B、及82A和82B分别进行的光谱获取和PCA建模步骤。在步骤101A和101B中,为图6-8中的每个鱼样本60A和60B、71A和71B、72A和72B、81A和81B、及82A和82B分别提供了三个不同的单独片。对于羊鱼60A和60B、冬鳕鱼/鳕鱼71A和71B、72A和72B、鲑鱼/鲑鳟鱼81A和81B、82A和82B各对,其鱼皮反射光谱分别在步骤102A和102B中采集;而鱼肉反射光谱分别在步骤103A和103B中采集。从三个片的每一片的不同位置上获取10个NIR反射光谱,结果总计是,图6-8中每个鱼样本60A、60B、71A、71B、72A、72B、81A、81B、82A和82B均得到30个测量值。使用广义多元散射校正的标准方法对散射光谱进行校正。
因此,在步骤104A和104B中分别获取了每个鱼皮种类60A和60B、71A和71B、81A和81B的全部30个光谱。分别在步骤105A和105B中获取了每个鱼肉种类72A和72B、82A和82B的全部30个光谱。在步骤106A、107A和106B、107B中,分别按照每个种类的三个样本之中的每个样本的5个光谱一组,对光谱的平均值进行计算,结果每个样本得到2个平均光谱,每个样品种类(包括鱼皮和鱼肉)有6个平均光谱。进行平均计算可以减少所获取的反射光谱分别对于海产品样本60A;60B;71A;71B;72A;72B;81A;81B;82A和82B的质地的相关性。然后,在步骤108A、108B中,对于“A”和“B”样本分别创建PCA模型。执行SIMCA分析,以鉴别每个鱼样本的种类。每个鱼种类的结果以Coomans图的形式呈现。
羊鱼/鲻鱼对
参考图11,并进一步参考图6,羊鱼60A和鲻鱼60B的反射光谱以任意单位的反射信号与波数(为厘米倒数(cm-1))之间的关系示出,波数范围在10900cm-1至6000cm-1之间。包括6个羊鱼皮光谱和6个鲻鱼皮光谱的12个迹点在谱111上示出。分别包括6个羊鱼肉光谱和6个鲻鱼肉光谱的12个迹点在谱112上示出。可以看出,羊鱼皮和鲻鱼皮的光谱111彼此非常相似,而羊鱼肉和鲻鱼肉的光谱112彼此也非常相似,所以无法用肉眼区分上述两种鱼的光谱的差异,无论是鱼皮还是鱼肉。
转到图12,并进一步参考在图10A和10B,示出了PCA分析步骤108A、108B(图10B)的结果。在图12中,羊鱼皮的得分点121A与鲻鱼皮的得分点121B被充分分离,使得能够很容易进行鉴别,但是羊鱼肉的得分点122A与鲻鱼肉的得分点122B之间却没达到清晰分离。
现在参考图13A和13B,羊鱼/鲻鱼对的SIMCA分析结果以Coomans图的形式呈现,其显著性水平为5%。图13A示出了羊鱼样本鉴别的结果。灰色圆圈131A代表羊鱼样本校准值,包括皮和肉,其用于获取羊鱼的品类光谱;白色圆圈131B代表鲻鱼样本校准值,包括皮和肉,其用于获取鲻鱼的品类光谱;而黑色实心圆圈132代表测试样本。全部4个黑色圆圈对应一个羊鱼皮样本和一个羊鱼肉样本,每个样本以2个平均光谱表示。图13B示出了鲻鱼样本鉴别的结果。黑色实心圆圈133代表两个测试样本。全部8个黑色实心圆圈133对应于两个鲻鱼皮样本和两个鲻鱼肉样本,如上文所述每个样本以2个平均光谱表示。
两个参数“至羊鱼的距离”和“至鲻鱼的距离”中仅其中一个参数可以用于与阈值进行比对。例如,如果采用了“至鲻鱼的距离”,阈值约为0.01。如果采用了“至羊鱼的距离”,则阈值约为0.0008。从图13A和13B可以看出,羊鱼,包括皮和肉,都很易鉴别。因而,将鱼样本剥皮也不能让潜在的恶徒隐藏其以鲻鱼替换羊鱼的违法行径。
冬鳕鱼/鳕鱼对
参考图14,并进一步参考图7,冬鳕鱼皮71A、冬鳕鱼肉72A,鳕鱼皮71B和鳕鱼肉72B(图7)的反射光谱以任意单位的反射信号与波数(为厘米倒数(cm-1))的关系示出,波数范围在10900cm-1至6000cm-1之间。包括6个冬鳕鱼皮光谱和6个鳕鱼皮光谱的12个迹点在谱141上示出。分别包括6个冬鳕鱼肉光谱和6个鳕鱼肉光谱的12个迹点在谱142上示出。可以看出,冬鳕鱼皮和鳕鱼皮的光谱141彼此非常相似,而冬鳕鱼肉和鳕鱼肉的光谱142彼此也非常相似,所以无法用肉眼区分上述两种鱼光谱的差异,鱼皮和鱼肉样本均包括在内。
转到图15,并进一步参考图10A和10B,其示出了PCA分析步骤108A、108B(图10B)的结果。在图15中,冬鳕鱼皮的得分点151A与鳕鱼皮的得分点151B彼此夹杂,而冬鳕鱼肉的得分点152A与鳕鱼肉的得分点152B也呈现互相掺混,所以在本阶段无法做出清楚区分。
现在参考图16A和16B,冬鳕鱼/鳕鱼对的SIMCA分析结果以Coomans图的形式呈现,其显著性水平为5%。图16A示出了鳕鱼样本鉴别的结果。灰色圆圈161A代表冬鳕鱼样本校准值,包括皮和肉,其用于获取冬鳕鱼的品类光谱;白色实心圆圈161B代表鳕鱼样本校准值,包括皮和肉,其用于获取鳕鱼的品类光谱;而黑色实心圆圈162代表测试样本。全部8个黑色圆圈对应于两个鳕鱼皮样本和两个鳕鱼肉样本,如上文所述每个样本以2个平均光谱表示。图16B示出了冬鳕鱼样本鉴别的结果。黑色实心圆圈163代表一个测试样本。全部4个黑色圆圈163对应一个冬鳕鱼皮样本和一个冬鳕鱼肉样本,每个样本以2个平均光谱表示。从图16A和16B可见,冬鳕鱼,包括皮和肉,都易于鉴别并与鳕鱼区分开。
鲑鱼/鲑鳟鱼
参考图17,并进一步参考图8,鲑鱼皮81A、鲑鱼肉82A,鲑鳟鱼皮81B和鲑鳟鱼肉82B(图8)的反射光谱以任意单位的反射信号与波数(为厘米倒数(cm-1))的关系示出,波数范围在10900cm-1至6000cm-1之间。包括6个鲑鱼皮光谱和6个鲑鳟鱼皮光谱的12个迹点在谱171上示出。分别包括6个鲑鱼肉光谱和6个鲑鳟鱼肉光谱的12个迹点在谱172上示出。可以看出,鲑鱼皮和鲑鳟鱼皮的光谱171彼此非常相似,而鲑鱼肉和鲑鳟鱼肉的光谱172彼此也非常相似,所以无法用肉眼区分上述两种鱼光谱的差异,鱼皮和鱼肉样本均包括在内。
转到图18,并进一步参考图10A和10B,其示出了PCA分析步骤108A、108B(图10B)的结果。在图18中,鲑鱼皮的得分点181A与鲑鳟鱼皮的得分点181B彼此夹杂,而鲑鱼肉的得分点182A与鲑鳟鱼肉的得分点182B也呈现互相掺混,所以本阶段无法做出清楚区分。
