CN108388965A - 油脂掺伪含量检测方法、终端设备及计算机可读存储介质 - Google Patents
油脂掺伪含量检测方法、终端设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN108388965A CN108388965A CN201810171294.2A CN201810171294A CN108388965A CN 108388965 A CN108388965 A CN 108388965A CN 201810171294 A CN201810171294 A CN 201810171294A CN 108388965 A CN108388965 A CN 108388965A
- Authority
- CN
- China
- Prior art keywords
- grease
- near infrared
- content
- infrared spectrum
- spectrum data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000004519 grease Substances 0.000 title claims abstract description 100
- 238000001514 detection method Methods 0.000 title claims abstract description 88
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 119
- 238000000034 method Methods 0.000 claims abstract description 101
- 239000002245 particle Substances 0.000 claims abstract description 43
- 238000005457 optimization Methods 0.000 claims abstract description 37
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 230000031700 light absorption Effects 0.000 claims description 53
- 238000013507 mapping Methods 0.000 claims description 26
- 238000012937 correction Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 14
- 238000010521 absorption reaction Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 8
- 238000000638 solvent extraction Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 2
- 238000002835 absorbance Methods 0.000 abstract 1
- 239000003921 oil Substances 0.000 description 100
- 235000019198 oils Nutrition 0.000 description 100
- 239000008157 edible vegetable oil Substances 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000002199 base oil Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000008159 sesame oil Substances 0.000 description 3
- 235000011803 sesame oil Nutrition 0.000 description 3
- 235000012424 soybean oil Nutrition 0.000 description 3
- 239000003549 soybean oil Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004949 mass spectrometry Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000001320 near-infrared absorption spectroscopy Methods 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Biochemistry (AREA)
- Game Theory and Decision Science (AREA)