现在参考图19A和19B,鲑鱼/鲑鳟鱼对的SIMCA分析结果以Coomans图的形式呈现,其显著性水平为5%。图19A示出了鲑鳟鱼样本鉴别的结果。灰色圆圈191A代表鲑鱼样本校准值,包括皮和肉,其用于获取鲑鱼的个性光谱;白色实心圆圈191B代表鲑鳟鱼样本校准值,包括皮和肉,其用于获取鲑鳟鱼的个性光谱;而黑色实心圆圈192代表测试样本。全部8个黑色圆圈对应于两个鲑鳟鱼皮样本和两个鲑鳟鱼肉样本,每个样本以2个平均光谱表示。图19B示出了鲑鱼样本鉴别的结果。黑色实心圆圈193代表两个测试样本。全部4个黑色圆圈193对应于两个鲑鱼皮样本和两个鲑鱼肉样本,每个样本以2个平均光谱表示。从图19A和19B可见,鲑鱼,包括皮和肉,都易于鉴别并与鲑鳟鱼区分开。
鱼片新鲜度
对于鱼片反射光谱已经进行过大量研究,其中众所周知的多变量分析方法可用于区别鱼片间的不同的鲜度状态。
下文的表1总结了在标准台式计算机上执行的鲻鱼和羊鱼的各种替代匹配方法与预测成功率的对应。光谱在被传送到多变量模式分类器之前经过自动调节比例。表1的最后一列给出了创建预测模型所用的时间。基于现有模型进行预测的耗时一般在毫秒范围内。当需要进行原位模型更新时,建模所用时间可以成为重要的因数。在现场,使用地点应用、测量速度和得出结果的速度非常重要,时间尽可能短。此外,结果的准确度也很重要。从表1可见,诸如SVM(带线性内核)的方法在最短时间给出最好的准确度。
表1
方法名称 | 预测成功率 | 建模时间 |
朴素贝叶斯分类器 | 83.3% | <0.1秒 |
分类与回归树(CART) | 75% | <0.1秒 |
袋装决策树的TreeBagger实施 | 83.3% | 0.3秒 |
LIBLINEAR线性分类器 | 81.7% | <0.1秒 |
具有线性内核的支持向量机(SVM) | 93.3% | <0.1秒 |
支持向量机径向基核函数(SVM-RBF) | 81.7% | <0.1秒 |
线性判别分析(LDA) | 85% | <0.1秒 |
二次判别分析(QDA) | 85% | <0.1秒 |
偏最小二乘判别分析(PLS-DA) | 86.7% | 44秒 |
SIMCA | 88.3% | 1秒 |
下面,对表1的数值法仅做简要讨论,因为这些方法在本领域已为人们所熟知。每种方法都有其优点。在朴素贝叶斯方法中,假定全部特征彼此独立,结果可以很容易解读。CART法也易于理解和解释,不过,由数值数据集创建的树可以很复杂,该方法往往存在过拟合问题。TreeBagger分析和随机森林分析法通常给出非常好的结果,并且该方法的“培训”步骤相对较快。LIBLINEAR法在辨别海产品品类和状态方面非常有效。带有线性内核的SVM法,其包括用于定性分析的支持向量分类(SVC)和用于定量分析的支持向量回归(SVR),结果是其预测成功率超过93%。在LDA法中,假定全部类别具有完全相同的协方差矩阵并且以正态分布,判别函数总是线性的。在QDA法中,类别不必要具有完全相同的协方差矩阵,但仍假定正态分布。偏最小二乘法(PLS)是统计学方法,其与主成分回归相关;该方法通过将预测变量和可观测变量投射到一个新空间来认定线性回归模型,而不是认定响应变量和自变量之间的最小方差的超平面。当Y是绝对的时,偏最小二乘判别分析(PLS-DA)作为变量使用。PLS-DA法导致85-87%的中等预测率。
结果表明,朴素贝叶斯、袋装决策树、SVM线性、LDA、QDA、PLS-DA和SIMCA可在以NIR反射光谱与海产品样本关联为目的的多变量分析中使用。已获取光谱的第一和第二导数也可以用于代替光谱的预处理或作为光谱的预处理的补充,作为输入数据串用于多变量分析。
用于实现关于在此公布的各方面所描述的各种说明性的逻辑算法、逻辑区块、模块和电路的硬件,可以由通用型处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其他可编程逻辑装置、离散门或晶体管逻辑、离散硬件组件或者上述任意组合来实现或执行。通用型处理器可以是微处理器,然而,可替代地,该处理器也可以是任意常规处理器、控制器、微控制器或状态机。处理器也可以以计算设备的组合的形式来实现,例如DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP内核,或者任意其他类似配置。可替代地,某些步骤或方法可以由特定于给定功能的电路来执行。
前文中对于本发明的一个或多个实施例的描述仅以说明和描述为目的,并不意味着本发明已经表述穷尽或者受限于上述公开的准确形式。按照上述教导还可能进行许多修正和变更。本发明的范围不受上述详细说明的限制,而是由后附权利要求限定。
Claims (19)
1.一种用于海产品的光谱表征的系统,包括:
用于接收与第一种类海产品和第二种类海产品相关联的信息的装置;
用于确定所述第一种类海产品的第一多个光谱和所述第二种类海产品的第二多个光谱的装置;
用于对所述第一多个光谱执行第一操作以生成修正的第一多个光谱的装置,其中,所述第一操作包括:将所述第一多个光谱平均分组,计算每组光谱的平均值,获得所述第一种类海产品样本的平均光谱,其中所述第一种类海产品样本的平均光谱对应于第一种类海产品的已知品类光谱;
用于对所述第二多个光谱执行第二操作以生成修正的第二多个光谱的装置,其中,所述第二操作包括:将所述第二多个光谱平均分组,计算每组光谱的平均值,获得所述第二种类海产品样本的平均光谱,其中所述第二种类海产品样本的平均光谱对应于第二种类海产品的已知品类光谱;
用于基于执行所述第一操作和所述第二操作来生成模型的装置,
与所述模型相关联的信息用于由一与所述系统不同的设备基于由光谱仪获得的反射光谱来识别海产品样本,并且
所述光谱仪与所述系统分离;
其中,所述第一种类海产品和所述第二种类海产品是不同的品类;
其中,海产品样本通过以下方式来识别:执行所述海产品样本的反射光谱的多变量模式识别分析,通过将所述海产品样本的所述反射光谱与已知品类光谱库比对,以确定具有最相似光谱模式的匹配光谱,其中所述已知品类光谱库包括所述第一种类海产品的已知品类光谱和所述第二种类海产品的已知品类光谱;基于所确定的具有最相似光谱模式的匹配光谱来识别所述海产品样本。
2.根据权利要求1所述的系统,其中
所述第一种类海产品和所述第二种类海产品具有相似的视觉特征,
所述第一种类海产品是第一品类,和
所述第二种类海产品是第二品类。
3.根据权利要求1所述的系统,其中
所述第一多个光谱包括所述第一种类海产品的第一特征的第一批量光谱和所述第一种类海产品的第二特征的第二批量光谱,以及
所述第二多个光谱包括所述第二种类海产品的第一特征的第三批量光谱和所述第二种类海产品的第二特征的第四批量光谱。
4.根据权利要求1所述的系统,还包括:
用于接收与多个其他种类海产品相关联的信息的装置,所述多个其他种类海产品中的每个其他种类海产品与所述第一种类海产品不同,并且与所述第二种类海产品不同;
用于生成每个其他种类海产品的多个光谱的装置;和
用于对每个其他种类海产品的所述多个光谱执行操作、以生成每个其他种类海产品的修正的多个光谱的装置,与每个其他种类海产品的所述修正的多个光谱相关联的信息被包括在所述模型中。
5.根据权利要求1所述的系统,还包括:
用于使用与所述模型相关联的信息对所述海产品样本执行多变量模式识别分析的装置;和
用于基于所述执行多变量模式识别分析、将所述多变量模式识别分析的结果发送给另一装置以进行显示的装置。
6.根据权利要求1所述的系统,其中与所述海产品样品相关联的信息是使用光谱仪获得的。
7.根据权利要求1所述的系统,还包括:
用于使用与所述模型相关联的信息来识别与所述海产品样本相关联的海产品种类的装置。
8.一种用于海产品的光谱表征的方法,包括:
使用装置接收与第一种类海产品和第二种类海产品相关联的信息;
使用所述装置确定所述第一种类海产品的第一多个光谱和所述第二种类海产品的第二多个光谱;
使用所述装置对所述第一多个光谱执行第一操作,以生成修正的第一多个光谱,其中,所述第一操作包括:将所述第一多个光谱平均分组,计算每组光谱的平均值,获得所述第一种类海产品样本的平均光谱,其中所述第一种类海产品样本的平均光谱对应于第一种类海产品的已知品类光谱;
使用所述装置对所述第二多个光谱执行第二操作,以生成修正的第二多个光谱,其中,所述第二操作包括:将所述第二多个光谱平均分组,计算每组光谱的平均值,获得所述第二种类海产品样本的平均光谱,其中所述第二种类海产品样本的平均光谱对应于第二种类海产品的已知品类光谱;和
使用所述装置并基于执行所述第一操作和所述第二操作来生成模型,
与所述模型相关联的信息用于由一不同的装置基于由光谱仪获得的反射光谱来识别海产品样本,并且
所述光谱仪与所述装置分离;
其中,所述第一种类海产品和所述第二种类海产品是不同的品类;
其中,海产品样本通过以下方式来识别:执行所述海产品样本的反射光谱的多变量模式识别分析,通过将所述海产品样本的所述反射光谱与已知品类光谱库比对,以确定具有最相似光谱模式的匹配光谱,其中所述已知品类光谱库包括所述第一种类海产品的已知品类光谱和所述第二种类海产品的已知品类光谱;基于所确定的具有最相似光谱模式的匹配光谱来识别所述海产品样本。
9.根据权利要求8所述的方法,其中
所述第一种类海产品和所述第二种类海产品具有相似的视觉特征,
所述第一种类海产品是第一品类,和
所述第二种类海产品是第二品类。
10.根据权利要求8所述的方法,其中
所述第一多个光谱包括所述第一种类海产品的第一特征的第一批量光谱和所述第一种类海产品的第二特征的第二批量光谱,和
所述第二多个光谱包括所述第二种类海产品的第一特征的第三批量光谱和所述第二种类海产品的第二特征的第四批量光谱。
11.根据权利要求8所述的方法,还包括:
接收与多个其他种类海产品相关联的信息,所述多个其他种类海产品中的每个其他种类海产品与所述第一种类海产品不同,并且与所述第二种类海产品不同;
生成每个其他种类海产品的多个光谱;和
对每个其他种类海产品的所述多个光谱执行操作,以生成每个其他种类海产品的修正的多个光谱,与每个其他种类海产品的所述修正的多个光谱相关联的信息被包括在所述模型中。
12.根据权利要求8所述的方法,
其中,使用与所述模型相关联的所述信息对所述海产品样本执行所述多变量模式识别分析;以及
所述方法还包括:基于所述执行多变量模式识别分析,将所述多变量模式识别分析的结果发送给另一装置以进行显示。
13.根据权利要求8所述的方法,其中与所述海产品样品相关联的信息是使用光谱仪获得的。
14.一种非暂时性计算机可读介质,所述介质上存储有指令,所述指令包括:
一个或多个指令,所述指令被装置的处理器执行时,使所述处理器执行以下操作:
接收与第一种类海产品和第二种类海产品相关联的信息;
确定所述第一种类海产品的第一多个光谱和所述第二种类海产品的第二多个光谱;
对所述第一多个光谱执行第一操作,以生成修正的第一多个光谱,其中,所述第一操作包括:将所述第一多个光谱平均分组,计算每组光谱的平均值,获得所述第一种类海产品样本的平均光谱,其中所述第一种类海产品样本的平均光谱对应于第一种类海产品的已知品类光谱;
对所述第二多个光谱执行第二操作,以生成修正的第二多个光谱,其中,所述第二操作包括:将所述第二多个光谱平均分组,计算每组光谱的平均值,获得所述第二种类海产品样本的平均光谱,其中所述第二种类海产品样本的平均光谱对应于第二种类海产品的已知品类光谱;和
基于执行所述第一操作和所述第二操作来生成模型,
与所述模型相关联的信息用于由一不同的装置基于由光谱仪获得的反射光谱来识别海产品样本,并且
所述光谱仪与所述装置分离;
其中,所述第一种类海产品和所述第二种类海产品是不同的品类;
其中,海产品样本通过以下方式来识别:执行所述海产品样本的反射光谱的多变量模式识别分析,通过将所述海产品样本的所述反射光谱与已知品类光谱库比对,以确定具有最相似光谱模式的匹配光谱,其中所述已知品类光谱库包括所述第一种类海产品的已知品类光谱和所述第二种类海产品的已知品类光谱;基于所确定的具有最相似光谱模式的匹配光谱来识别所述海产品样本。
15.根据权利要求14所述的非暂时性计算机可读介质,其中所述第一多个光谱包括所述第一种类海产品的第一特征的第一批量光谱和所述第一种类海产品的第二特征的第二批量光谱,以及
所述第二多个光谱包括所述第二种类海产品的第一特征的第三批量光谱和所述第二种类海产品的第二特征的第四批量光谱。
16.根据权利要求14所述的非暂时性计算机可读介质,其中所述指令还包括:
用以接收与多个其他种类海产品相关联的信息的一个或多个指令,其中所述多个其他种类海产品中的每个其他种类海产品与所述第一种类海产品不同,并且与所述第二种类海产品不同;
用以生成每个其他种类海产品的多个光谱的一个或多个指令;和
用以对每个其他种类海产品的所述多个光谱执行操作、以生成每个其他种类海产品的修正的多个光谱的一个或多个指令,与每个其他种类海产品的所述修正的多个光谱相关联的信息被包括在所述模型中。
17.根据权利要求14所述的非暂时性计算机可读介质,其中所述指令还包括:
用以使用与所述模型相关联的信息对所述海产品样本执行多变量模式识别分析的一个或多个指令;和
用以基于所述执行多变量模式识别分析、将所述多变量模式识别分析的结果发送给另一装置以进行显示的一个或多个指令。
18.根据权利要求14所述的非暂时性计算机可读介质,其中与所述海产品样品相关联的信息是使用光谱仪获得的。