- Analytical Chemistry (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种油脂掺伪含量检测方法、终端设备及计算机可读存储介质,所述方法包括:获取待检测油脂的目标近红外光谱数据,根据间隔偏最小二乘法和粒子群法对所述目标近红外光谱数据进行计算,确定特征波长范围,在所述特征波长范围内所述目标近红外光谱数据进行特征提取,获得光吸收率数据,所述光吸收率数据为所述特征波长范围内的光对应的吸收率数据,将所述光吸收率数据输入至预设检测模型中,根据所述预设检测模型输出的检测结果确定所述待检测油脂的掺伪含量,能够提高油脂掺伪含量检测的准确度,缩短油脂掺伪含量检测时间,提升了油脂掺伪含量检测的速度和效率。
Description
技术领域
本发明涉及油脂掺伪含量快速检测领域,尤其涉及一种油脂掺伪含量检测方法、终端设备及计算机可读存储介质。
背景技术
近年来,随着经济的发展和生活水平的提高,人们对食用油健康指标要求也在逐渐提高。由于食用油的有益成分含量、原料和加工成本等具有很大差异,造成价格不一,不法人员为获得暴利,将低价值的食用油掺入高价值油中,掺伪方式多种多样且复杂,损害消费者的利益。目前传统的食用油品质检测主要有色谱和质谱等方法;传统化学方法往往需要专业人员操作仪器,使用多种化学仪器和试剂,样品预处理及指标检测时间过长,需专业试验人员且步骤复杂,很难实现绿色环保。因此,探索一种能实时、快速、灵敏度高的动态分析检测食用植物油掺伪含量的技术方法对提高油脂企业质量监控能力,保障食用油市场和消费者权益等方面具有重要意义。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种油脂掺伪含量检测方法、终端设备及计算机可读存储介质,旨在解决现有技术中油脂掺伪含量检测时间过长,操作步骤复杂的技术问题。
为实现上述目的,本发明提供一种油脂掺伪含量检测方法,所述油脂掺伪含量检测方法包括以下步骤:
获取待检测油脂的目标近红外光谱数据;
根据所述目标近红外光谱数据通过间隔偏最小二乘法和粒子群法确定特征波长范围;
在所述特征波长范围内对所述目标近红外光谱数据进行特征提取,获得光吸收率数据,所述光吸收率数据为所述特征波长范围内的光对应的吸收率数据;
将所述光吸收率数据输入至预设检测模型中,获得所述待检测油脂的掺伪含量。
优选地,所述根据所述目标近红外光谱数据通过间隔偏最小二乘法和粒子群法确定特征波长范围具体包括:
根据所述目标近红外光谱数据通过间隔偏最小二乘法进行分析,获得优化目标;
根据所述优化目标通过粒子群法确定所述特征波长范围。
优选地,所述根据所述目标近红外光谱数据通过间隔偏最小二乘法进行分析,获得优化目标具体包括:
根据间隔偏最小二乘法对所述目标近红外光谱数据进行标准化;
将标准化后的目标近红外光谱数据进行主成分投影,获取主成分投影系数;
根据所述主成分投影系数确定所述优化目标。
优选地,所述根据所述优化目标通过粒子群法确定所述特征波长范围具体包括:
根据粒子群法对所述优化目标中的目标子区间参数进行优化;
根据间隔偏最小二乘法对优化后的目标子区间参数进行计算,获得所述特征波长范围。
优选地,所述获取待检测油脂的目标近红外光谱数据具体包括:
接收近红外光谱仪采集待检测油脂的近红外光谱数据,将采集到的近红外光谱数据进行过滤;
将过滤后的近红外光谱数据作为目标近红外光谱数据。
优选地,所述接收近红外光谱仪采集待检测油脂的近红外光谱数据,将采集到的近红外光谱数据进行过滤具体包括:
接收近红外光谱仪采集待检测油脂的近红外光谱数据,将所述近红外光谱数据进行标准正态变量变换处理,以完成对所述近红外光谱数据的过滤操作。
优选地,所述将所述光吸收率数据输入至预设检测模型中,获得所述待检测油脂的掺伪含量之前,所述油脂掺伪含量检测方法还包括:
采集多个掺伪油脂样品的样品近红外光谱图;
根据所述样品近红外光谱图获取各个波长范围的光吸收率,并获得各掺伪油脂样品、各个波长范围和光吸收率之间的映射关系;
根据所述映射关系建立预设检测模型。
优选地,所述根据所述映射关系建立预设检测模型具体包括:
将各掺伪油脂样品根据基于联合x-y远程分区算法按照预设比例分为掺伪油脂校正集样品和掺伪油脂预测集样品;
根据所述掺伪油脂校正集样品和所述映射关系建立优化定量模型;
根据所述掺伪油脂预测集样品对所述优化定量模型进行性能校正;
将校正后的优化定量模型作为预设检测模型。
此外,为实现上述目的,本发明还提出一种终端设备,所述终端设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的油脂掺伪含量检测程序,所述油脂掺伪含量检测程序配置为实现如上文所述的油脂掺伪含量检测方法的步骤。
此外,为实现上述目的,本发明还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有油脂掺伪含量检测程序,所述油脂掺伪含量检测程序被处理器执行时实现如上文所述的油脂掺伪含量检测方法的步骤。
本发明提出的油脂掺伪含量检测方法,通过获取待检测油脂的目标近红外光谱数据;根据间隔偏最小二乘法和粒子群法对所述目标近红外光谱数据进行计算,确定特征波长范围;在所述特征波长范围内所述目标近红外光谱数据进行特征提取,获得光吸收率数据,所述光吸收率数据为所述特征波长范围内的光对应的吸收率数据,将所述光吸收率数据输入至预设检测模型中,根据所述预设检测模型输出的检测结果确定所述待检测油脂的掺伪含量,能够提高油脂掺伪含量检测的准确度,缩短油脂掺伪含量检测时间,提升了油脂掺伪含量检测的速度和效率。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的终端设备结构示意图;