19.根据权利要求14所述的非暂时性计算机可读介质,其中所述指令还包括:
用以使用与所述模型相关联的信息来识别与所述海产品样本相关联的海产品种类的一个或多个指令。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201361804106P | 2013-03-21 | 2013-03-21 | |
US61/804,106 | 2013-03-21 | ||
PCT/US2014/031369 WO2014165331A1 (en) | 2013-03-21 | 2014-03-20 | Spectroscopic characterization of seafood |
CN201480017241.5A CN105190261B (zh) | 2013-03-21 | 2014-03-20 | 海产品的光谱法表征 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480017241.5A Division CN105190261B (zh) | 2013-03-21 | 2014-03-20 | 海产品的光谱法表征 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107884340A CN107884340A (zh) | 2018-04-06 |
CN107884340B true CN107884340B (zh) | 2022-04-01 |
Family
ID=51659131
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711155221.6A Active CN107884340B (zh) | 2013-03-21 | 2014-03-20 | 海产品的光谱法表征 |
CN201480017241.5A Active CN105190261B (zh) | 2013-03-21 | 2014-03-20 | 海产品的光谱法表征 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480017241.5A Active CN105190261B (zh) | 2013-03-21 | 2014-03-20 | 海产品的光谱法表征 |
Country Status (6)
Country | Link |
---|---|
US (3) | US9316628B2 (zh) |
EP (1) | EP2976605B1 (zh) |
CN (2) | CN107884340B (zh) |
HK (2) | HK1221010A1 (zh) |
TW (3) | TWI629464B (zh) |
WO (1) | WO2014165331A1 (zh) |
Families Citing this family (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014532873A (ja) | 2011-11-03 | 2014-12-08 | ベリフード リミテッド | エンドユーザ食品分析のための低費用分光分析システム |
US9885655B2 (en) | 2012-11-13 | 2018-02-06 | Viavi Solutions Inc. | Spectrometer with a relay lightpipe |
EP3722758B1 (en) * | 2012-11-13 | 2023-11-01 | Viavi Solutions Inc. | Portable spectrometer |
TWI629464B (zh) | 2013-03-21 | 2018-07-11 | 唯亞威方案公司 | 用於識別一海產樣本之方法及裝置與用於判定一海產樣本之鮮度之方法 |
CN105593651B (zh) | 2013-08-02 | 2019-06-07 | 威利食品有限公司 | 光谱测定系统和方法、光谱设备和系统 |
EP3090239A4 (en) | 2014-01-03 | 2018-01-10 | Verifood Ltd. | Spectrometry systems, methods, and applications |
EP3209983A4 (en) | 2014-10-23 | 2018-06-27 | Verifood Ltd. | Accessories for handheld spectrometer |
WO2016125164A2 (en) | 2015-02-05 | 2016-08-11 | Verifood, Ltd. | Spectrometry system applications |
WO2016125165A2 (en) | 2015-02-05 | 2016-08-11 | Verifood, Ltd. | Spectrometry system with visible aiming beam |
US10066990B2 (en) | 2015-07-09 | 2018-09-04 | Verifood, Ltd. | Spatially variable filter systems and methods |
WO2017020000A1 (en) * | 2015-07-30 | 2017-02-02 | The Research Foundation For The State University Of New York | Spectroscopic methods for body fluid age determination |
US10203246B2 (en) | 2015-11-20 | 2019-02-12 | Verifood, Ltd. | Systems and methods for calibration of a handheld spectrometer |
EP3488204A4 (en) | 2016-07-20 | 2020-07-22 | Verifood Ltd. | ACCESSORIES FOR HANDLABLE SPECTROMETERS |
US10791933B2 (en) | 2016-07-27 | 2020-10-06 | Verifood, Ltd. | Spectrometry systems, methods, and applications |
CN106560697A (zh) * | 2016-10-20 | 2017-04-12 | 中国计量大学 | 联合近红外光谱和微量元素的武夷岩茶产地鉴别方法 |
CN106560698A (zh) * | 2016-10-20 | 2017-04-12 | 中国计量大学 | 基于多种检测技术的植物产地鉴别方法 |
EP3381368A1 (en) | 2017-03-27 | 2018-10-03 | Samsung Electronics Co., Ltd. | Method of enabling feature extraction for glucose monitoring using near-infrared (nir) spectroscopy |
KR102491854B1 (ko) | 2017-09-29 | 2023-01-26 | 삼성전자주식회사 | 분광기 |
DE102018103509B3 (de) | 2017-10-11 | 2018-12-13 | Carl Zeiss Spectroscopy Gmbh | Mobiles Inhaltsstoffanalysesystem sowie Verfahren zur probenrichtigen Messung und Nutzerführung mit diesem |
WO2019102400A1 (en) * | 2017-11-22 | 2019-05-31 | Cti Srl | System and process for the recognition, characterization and classification of foods and nutrients in foods |
CN111465828B (zh) * | 2017-12-13 | 2023-06-09 | 特里纳米克斯股份有限公司 | 光谱仪设备及系统 |
CN108254324B (zh) * | 2017-12-18 | 2020-09-22 | 中国农业大学 | 一种蟹肉新鲜度快速检测方法及装置 |
CN108489927A (zh) * | 2018-01-24 | 2018-09-04 | 仲恺农业工程学院 | 鱼类产地溯源方法、电子设备、存储介质及装置 |
US11009452B2 (en) * | 2018-01-26 | 2021-05-18 | Viavi Solutions Inc. | Reduced false positive identification for spectroscopic quantification |
US10810408B2 (en) | 2018-01-26 | 2020-10-20 | Viavi Solutions Inc. | Reduced false positive identification for spectroscopic classification |
US11656174B2 (en) | 2018-01-26 | 2023-05-23 | Viavi Solutions Inc. | Outlier detection for spectroscopic classification |
EP3561486A1 (en) | 2018-04-27 | 2019-10-30 | CERAGOS Electronics et Nature | Portative optical system for detection of chemical substances at trace levels in foods and liquids |
KR102627146B1 (ko) | 2018-07-20 | 2024-01-18 | 삼성전자주식회사 | 스펙트럼 처리 장치 및 방법 |
JP7424607B2 (ja) * | 2019-09-30 | 2024-01-30 | 国立大学法人 奈良先端科学技術大学院大学 | 植物センシングデバイスおよびリアルタイム植物モニタリングシステム |
CN115380518A (zh) | 2020-03-18 | 2022-11-22 | 特里纳米克斯股份有限公司 | 通信系统、监视系统及相关方法 |
AU2021238642A1 (en) | 2020-03-18 | 2022-10-06 | Basf Se | Communication system, monitoring system and related methods |
US20220397458A1 (en) * | 2021-06-10 | 2022-12-15 | Si-Ware Systems | Mass screening biological detection solutions |
TWI823135B (zh) * | 2021-08-27 | 2023-11-21 | 國立臺北科技大學 | 光譜感測裝置遠端功能擴充系統 |
US20230101936A1 (en) * | 2021-09-27 | 2023-03-30 | Purdue Research Foundation | Label-free food analysis and molecular detection |
FR3127805A1 (fr) * | 2021-10-01 | 2023-04-07 | Plas'tri | Procédé d'identification d'un type de matériau dans un matériau cible |
CN114460244A (zh) * | 2022-01-17 | 2022-05-10 | 上海海洋大学 | 一种检测暗纹东方鲀质构的方法 |
CN114460035A (zh) * | 2022-02-25 | 2022-05-10 | 广西小研人生物科技有限公司 | 一种快速检测海洋头足类食品新鲜度的方法 |
Family Cites Families (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5539207A (en) | 1994-07-19 | 1996-07-23 | National Research Council Of Canada | Method of identifying tissue |