图2为本发明油脂掺伪含量检测方法第一实施例的流程示意图;
图3为本发明油脂掺伪含量检测方法第二实施例的流程示意图;
图4为本发明油脂掺伪含量检测方法第三实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例的解决方案主要是:通过获取待检测油脂的目标近红外光谱数据;根据间隔偏最小二乘法和粒子群法对所述目标近红外光谱数据进行计算,确定特征波长范围;在所述特征波长范围内所述目标近红外光谱数据进行特征提取,获得光吸收率数据,所述光吸收率数据为所述特征波长范围内的光对应的吸收率数据,将所述光吸收率数据输入至预设检测模型中,根据所述预设检测模型输出的检测结果确定所述待检测油脂的掺伪含量,能够提高油脂掺伪含量检测的准确度,缩短油脂掺伪含量检测时间,提升了油脂掺伪含量检测的速度和效率,解决了现有技术中油脂掺伪含量检测时间过长,操作步骤复杂的技术问题。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的终端设备结构示意图。
如图1所示,该终端设备可以包括:处理器1001,例如CPU,通信总线1002、用户端接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户端接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户端接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的终端设备结构并不构成对该终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机可读存储介质的存储器1005中可以包括操作系统、网络通信模块、用户端接口模块以及油脂掺伪含量检测程序。
本发明终端设备通过处理器1001调用存储器1005中存储的油脂掺伪含量检测程序,并执行以下操作:
获取待检测油脂的目标近红外光谱数据;
根据所述目标近红外光谱数据通过间隔偏最小二乘法和粒子群法确定特征波长范围;
在所述特征波长范围内对所述目标近红外光谱数据进行特征提取,获得光吸收率数据,所述光吸收率数据为所述特征波长范围内的光对应的吸收率数据;
将所述光吸收率数据输入至预设检测模型中,获得所述待检测油脂的掺伪含量。
进一步地,处理器1001可以调用存储器1005中存储的油脂掺伪含量检测程序,还执行以下操作:
根据所述目标近红外光谱数据通过间隔偏最小二乘法进行分析,获得优化目标;
根据所述优化目标通过粒子群法确定所述特征波长范围。
进一步地,处理器1001可以调用存储器1005中存储的油脂掺伪含量检测程序,还执行以下操作:
根据间隔偏最小二乘法对所述目标近红外光谱数据进行标准化;
将标准化后的目标近红外光谱数据进行主成分投影,获取主成分投影系数;
根据所述主成分投影系数确定所述优化目标。
进一步地,处理器1001可以调用存储器1005中存储的油脂掺伪含量检测程序,还执行以下操作:
根据粒子群法对所述优化目标中的目标子区间参数进行优化;
根据间隔偏最小二乘法对优化后的目标子区间参数进行计算,获得所述特征波长范围。
进一步地,处理器1001可以调用存储器1005中存储的油脂掺伪含量检测程序,还执行以下操作:
接收近红外光谱仪采集待检测油脂的近红外光谱数据,将采集到的近红外光谱数据进行过滤;
将过滤后的近红外光谱数据作为目标近红外光谱数据。
进一步地,处理器1001可以调用存储器1005中存储的油脂掺伪含量检测程序,还执行以下操作:
接收近红外光谱仪采集待检测油脂的近红外光谱数据,将所述近红外光谱数据进行标准正态变量变换处理,以完成对所述近红外光谱数据的过滤操作。
进一步地,处理器1001可以调用存储器1005中存储的油脂掺伪含量检测程序,还执行以下操作:
采集多个掺伪油脂样品的样品近红外光谱图;
根据所述样品近红外光谱图获取各个波长范围的光吸收率,并获得各掺伪油脂样品、各个波长范围和光吸收率之间的映射关系;
根据所述映射关系建立预设检测模型。
进一步地,处理器1001可以调用存储器1005中存储的油脂掺伪含量检测程序,还执行以下操作:
将各掺伪油脂样品根据基于联合x-y远程分区算法按照预设比例分为掺伪油脂校正集样品和掺伪油脂预测集样品;
根据所述掺伪油脂校正集样品和所述映射关系建立优化定量模型;
根据所述掺伪油脂预测集样品对所述优化定量模型进行性能校正;
将校正后的优化定量模型作为预设检测模型。
本实施例提供的技术方案,通过终端设备获取待检测油脂的目标近红外光谱数据;根据间隔偏最小二乘法和粒子群法对所述目标近红外光谱数据进行计算,确定特征波长范围;在所述特征波长范围内所述目标近红外光谱数据进行特征提取,获得光吸收率数据,所述光吸收率数据为所述特征波长范围内的光对应的吸收率数据,将所述光吸收率数据输入至预设检测模型中,根据所述预设检测模型输出的检测结果确定所述待检测油脂的掺伪含量,能够提高油脂掺伪含量检测的准确度,缩短油脂掺伪含量检测时间,提升了油脂掺伪含量检测的速度和效率。