US6560352B2 (en) * | 1999-10-08 | 2003-05-06 | Lumidigm, Inc. | Apparatus and method of biometric identification or verification of individuals using optical spectroscopy |
US6697654B2 (en) * | 1999-07-22 | 2004-02-24 | Sensys Medical, Inc. | Targeted interference subtraction applied to near-infrared measurement of analytes |
CA2380099A1 (en) * | 1999-07-28 | 2001-02-08 | Marine Harvest Norway As | Method and apparatus for determining quality properties of fish |
US20030032064A1 (en) * | 2001-03-01 | 2003-02-13 | Umass/Worcester | Correction of spectra for subject diversity |
CA2443098A1 (en) | 2001-04-13 | 2002-10-24 | Cargill, Incorporated | Processes for evaluating agricultural and/or food materials; applications; and, products |
GB2399626B (en) | 2003-03-21 | 2006-04-05 | Teraview Ltd | Spectroscopy apparatus and associated technique |
US7321791B2 (en) * | 2003-09-23 | 2008-01-22 | Cambridge Research And Instrumentation, Inc. | Spectral imaging of deep tissue |
US7420663B2 (en) * | 2005-05-24 | 2008-09-02 | Bwt Property Inc. | Spectroscopic sensor on mobile phone |
WO2006133304A2 (en) * | 2005-06-08 | 2006-12-14 | Massachusetts Institute Of Technology | Continuous, continental-shelf-scale monitoring of fish populations and behavior |
WO2007000165A1 (en) | 2005-06-27 | 2007-01-04 | Sfk Technology A/S | Online recording of wavelength absorption spectra in meat |
US8437582B2 (en) * | 2005-12-22 | 2013-05-07 | Palo Alto Research Center Incorporated | Transmitting light with lateral variation |
US20070262257A1 (en) | 2006-05-11 | 2007-11-15 | Monro Donald M | Passive biometric spectroscopy |
US7750299B2 (en) | 2006-09-06 | 2010-07-06 | Donald Martin Monro | Active biometric spectroscopy |
CN100480680C (zh) | 2007-05-22 | 2009-04-22 | 浙江大学 | 多光谱肉类新鲜度人工智能测量方法及系统 |
WO2009070459A1 (en) * | 2007-11-30 | 2009-06-04 | Jingyun Zhang | Miniature spectrometers working with cellular phones and other portable electronic devices |
US8724829B2 (en) * | 2008-10-24 | 2014-05-13 | Qualcomm Incorporated | Systems, methods, apparatus, and computer-readable media for coherence detection |
WO2010079388A1 (en) * | 2009-01-07 | 2010-07-15 | Koninklijke Philips Electronics N.V. | Intelligent controllable lighting networks and schemata therefore |
GB0908027D0 (en) * | 2009-05-08 | 2009-06-24 | Zinir Ltd | Spetrophotometer with no moving parts |
CN101620178B (zh) * | 2009-06-19 | 2011-02-16 | 广东省药品检验所 | 基于近红外光谱技术快速检测中成药、保健食品或食品中添加化学成分的方法 |
US8384851B2 (en) * | 2010-01-11 | 2013-02-26 | 3M Innovative Properties Company | Reflective display system with enhanced color gamut |
WO2012001566A1 (en) * | 2010-06-30 | 2012-01-05 | Koninklijke Philips Electronics N.V. | Methods and apparatus for capturing ambience |
TWI566816B (zh) | 2010-12-16 | 2017-01-21 | 百克莎塔股份有限公司 | 利用阻抗光譜學即時監視及控制蛋白質製造方法 |
JP2014532873A (ja) * | 2011-11-03 | 2014-12-08 | ベリフード リミテッド | エンドユーザ食品分析のための低費用分光分析システム |
TWI629464B (zh) | 2013-03-21 | 2018-07-11 | 唯亞威方案公司 | 用於識別一海產樣本之方法及裝置與用於判定一海產樣本之鮮度之方法 |
JP2015232543A (ja) * | 2014-05-15 | 2015-12-24 | パナソニック株式会社 | 魚の鮮度推定方法及び鮮度推定装置 |
-
2014
- 2014-03-20 TW TW103110534A patent/TWI629464B/zh active
- 2014-03-20 WO PCT/US2014/031369 patent/WO2014165331A1/en active Application Filing
- 2014-03-20 TW TW108148694A patent/TWI749437B/zh active
- 2014-03-20 CN CN201711155221.6A patent/CN107884340B/zh active Active
- 2014-03-20 TW TW107118926A patent/TWI683093B/zh active
- 2014-03-20 EP EP14779143.8A patent/EP2976605B1/en active Active
- 2014-03-20 CN CN201480017241.5A patent/CN105190261B/zh active Active
- 2014-03-21 US US14/222,216 patent/US9316628B2/en active Active
-
2016
- 2016-04-18 US US15/131,654 patent/US10401284B2/en active Active
- 2016-07-27 HK HK16108979.0A patent/HK1221010A1/zh unknown
-
2018
- 2018-07-04 HK HK18108676.4A patent/HK1249178A1/zh unknown
-
2019
- 2019-07-31 US US16/527,712 patent/US10976246B2/en active Active
Non-Patent Citations (2)
Title |
---|
Non-destructive Visible/NIR Spectroscopy for Differentiation of Fresh and Frozen-thawed Fish;Musleh Uddin等;《Journal of Food Science》;20051006;第70卷(第8期);摘要,第C507页左栏第1-3段、右栏第2段,图4 * |
基于近红外光谱技术的大麻哈鱼品种快速鉴别研究;王幸幸等;《食品工业》;20120630;第33卷(第6期);第132页右栏倒数第2段,第133页左栏第1-2段、右栏第2-4段,第134页左栏第1段 * |
Also Published As
Publication number | Publication date |
---|---|
EP2976605A1 (en) | 2016-01-27 |
TW201504614A (zh) | 2015-02-01 |
HK1249178A1 (zh) | 2018-10-26 |
US10401284B2 (en) | 2019-09-03 |
CN105190261A (zh) | 2015-12-23 |
CN107884340A (zh) | 2018-04-06 |
US20190353587A1 (en) | 2019-11-21 |
EP2976605B1 (en) | 2023-11-01 |
TW202014681A (zh) | 2020-04-16 |
HK1221010A1 (zh) | 2017-05-19 |
CN105190261B (zh) | 2017-12-22 |
TWI749437B (zh) | 2021-12-11 |
TWI683093B (zh) | 2020-01-21 |
US10976246B2 (en) | 2021-04-13 |
TWI629464B (zh) | 2018-07-11 |
EP2976605A4 (en) | 2016-11-16 |
WO2014165331A1 (en) | 2014-10-09 |
US20160231237A1 (en) | 2016-08-11 |
US9316628B2 (en) | 2016-04-19 |
TW201831868A (zh) | 2018-09-01 |
US20150204833A1 (en) | 2015-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107884340B (zh) | 海产品的光谱法表征 | |
Dixit et al. | Developments and challenges in online NIR spectroscopy for meat processing | |
Lu et al. | Innovative hyperspectral imaging-based techniques for quality evaluation of fruits and vegetables: A review | |
Naganathan et al. | Visible/near-infrared hyperspectral imaging for beef tenderness prediction | |
Lohumi et al. | A review of vibrational spectroscopic techniques for the detection of food authenticity and adulteration | |