基于上述硬件结构,提出本发明油脂掺伪含量检测方法实施例。
参照图2,图2为本发明油脂掺伪含量检测方法第一实施例的流程示意图。
在第一实施例中,所述油脂掺伪含量检测方法包括以下步骤:
步骤S10、获取待检测油脂的目标近红外光谱数据。
需要说明的是,一般可以通过终端设备获取待检测油脂的目标近红外光谱数据,所述终端设备为可以实现油脂掺伪含量快速检测的设备,可以是由多个检测单元组成的检测系统,也可以是具有综合检测功能的油脂掺伪含量检测设备,当然还可以是具有油脂掺伪含量检测运行计算能力的服务器或其他终端设备,本实施例对此不加以限制;所述目标近红外光谱数据为所述终端设备接收到近红外光谱仪采集所述待检测油脂的近红外光谱数据经过处理后获得的近红外光谱数据。
进一步地,所述步骤S10具体包括以下步骤:
接收近红外光谱仪采集待检测油脂的近红外光谱数据,将采集到的近红外光谱数据进行过滤;
将过滤后的近红外光谱数据作为目标近红外光谱数据。
可以理解的是,通过近红外光谱仪采集待检测油脂的近红外光谱数据后,一般将采集到的近红外光谱数据进行预处理,预处理的操作就包括对近红外光谱数据进行过滤,将过滤后的近红外光谱数据作为所述目标近红外光谱数据。
相应地,所述步骤根据近红外光谱仪采集待检测油脂的近红外光谱数据,将采集到的近红外光谱数据进行过滤具体包括:
接收近红外光谱仪采集待检测油脂的近红外光谱数据,将所述近红外光谱数据进行标准正态变量变换处理,以完成对所述近红外光谱数据的过滤操作。
应当理解的是,根据近红外光谱仪采集检测油脂的近红外光谱数据,接收到采集的近红外光谱数据后对所述近红外光谱数据进行标准正态变量变换(StandardizedNormal Variate,SNV)处理,可以消除光谱光程的影响,以完成对所述近红外光谱数据的过滤,获得所述目标近红外光谱数据,能够提高油脂掺伪检测的准确性。
在具体实现中,一般可以在预设的采集温度,例如是60±2℃,预设的近红外光谱测定范围,例如是1350-1800nm,按照预设的扫描次数和预设分辨率3.5cm-1,预设的测量方式例如是透射,对所述待检测油脂进行检测采集,采集到所述待检测油脂的近红外光谱数据。
步骤S20、根据所述目标近红外光谱数据通过间隔偏最小二乘法和粒子群法确定特征波长范围。
需要说明的是,所述特征波长范围为特定的波长范围,符合所述待检测油脂的特性的特征波长范围,即在该特征波长范围内检测所述待检测油脂的掺伪含量更加准确,通过间隔偏最小二乘法和粒子群法对所述目标近红外光谱数据进行计算能够快速确定所述特征波长范围。
步骤S30、在所述特征波长范围内对所述目标近红外光谱数据进行特征提取,获得光吸收率数据,所述光吸收率数据为所述特征波长范围内的光对应的吸收率数据。
可以理解的是,所述光吸收率数据为所述特征波长范围内的光对应的吸收率数据,即根据所述目标近红外光谱数据在所述特征波长范围内的光吸收率数据,用于反映所述待检测油脂中各个成分所对应的光吸收效率。
步骤S40、将所述光吸收率数据输入至预设检测模型中,获得所述待检测油脂的掺伪含量。
应当理解的是,所述预设检测模型为用于反映光吸收率与各类油脂中基底油与掺伪油的比例的映射关系模型,根据所述预设检测模型能够在输出所述光吸收率数据后,快速输出检测结果,用来确定所述待检测油脂的掺伪含量。
本实施例提供的技术方案,通过获取待检测油脂的目标近红外光谱数据;根据间隔偏最小二乘法和粒子群法对所述目标近红外光谱数据进行计算,确定特征波长范围;在所述特征波长范围内所述目标近红外光谱数据进行特征提取,获得光吸收率数据,所述光吸收率数据为所述特征波长范围内的光对应的吸收率数据,将所述光吸收率数据输入至预设检测模型中,根据所述预设检测模型输出的检测结果确定所述待检测油脂的掺伪含量,能够提高油脂掺伪含量检测的准确度,缩短油脂掺伪含量检测时间,提升了油脂掺伪含量检测的速度和效率。
进一步地,图3为本发明油脂掺伪含量检测方法第二实施例的流程示意图,如图3所示,基于第一实施例提出本发明油脂掺伪含量检测方法第二实施例,在本实施例中,所述步骤S20具体包括以下步骤:
步骤S21、根据所述目标近红外光谱数据通过间隔偏最小二乘法进行分析,获得优化目标。
需要说明的是,所述优化目标为待确定的优化范围,即需要优化的用于提取的光吸收率数据的波长范围,通过间隔偏最小二乘法对所述目标近红外光谱数据进行分析能够获得优化目标。
进一步地,所述步骤S21具体包括以下步骤:
根据间隔偏最小二乘法对所述目标近红外光谱数据进行标准化;
将标准化后的目标近红外光谱数据进行主成分投影,获取主成分投影系数;
根据所述主成分投影系数确定所述优化目标。
可以理解的是,通过间隔偏最小二乘法对所述目标近红外光谱数据进行标准化,能够减小所述目标近红外光谱数据的误差,提升掺伪油脂含量检测的准确性,将标准化后的目标近红外光谱数据进行主成分投影,获取主成分投影系数,根据所述主成分投影系数确定所述优化目标。
步骤S22、根据所述优化目标通过粒子群法确定所述特征波长范围。
应当理解的是,通过粒子群法对所述优化目标进行计算,能够快速确定所述特征波长范围。
进一步地,所述步骤S22具体包括以下步骤:
根据粒子群法对所述优化目标中的目标子区间参数进行优化;
根据间隔偏最小二乘法对优化后的目标子区间参数进行计算,获得所述特征波长范围。
可以理解的是,通对所述目标子区间参数进行优化,能够获得最佳的子区间参数,即最佳的波长子区间取值范围,将优化后的目标子区间参数通过间隔偏最小二乘法计算后能够获得所述特征波长范围。
在具体实现中,通过间隔偏最小二乘法和粒子群算法,可以有效的压缩无用信息,大大缩短计算时间,进而缩短油脂掺伪含量检测时间,提升了油脂掺伪含量检测的速度和效率,1)设子区间数为M,所选取子区间数为K,对于校正集数据共有CM K种特征区间组合方式,逐一建立偏最小二乘回归模型并对验证集进行掺伪含量预测。2)偏最小二乘回归中首先将数据X(近红外光谱数据)和y(掺杂浓度数据)标准化(按列减均值后除以标准差)3)设X的第一个主成分为p1,Y的第一个主成分为q1,两者都经过了单位化。4)u1=Xp1,v1=Yq1这里的p和q都有主成分的性质。5)Var(u1)→max,Var(v1)→max,即在主成分上的投影,一般期望方差最大化。6)Corr(u1,v1)→max,即主成分上的投影相关系数最大化。综合5)和6),得到优化目标,公式如下:
然后采用粒子群算法对间隔偏最小二乘法中的参数寻优,确定最佳的子区间数和选取区间数:
第一步:在初始化范围内,对粒子群进行随机初始化,包括随机位置和速度,在2维空间中设置20个粒子,粒子i的位置xi=(xi1,xi2),粒子i的速度vi=(vi1,vi2)。
第二步:计算每个粒子的适应值,将xi代入适应函数f(xi)求适应值。
第三步:更新粒子个体的历史最优位置,粒子i个体经历过的历史最优位置pbesti=(pi1,pi2)。
第四步:更新粒子群体的历史最优位置,种群经历过的最好位置gbest=(g1,g2)。
第五步:更新粒子的速度和位置,粒子i第d维速度更新公式:
粒子i第d维位置更新公式:
其中,为第k次迭代粒子i飞行速度矢量的第k维分量,为第k次迭代粒子i位置矢量的第k维分量,c1,c2为加速度常数,调节学习最大步长,均设置为定值1.4962,r1,r2为两个随机函数,取值范围[0,1],以增加搜索随机性,w为惯性权重,调节对解空间的搜索范围,设为定值0.7298,若未达到终止条件,则转重复上述第二步,将优化得到的M和K值作为参数传入联合区间偏最小二乘法,得到的特征波长范围为[1382,1477]、[1542,1573]和[1734,1800]。
本实施例提供的技术方案,通过根据间隔偏最小二乘法对所述目标近红外光谱数据进行分析,获得优化目标,根据粒子群法对所述优化目标进行计算,确定所述特征波长范围,通过间隔偏最小二乘法对所述目标近红外光谱数据进行标准化,能够减小所述目标近红外光谱数据的误差,提升掺伪油脂含量检测的准确性,能够有效的压缩无用信息,大大缩短计算时间,进而缩短油脂掺伪含量检测时间,进一步提升了油脂掺伪含量检测的速度和效率。
进一步地,图4为本发明油脂掺伪含量检测方法第三实施例的流程示意图,如图4所示,基于第二实施例提出本发明油脂掺伪含量检测方法第三实施例,在本实施例中,所述步骤S40之前,所述油脂掺伪含量检测方法还包括以下步骤:
步骤S401、采集多个掺伪油脂样品的样品近红外光谱图。
需要说明的是,所述掺伪油脂样品为基底油和掺伪油按照不同比例充分混合后形成的掺伪油样品,通过采集多个掺伪油脂样品的样品近红外光谱图能够方便后续建立各种不同的掺伪油的光吸收率的数据与不同掺伪油的映射关系。
在具体实现中,以芝麻油作为基底油,大豆油作为掺伪油,按照不同的比例,例如将掺伪油按占总质量百分比0%、2%、4%、6%、8%、10%、12%、14%、16%、18%、20%、22%、24%、26%、28%、30%、32%、34%、35%、40%、45%、50%、55%、60%、65%、70%、75%、80%、85%、90%、95%、100%32个浓度梯度,共配制32*9=288个掺伪油样品,每份样品约10g,充分震荡混合均匀后的混合油脂作为掺伪油脂样品,一般通过近红外光谱仪以预先设定的采集参数条件对掺伪油脂样品进行采集,例如是掺伪油脂样品的采集温度为60±2℃,近红外光谱测定范围为1350~1800nm,扫描次数32次,分辨率为3.5cm-1,波长重复性为0.01nm,测量方式为透射进行掺伪油脂样品的数据采集,进而将多次测量的平均值作为最终的采集测量结果,能够获取更多样品信息,进而进一步提升预设检测模型的准确性。
步骤S402、根据所述样品近红外光谱图获取各个波长范围的光吸收率,并获得各掺伪油脂样品、各个波长范围和光吸收率之间的映射关系。
可以理解的是,在不同波长范围内获取各个波长范围中各掺伪油脂样品的光吸收率,能够获得各掺伪油脂样品、各个波长范围和光吸收率之间的映射关系,进而为后续预设检测模型的建立做准备。
步骤S403、根据所述映射关系建立预设检测模型。
应当理解的是,获取各掺伪油脂样品、各个波长范围和光吸收率之间的映射关系之后,根据所述映射关系能够建立所述预设检测模型。
进一步地,所述步骤S403具体包括以下步骤:
将各掺伪油脂样品根据基于联合x-y远程分区算法按照预设比例分为掺伪油脂校正集样品和掺伪油脂预测集样品;
根据所述掺伪油脂校正集样品和所述映射关系建立优化定量模型;
根据所述掺伪油脂预测集样品对所述优化定量模型进行性能校正;
将校正后的优化定量模型作为预设检测模型。
需要说明的是,将各掺伪油脂样品根据基于联合x-y远程分区算法(Sample setPartitioning based on joint x-y distance,SPXY)按照预设比例分为掺伪油脂校正集样品和掺伪油脂预测集样品后,能够根据所述掺伪油脂校正集样品和所述映射关系建立优化定量模型,根据所述掺伪油脂预测集样品对所述优化定量模型进行性能校正,进而将校正后的优化定量模型作为预设检测模型,能够提高预设检测模型检测的准确性,进而进一步提升掺伪油脂的检测准确度。
在具体实现中,以芝麻油和大豆油为例,可以选取待芝麻油作为基底油,大豆油作为掺伪油,按32种不同掺伪油含量,每种九份共配制288份样品,采用SPXY算法按3:1的比例选取掺伪油脂校正集样品216份和掺伪油脂预测集样品72份,其中预设比例3:1是一个预先设置的合理比例,也可以设置为其他比例,本实施例对此不加以限制,分为掺伪油脂校正集样品和掺伪油脂预测集样品后,将216份掺伪油脂校正集样品和所述映射关系建立优化定量模型,再用72份掺伪油脂预测集样品对所述优化定量模型进行性能校正,将校正后的优化定量模型作为预设检测模型。
本实施例提供的技术方案,通过采集多个掺伪油脂样品的样品近红外光谱图,根据所述样品近红外光谱图获取各个波长范围的光吸收率,并获得各掺伪油脂样品、各个波长范围和光吸收率之间的映射关系;根据所述映射关系建立预设检测模型,能够提高预设检测模型检测的准确性,缩短油脂掺伪含量检测时间,提升了油脂掺伪含量检测的速度和效率。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有油脂掺伪含量检测程序,所述油脂掺伪含量检测程序被处理器执行时实现如下操作:
获取待检测油脂的目标近红外光谱数据;
根据所述目标近红外光谱数据通过间隔偏最小二乘法和粒子群法确定特征波长范围;
在所述特征波长范围内对所述目标近红外光谱数据进行特征提取,获得光吸收率数据,所述光吸收率数据为所述特征波长范围内的光对应的吸收率数据;
将所述光吸收率数据输入至预设检测模型中,获得所述待检测油脂的掺伪含量。
进一步地,所述油脂掺伪含量检测程序被处理器执行时还实现如下操作:
根据所述目标近红外光谱数据通过间隔偏最小二乘法进行分析,获得优化目标;
根据所述优化目标通过粒子群法确定所述特征波长范围。
进一步地,所述油脂掺伪含量检测程序被处理器执行时还实现如下操作:
根据间隔偏最小二乘法对所述目标近红外光谱数据进行标准化;
将标准化后的目标近红外光谱数据进行主成分投影,获取主成分投影系数;
根据所述主成分投影系数确定所述优化目标。
进一步地,所述油脂掺伪含量检测程序被处理器执行时还实现如下操作:
根据粒子群法对所述优化目标中的目标子区间参数进行优化;
根据间隔偏最小二乘法对优化后的目标子区间参数进行计算,获得所述特征波长范围。
进一步地,所述油脂掺伪含量检测程序被处理器执行时还实现如下操作:
接收近红外光谱仪采集待检测油脂的近红外光谱数据,将采集到的近红外光谱数据进行过滤;
将过滤后的近红外光谱数据作为目标近红外光谱数据。
进一步地,所述油脂掺伪含量检测程序被处理器执行时还实现如下操作:
接收近红外光谱仪采集待检测油脂的近红外光谱数据,将所述近红外光谱数据进行标准正态变量变换处理,以完成对所述近红外光谱数据的过滤操作。
进一步地,所述油脂掺伪含量检测程序被处理器执行时还实现如下操作:
采集多个掺伪油脂样品的样品近红外光谱图;
根据所述样品近红外光谱图获取各个波长范围的光吸收率,并获得各掺伪油脂样品、各个波长范围和光吸收率之间的映射关系;
根据所述映射关系建立预设检测模型。
进一步地,所述油脂掺伪含量检测程序被处理器执行时还实现如下操作:
将各掺伪油脂样品根据基于联合x-y远程分区算法按照预设比例分为掺伪油脂校正集样品和掺伪油脂预测集样品;
根据所述掺伪油脂校正集样品和所述映射关系建立优化定量模型;
根据所述掺伪油脂预测集样品对所述优化定量模型进行性能校正;
将校正后的优化定量模型作为预设检测模型。
本实施例提供的技术方案,通过获取待检测油脂的目标近红外光谱数据;根据间隔偏最小二乘法和粒子群法对所述目标近红外光谱数据进行计算,确定特征波长范围;在所述特征波长范围内所述目标近红外光谱数据进行特征提取,获得光吸收率数据,所述光吸收率数据为所述特征波长范围内的光对应的吸收率数据,将所述光吸收率数据输入至预设检测模型中,根据所述预设检测模型输出的检测结果确定所述待检测油脂的掺伪含量,能够提高油脂掺伪含量检测的准确度,缩短油脂掺伪含量检测时间,提升了油脂掺伪含量检测的速度和效率。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种油脂掺伪含量检测方法,其特征在于,所述油脂掺伪含量检测方法包括:
获取待检测油脂的目标近红外光谱数据;
根据所述目标近红外光谱数据通过间隔偏最小二乘法和粒子群法确定特征波长范围;
在所述特征波长范围内对所述目标近红外光谱数据进行特征提取,获得光吸收率数据,所述光吸收率数据为所述特征波长范围内的光对应的吸收率数据;
将所述光吸收率数据输入至预设检测模型中,获得所述待检测油脂的掺伪含量。
2.如权利要求1所述的油脂掺伪含量检测方法,其特征在于,所述根据所述目标近红外光谱数据通过间隔偏最小二乘法和粒子群法确定特征波长范围具体包括:
根据所述目标近红外光谱数据通过间隔偏最小二乘法进行分析,获得优化目标;
根据所述优化目标通过粒子群法确定所述特征波长范围。
3.如权利要求2所述的油脂掺伪含量检测方法,其特征在于,所述根据所述目标近红外光谱数据通过间隔偏最小二乘法进行分析,获得优化目标具体包括:
根据间隔偏最小二乘法对所述目标近红外光谱数据进行标准化;
将标准化后的目标近红外光谱数据进行主成分投影,获取主成分投影系数;
根据所述主成分投影系数确定所述优化目标。
4.如权利要求2所述的油脂掺伪含量检测方法,其特征在于,所述根据所述优化目标通过粒子群法确定所述特征波长范围具体包括:
根据粒子群法对所述优化目标中的目标子区间参数进行优化;
根据间隔偏最小二乘法对优化后的目标子区间参数进行计算,获得所述特征波长范围。
5.如权利要求1所述的油脂掺伪含量检测方法,其特征在于,所述获取待检测油脂的目标近红外光谱数据具体包括:
接收近红外光谱仪采集待检测油脂的近红外光谱数据,将采集到的近红外光谱数据进行过滤;
将过滤后的近红外光谱数据作为目标近红外光谱数据。
6.如权利要求5所述的油脂掺伪含量检测方法,其特征在于,所述接收近红外光谱仪采集待检测油脂的近红外光谱数据,将采集到的近红外光谱数据进行过滤具体包括:
接收近红外光谱仪采集待检测油脂的近红外光谱数据,将所述近红外光谱数据进行标准正态变量变换处理,以完成对所述近红外光谱数据的过滤操作。
7.如权利要求1-6中任一项所述的油脂掺伪含量检测方法,其特征在于,所述将所述光吸收率数据输入至预设检测模型中,获得所述待检测油脂的掺伪含量之前,所述油脂掺伪含量检测方法还包括:
采集多个掺伪油脂样品的样品近红外光谱图;
根据所述样品近红外光谱图获取各个波长范围的光吸收率,并获得各掺伪油脂样品、各个波长范围和光吸收率之间的映射关系;
根据所述映射关系建立预设检测模型。
8.如权利要求7所述的油脂掺伪含量检测方法,其特征在于,所述根据所述映射关系建立预设检测模型具体包括:
将各掺伪油脂样品根据基于联合x-y远程分区算法按照预设比例分为掺伪油脂校正集样品和掺伪油脂预测集样品;
根据所述掺伪油脂校正集样品和所述映射关系建立优化定量模型;
根据所述掺伪油脂预测集样品对所述优化定量模型进行性能校正;
将校正后的优化定量模型作为预设检测模型。
9.一种终端设备,其特征在于,所述终端设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的油脂掺伪含量检测程序,所述油脂掺伪含量检测程序配置为实现如权利要求1至8中任一项所述的油脂掺伪含量检测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有油脂掺伪含量检测程序,所述油脂掺伪含量检测程序被处理器执行时实现如权利要求1至8中任一项所述的油脂掺伪含量检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810171294.2A CN108388965B (zh) | 2018-03-01 | 2018-03-01 | 油脂掺伪含量检测方法、终端设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810171294.2A CN108388965B (zh) | 2018-03-01 | 2018-03-01 | 油脂掺伪含量检测方法、终端设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108388965A true CN108388965A (zh) | 2018-08-10 |
CN108388965B CN108388965B (zh) | 2021-10-26 |
Family
ID=63070167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810171294.2A Active CN108388965B (zh) | 2018-03-01 | 2018-03-01 | 油脂掺伪含量检测方法、终端设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108388965B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103913432A (zh) * | 2014-03-25 | 2014-07-09 | 西安交通大学 | 基于粒子群算法的近红外光谱波长选择方法 |
CN104020129A (zh) * | 2014-05-16 | 2014-09-03 | 安徽农业大学 | 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 |
CN104807803A (zh) * | 2015-04-20 | 2015-07-29 | 武汉轻工大学 | 基于多源光谱数据融合的花生油掺伪定量检测方法 |
CN105823752A (zh) * | 2016-03-22 | 2016-08-03 | 武汉轻工大学 | 近红外光谱法快速鉴别食用油种类的方法 |
US20170030881A1 (en) * | 2014-04-15 | 2017-02-02 | University Of Leicester | In-bottle detection method |
-
2018
- 2018-03-01 CN CN201810171294.2A patent/CN108388965B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103913432A (zh) * | 2014-03-25 | 2014-07-09 | 西安交通大学 | 基于粒子群算法的近红外光谱波长选择方法 |
US20170030881A1 (en) * | 2014-04-15 | 2017-02-02 | University Of Leicester | In-bottle detection method |
CN104020129A (zh) * | 2014-05-16 | 2014-09-03 | 安徽农业大学 | 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 |
CN104807803A (zh) * | 2015-04-20 | 2015-07-29 | 武汉轻工大学 | 基于多源光谱数据融合的花生油掺伪定量检测方法 |
CN105823752A (zh) * | 2016-03-22 | 2016-08-03 | 武汉轻工大学 | 近红外光谱法快速鉴别食用油种类的方法 |
Non-Patent Citations (2)
Title |
---|
毕艳兰等: "粒子群最小二乘支持向量机结合偏最小二乘法用于芝麻油质量的鉴别", 《分析化学 ( FENXI HUAXUE) 研究报告》 * |
王立琦等: "食用油脂酸值近红外光谱特征波长优选", 《食品科学》 * |
Also Published As
Publication number | Publication date |
---|---|
CN108388965B (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104062257B (zh) | 一种基于近红外光谱测定溶液中总黄酮含量的方法 | |
CN103543123A (zh) | 一种掺假牛奶的红外光谱识别方法 | |
CN110376139A (zh) | 基于地面高光谱的土壤有机质含量定量反演方法 | |
CN102590129B (zh) | 近红外检测花生中氨基酸含量的方法 | |
CN101216419A (zh) | 一种快速检测黄酒品质指标的方法 | |
WO2019195971A1 (zh) | 光谱分析方法、装置、电子设备及计算机可读存储介质 | |
CN108007912B (zh) | 光谱修正分析装置、修正分析方法以及药品真伪判定系统 | |
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 | |
CN109540837A (zh) | 近红外快速检测苎麻叶片木质纤维素含量的方法 | |
CN106770005B (zh) | 一种用于近红外光谱分析的校正集和验证集的划分方法 | |
CN108388965B (zh) | 油脂掺伪含量检测方法、终端设备及计算机可读存储介质 | |
CN111289459B (zh) | 混合物质组分浓度检测方法、装置、设备及存储介质 | |
WO2023207453A1 (zh) | 一种基于光谱聚类的中药成分分析方法及系统 | |
CN112945901A (zh) | 一种基于近红外光谱的青贮大豆品质检测方法 | |
CN109709060B (zh) | 一种沥青软化点、针入度和质量损失的测定方法 | |
CN107506824B (zh) | 一种配电网的不良观测数据检测方法及装置 | |
CN108007914B (zh) | 药品真伪判定系统以及药品真伪判定方法 | |
Morawski et al. | Application of principal components analysis and signal-to-noise ratio for calibration of spectrophotometric analysers of food | |
CN111579526B (zh) | 一种表征近红外仪器差异和校正的方法 | |
CN111474124B (zh) | 一种基于补偿的光谱波长选择方法 | |
CN113588572A (zh) | 一种农田重金属在线检测校正模型智能管理系统 | |
CN108009569B (zh) | 一种近红外光谱设备的稳定性判别方法 | |
CN106092960A (zh) | 一种快速校正近红外设备并检测农产品中化学成分的方法 | |
CN114112988B (zh) | 一种基于云平台的玉米品质和伏马毒素污染现场同步快速分析系统及检测方法 | |
CN108226090B (zh) | 一种成分含量检测模型构建的方法 |
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 |