Kumar et al. | Spectral analysis: A rapid tool for species detection in meat products | |
Nolasco Perez et al. | Classification of chicken parts using a portable near-infrared (NIR) spectrophotometer and machine learning | |
Jiang et al. | Hyperspectral imaging for a rapid detection and visualization of duck meat adulteration in beef | |
Iqbal et al. | An overview on principle, techniques and application of hyperspectral imaging with special reference to ham quality evaluation and control | |
JP2017505901A5 (zh) | ||
Zhang et al. | A simple identification model for subtle bruises on the fresh jujube based on NIR spectroscopy | |
Jahani et al. | Novel application of near-infrared spectroscopy and chemometrics approach for detection of lime juice adulteration | |
Keshavarzi et al. | Comparison of transmission FTIR and ATR spectra for discrimination between beef and chicken meat and quantification of chicken in beef meat mixture using ATR-FTIR combined with chemometrics | |
Anyidoho et al. | Nondestructive authentication of the regional and geographical origin of cocoa beans by using a handheld NIR spectrometer and multivariate algorithm | |
Zhu et al. | Rapid discrimination of fish feeds brands based on visible and short-wave near-infrared spectroscopy | |
Gullifa et al. | Portable NIR spectroscopy: The route to green analytical chemistry | |
Dashti et al. | Comparison of a portable Vis-NIR hyperspectral imaging and a snapscan SWIR hyperspectral imaging for evaluation of meat authenticity | |
Šašić et al. | Comparison of principal component analysis and generalized two-dimensional correlation spectroscopy: spectral analysis of synthetic model system and near-infrared spectra of milk | |
Wu et al. | The use of hyperspectral techniques in evaluating quality and safety of meat and meat products | |
Li et al. | Beef cut classification using multispectral imaging and machine learning method | |
Kazemi et al. | Detection of chicken and fat adulteration in minced lamb meat by VIS/NIR spectroscopy and chemometrics methods | |
Kamruzzaman | Chemical imaging in food authentication | |
Heia et al. | Automatic quality control of internal defects in cod-results from hyperspectral, ultrasound and X-ray imaging | |
Ma et al. | Raman spectroscopy coupled with chemometrics for identification of adulteration and fraud in muscle foods: a review | |
Leong | Development and evaluation of a wood classification system usinga low-cost miniature nir sensor |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: American California Applicant after: Only Yahweh Communication Technology Co Ltd Address before: American California Applicant before: VIAVI SOLUTIONS INC. |
|
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 1249178 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |