CN109308498A - 一种激光诱导荧光植物油掺杂小米汤辨识方法 - Google Patents
一种激光诱导荧光植物油掺杂小米汤辨识方法 Download PDFInfo
- Publication number
- CN109308498A CN109308498A CN201811430777.6A CN201811430777A CN109308498A CN 109308498 A CN109308498 A CN 109308498A CN 201811430777 A CN201811430777 A CN 201811430777A CN 109308498 A CN109308498 A CN 109308498A
- Authority
- CN
- China
- Prior art keywords
- matrix
- pca
- vegetable oil
- sample
- kica
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 244000062793 Sorghum vulgare Species 0.000 title claims abstract 12
- 235000019713 millet Nutrition 0.000 title claims abstract 12
- 235000014347 soups Nutrition 0.000 title claims abstract 12
- 235000013311 vegetables Nutrition 0.000 title claims abstract 4
- 235000015112 vegetable and seed oil Nutrition 0.000 claims abstract description 22
- 239000008158 vegetable oil Substances 0.000 claims abstract description 22
- 239000003921 oil Substances 0.000 claims abstract description 20
- 235000019198 oils Nutrition 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000001228 spectrum Methods 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 claims abstract description 7
- 230000003595 spectral effect Effects 0.000 claims abstract description 7
- 238000002189 fluorescence spectrum Methods 0.000 claims abstract description 6
- 235000019483 Peanut oil Nutrition 0.000 claims abstract description 5
- 239000000312 peanut oil Substances 0.000 claims abstract description 5
- 230000001066 destructive effect Effects 0.000 claims abstract 2
- 239000011159 matrix material Substances 0.000 claims description 43
- 238000001499 laser induced fluorescence spectroscopy Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 6
- 230000002087 whitening effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 2
- 235000017060 Arachis glabrata Nutrition 0.000 claims 1
- 244000105624 Arachis hypogaea Species 0.000 claims 1
- 235000010777 Arachis hypogaea Nutrition 0.000 claims 1
- 235000018262 Arachis monticola Nutrition 0.000 claims 1
- 230000009977 dual effect Effects 0.000 claims 1
- 230000003287 optical effect Effects 0.000 claims 1
- 238000005457 optimization Methods 0.000 claims 1
- 235000020232 peanut Nutrition 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 claims 1
- 238000002360 preparation method Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 5
- 235000013305 food Nutrition 0.000 abstract description 3
- 238000002156 mixing Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 abstract description 3
- 241000209094 Oryza Species 0.000 description 11
- 235000007164 Oryza sativa Nutrition 0.000 description 11
- 235000009566 rice Nutrition 0.000 description 11
- 238000004611 spectroscopical analysis Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000012850 discrimination method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000010773 plant oil Substances 0.000 description 2
- 210000000697 sensory organ Anatomy 0.000 description 2
- 238000003756 stirring Methods 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 244000269722 Thea sinensis Species 0.000 description 1
- 230000000711 cancerogenic effect Effects 0.000 description 1
- 231100000357 carcinogen Toxicity 0.000 description 1
- 239000003183 carcinogenic agent Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/6402—Atomic fluorescence; Laser induced fluorescence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种激光诱导荧光植物油掺杂小米汤辨识方法，包含以下步骤：(1)将等体积的纯花生油和小米汤按一定的掺杂浓度进行配比；(2)利用自行设计的便携式植物油无损分析仪采集油样荧光光谱数据；(3)采用中值滤波法(M edian‑Filter)平滑处理原始光谱图；(4)联合KICA与PCA算法(KICA‑PCA)优选出主要光谱信息数据；(5)采用留出法(hold‑out)把样本数据划分成训练集和测试集；(6)利用FDA对训练集进行学习和训练，测试集用于辨识效果检验。本发明采用KICA‑PCA结合FDA用于激光诱导荧光植物油掺杂小米汤辨识，提高了辨识精度和运算速度，非常适用于食品安全检测领域的研究。
Description
技术领域
本发明涉及食品安全检测领域，具体是一种激光诱导荧光植物油掺杂小米汤辨识方法。
背景技术
通过植物油掺伪成的“人造油”流入市场的新闻屡见不鲜，这些油由于价格低廉、利润量大、获取方便等特点，深受不法经销商的喜爱。植物油掺伪不仅会使油脂的各项卫生指标均不能达到国家要求水平，其中可能产生的致癌物质还会引起心血管、神经系统、消化系统、呼吸系统等方面的疾病，严重威胁着人体健康。一般可从色泽、气味、滋味、透明度等方法去识别植物油的品质，但是这些感官识别植物油的方法并不可靠，有着不确定性。
激光诱导荧光(Laser induced fluorescence spectroscopy,LIF)技术原理是激光通过被检测样品时，分子会吸收能量跃迁至高能量状态，由于高能状态分子不稳定，则会释放能量产生荧光，最后生成不同种类的荧光光谱，该技术运用核独立分量分析联合主元分析(KICA-PCA)和费舍尔判别分析(FDA)算法用于植物油掺杂小米汤类别的辨识具有广泛的研究意义。
发明内容
本发明的目的是提供一种激光诱导荧光植物油掺杂小米汤辨识方法，该方法能够实现对植物油掺伪的可靠辨识。
本发明实现发明目的采用如下技术方案：
一种激光诱导荧光植物油掺杂小米汤辨识方法，包括以下步骤：
(1)油样准备：将等体积的纯花生油和小米汤混合，并按一定的掺杂浓度进行配比。
(2)光谱采集：利用自行设计的便携式植物油无损分析仪获取不同油样的荧光光谱数据，生成油样荧光光谱图。
(3)光谱数据预处理：采用中值滤波法(Median-Filter)对原始光谱图进行平滑处理，去除光谱数据里的干扰信号。
(4)KICA-PCA有效信息优选：把KICA与PCA相联合(KICA-PCA)降低样本维数，去除预处理后光谱数据中无用、冗余的信息，优选出主要信息数据。
(5)样本集分配：采用留出法(hold-out)将优选后的光谱信息数据划分成训练集和测试集。
(6)建立FDA油样模型建立：利用FDA对训练集进行学习和训练，将测试集用于所建模型的辨识效果检验。
作为优选，所述的步骤(1)中，花生油掺杂小米汤浓度按比例0、25％、50％、75％、100％共五组不同的油样进行混合配比，配比过程需搅拌均匀。
作为优选，所述的步骤(2)中，实验所选择的是USB2000+型激光诱导荧光光谱仪(美国Ocean optics公司)，光谱全波段范围是340～1021nm，分辨率为0.5nm，激光器使用YAG脉冲激光器(法国Quantel公司)，搭建激光器双光路输出分时控制系统。
作为优选，所述的步骤(4)中，把KICA与PCA相联合(KICA-PCA)优选出主要信息，其具体步骤如下：
(41)根据样本数据产生矩阵A(m×n)，m是样本变量个数，n是观测值，即式：
式中，A为经中心化后的样本矩阵，a11,a12,...,ann为样本数据点；
(411)矩阵A应当标准化，使均值和单位方差为零；
(412)标准化后的样本数据矩阵为A*，即：
A*＝IA
式中，I为标准化矩阵A*的平方根逆矩阵；
(413)将A*的协方差矩阵的特征值计算出为λ1,λ2,...,λn，并根据不同的特征值计算出相对应的特征向量ξ1,ξ2,...,ξn；
(42)根据PCA主成分提取的方法提取出的主成分数为K，将前k个主成分表示为：
式中，W表示经PCA提取有效信息后的新矩阵，表示特征向量ξ1,ξ2,...,ξn组成新矩阵的转置；
(421)白化处理矩阵W*，即：W*＝qW，式中q为白化变换矩阵；
(43)利用KICA算法中的KGV选取的核函数K(x,y)选取比较函数搜索最小化比较函数的最小值，得到解混矩阵B，即：
Y*＝XW*＝XKGVW
式中，XKGV是利用KGV算法求得的解混矩阵，Y*是源信息估算矩阵。
作为优选，所述的步骤(5)中，训练集取样本总数的80％，剩下的为测试集。
作为优选，所述的步骤(6)中，将优选出的主要信息数据在训练集上建立FDA模型，根据测试集对油样辨识效果进行分析。
有益效果：
本发明与现有技术相比，其有益效果体现在：激光诱导荧光技术用于植物油掺杂小米汤辨识较感官识别植物油的方法，增强了油类检测的鲁棒性和可靠性，提高了检测的效率；PCA虽然有着良好的降维去噪性能，但处理非高斯布的数据效果不好，将PCA与KICA相联合(KICA-PCA)避免了单空间非高斯分布特征提取的限制，通过互补的空间提升了有效信息可分度，并结合FDA用于激光诱导荧光植物油掺杂小米汤辨识，提高辨识精度和运算速度，非常适用于食品安全检测领域的研究。
附图说明
图1是本发明的流程图；
图2是本发明的KICA-PCA有效信息优选过程图。
具体实施方式
以下通过具体实施例与附图对本发明做进一步解释说明。
本发明研发了一种激光诱导荧光植物油掺杂浓茶水鉴定方法，将KICA-PCA-FDA算法与激光诱导荧光技术相结合，利用自行设计的便携式植物油无损分析仪获取不同油样的荧光光谱图；采用Median-Filter法平滑光谱图像，去除噪声干扰，利用KICA-PCA提取出光谱数据中有效信息，最后将经过hold-out分配的训练集用于FDA模型建立，测试集检验辨识结果。
本发明在KICA-PCA-FDA与激光诱导荧光技术有机结合的情况下研究出一种激光诱导荧光植物油掺杂小米汤辨识方法，具体步骤如下：
(1)油样准备：花生油掺杂小米汤浓度按比例0、25％、50％、75％、100％共五组不同的油样进行混合配比，配比过程需搅拌均匀。
(2)光谱采集：实验所选择的是USB2000+型激光诱导荧光光谱仪(美国Oceanoptics公司)，光谱全波段范围是340～1021nm，分辨率为0.5nm，激光器使用YAG脉冲激光器(法国Quantel公司)，利用激光器双光路输出分时系统进行控制。
(3)光谱数据预处理：采用中值滤波法(Median-Filter)，设置一个宽度为奇数5的长窗口，对原始光谱图进行平滑处理，去除光谱数据里的干扰信号。
(4)KICA-PCA有效信息优选：把KICA与PCA相联合(KICA-PCA)降低样本维数，去除预处理后光谱数据中无用、冗余的信息，优选出主要信息数据，其具体步骤如下：
(41)根据样本数据产生矩阵A(m×n)，m是样本变量个数，n是观测值，即式：
式中，A为经中心化后的样本矩阵，a11,a12,...,ann为样本数据点；
(411)矩阵A应当标准化，使均值和单位方差为零，即：式中，表示样本均值，σ表示标准差；
(412)标准化后的样本数据矩阵为A*，即：
A*＝IA
式中，I为标准化矩阵A*的平方根逆矩阵；
(413)将A*的协方差矩阵的特征值计算出为λ1,λ2,...,λn，并根据不同的特征值计算出相对应的特征向量ξ1,ξ2,...,ξn，构成特征向量矩阵Sk；
(42)根据PCA主成分提取的方法提取出的主成分数为K，将前k个主成分表示为：
式中，W表示经PCA提取有效信息后的新矩阵，表示特征向量ξ1,ξ2,...,ξn组成新矩阵的转置；
(421)白化处理矩阵W*，即：W*＝qW，式中q为白化变换矩阵；
(43)核函数选取高斯径向基核函数利用KICA算法中的核广义方差KGV选取的核函数K(x,y)选取比较函数搜索最小化比较函数的最小值，得到解混矩阵B，即：
Y*＝XW*＝XKGVW
式中，XKGV是利用KGV算法求得的解混矩阵，Y*是源信息估算矩阵；
(5)样本集分配：采用留出法(hold-out)将优选后的光谱信息数据划分成80％训练集和20％测试集。
(6)建立FDA油样模型建立：利用FDA对训练集进行学习和训练，将测试集用于所建模型的辨识效果检验。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (6)
1.一种光诱导荧光植物油掺杂小米汤辨识方法，其特征在于：包括以下骤：
(1)油样准备：将等体积的纯花生油和小米汤混合，并按一定的掺杂浓度进行配比；
(2)光谱采集：利用自行设计的便携式植物油无损分析仪获取不同油样的荧光光谱数据，生成油样荧光光谱图；
(3)光谱数据预处理：采用中值滤波法(Median-Filter)对原始光谱图进行平滑处理，去除光谱数据里的干扰信号；
(4)KICA-PCA有效信息优选：把KICA与PCA相联合(KICA-PCA)降低样本维数，去除预处理后光谱数据中无用、冗余的信息，优选出主要信息数据；
(5)样本集分配：采用留出法(hold-out)将优选后的光谱信息数据划分成训练集和测试集；
(6)建立FDA油样模型建立：利用FDA对训练集进行学习和训练，将测试集用于所建模型的辨识效果检验。
2.根据权利要求1所述的一种光诱导荧光植物油掺杂小米汤辨识方法，其特征在于：所述的步骤(1)中，花生油掺杂小米汤浓度按比例0、25％、50％、75％、100％共五组不同的油样进行混合配比，配比过程需搅拌均匀。
3.根据权利要求1所述的一种光诱导荧光植物油掺杂小米汤辨识方法，其特征在于：所述的步骤(2)中，实验所选择的是USB2000+型激光诱导荧光光谱仪(美国Ocean optics公司)，光谱全波段范围是340～1021nm，分辨率为0.5nm，激光器使用YAG脉冲激光器(法国Quantel公司)，搭建激光器双光路输出分时控制系统。
4.根据权利要求1所述的一种光诱导荧光植物油掺杂小米汤辨识方法，其特征在于：所述的步骤(4)中，把KICA与PCA相联合(KICA-PCA)优选出主要信息，其具体步骤如下：
(41)根据样本数据产生矩阵A(m×n)，m是样本变量个数，n是观测值，即式：
式中，A为经中心化后的样本矩阵，a11,a12,...,ann为样本数据点；
(411)矩阵A应当标准化，使均值和单位方差为零；
(412)标准化后的样本数据矩阵为A*，即：
A*＝IA
式中，I为标准化矩阵A*的平方根逆矩阵；
(413)将A*的协方差矩阵的特征值计算出为λ1,λ2,...,λn，并根据不同的特征值计算出相对应的特征向量ξ1,ξ2,...,ξn；
(42)根据PCA主成分提取的方法提取出的主成分数为K，将前k个主成分表示为：
式中，W表示经PCA提取有效信息后的新矩阵，表示特征向量ξ1,ξ2,...,ξn组成新矩阵的转置；
(421)白化处理矩阵W*，即：W*＝qW，式中q为白化变换矩阵；
(43)利用KICA算法中的核广义方差KGV选取的核函数K(x,y)选取比较函数搜索最小化比较函数的最小值，得到解混矩阵B，即：
Y*＝XW*＝XKGVW
式中，XKGV是利用KGV算法求得的解混矩阵，Y*是源信息估算矩阵。
5.根据权利要求1所述的一种光诱导荧光植物油掺杂小米汤辨识方法，其特征在于：所述的步骤(5)中，训练集取样本总数的80％，剩下的为测试集。
6.根据权利要求1所述的一种光诱导荧光植物油掺杂小米汤辨识方法，其特征在于：所述的步骤(6)中，将优选出的主要信息数据在训练集上建立FDA模型，根据测试集对油样辨识效果进行分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811430777.6A CN109308498B (zh) | 2018-11-28 | 2018-11-28 | 一种激光诱导荧光植物油掺杂小米汤辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811430777.6A CN109308498B (zh) | 2018-11-28 | 2018-11-28 | 一种激光诱导荧光植物油掺杂小米汤辨识方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109308498A true CN109308498A (zh) | 2019-02-05 |
| CN109308498B CN109308498B (zh) | 2021-01-01 |
Family
ID=65223241
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811430777.6A Active CN109308498B (zh) | 2018-11-28 | 2018-11-28 | 一种激光诱导荧光植物油掺杂小米汤辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109308498B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110044856A (zh) * | 2019-03-28 | 2019-07-23 | 安徽理工大学 | 一种多光源lif葵花籽油掺杂菜籽油的快速无损鉴别设备 |
| CN110110842A (zh) * | 2019-04-29 | 2019-08-09 | 滁州学院 | 一种便携式荧光光谱快速检测人工神经网络智能判别模型的建立方法 |
| CN111767891A (zh) * | 2020-07-09 | 2020-10-13 | 南京工程学院 | 一种滚动轴承故障诊断方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104914082A (zh) * | 2015-05-20 | 2015-09-16 | 中国石油大学(华东) | 一种紫外诱导荧光多光谱成像的海洋溢油油种识别方法 |
| CN106971073A (zh) * | 2017-03-28 | 2017-07-21 | 安徽理工大学 | 一种矿井突水水源的非线性识别方法 |
| CN107741410A (zh) * | 2017-09-18 | 2018-02-27 | 燕山大学 | 一种基于icso‑svm的苯并类物质的荧光光谱检测法 |
| CN108509993A (zh) * | 2018-04-02 | 2018-09-07 | 安徽理工大学 | 一种矿井突水激光诱导荧光光谱图像识别方法 |
-
2018
- 2018-11-28 CN CN201811430777.6A patent/CN109308498B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104914082A (zh) * | 2015-05-20 | 2015-09-16 | 中国石油大学(华东) | 一种紫外诱导荧光多光谱成像的海洋溢油油种识别方法 |
| CN106971073A (zh) * | 2017-03-28 | 2017-07-21 | 安徽理工大学 | 一种矿井突水水源的非线性识别方法 |
| CN107741410A (zh) * | 2017-09-18 | 2018-02-27 | 燕山大学 | 一种基于icso‑svm的苯并类物质的荧光光谱检测法 |
| CN108509993A (zh) * | 2018-04-02 | 2018-09-07 | 安徽理工大学 | 一种矿井突水激光诱导荧光光谱图像识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| POULLI K I等: "Rapid synchronous fluorescence method for virgin olive oil adulteration assessment", 《FOOD CHEMISTRY》 * |
| 王春艳等: "基于主成分和支持向量机浓度参量同步荧光光谱油种鉴别", 《分析测试学报》 * |
| 赵南京等: "不同水体中溶解有机物的荧光光谱特性研究", 《光谱学与光谱分析》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110044856A (zh) * | 2019-03-28 | 2019-07-23 | 安徽理工大学 | 一种多光源lif葵花籽油掺杂菜籽油的快速无损鉴别设备 |
| CN110110842A (zh) * | 2019-04-29 | 2019-08-09 | 滁州学院 | 一种便携式荧光光谱快速检测人工神经网络智能判别模型的建立方法 |
| CN111767891A (zh) * | 2020-07-09 | 2020-10-13 | 南京工程学院 | 一种滚动轴承故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109308498B (zh) | 2021-01-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yuan et al. | Rapid detection of the authenticity and adulteration of sesame oil using excitation-emission matrix fluorescence and chemometric methods | |
| Wang et al. | Rapid identification and quantification of cheaper vegetable oil adulteration in camellia oil by using excitation-emission matrix fluorescence spectroscopy combined with chemometrics | |
| Biancolillo et al. | Authentication of an Italian PDO hazelnut (“Nocciola Romana”) by NIR spectroscopy | |
| Harrison et al. | Classification of tree species based on longwave hyperspectral data from leaves, a case study for a tropical dry forest | |
| CN109308498A (zh) | 一种激光诱导荧光植物油掺杂小米汤辨识方法 | |
| Mu et al. | Portable detection and quantification of olive oil adulteration by 473-nm laser-induced fluorescence | |
| CN107894408A (zh) | 一种基于近红外光谱仪的食用油多元掺伪鉴别方法 | |
| Monakhova et al. | Independent component analysis (ICA) algorithms for improved spectral deconvolution of overlapped signals in 1H NMR analysis: application to foods and related products | |
| CN102749315A (zh) | 一种利用同步荧光光谱快速检测潲水油的方法 | |
| CN105548233A (zh) | 一种基于氢核磁共振鉴别洋槐蜜和油菜蜜的方法 | |
| CN113378680B (zh) | 一种拉曼光谱数据的智能建库方法 | |
| CN109270044A (zh) | 一种激光诱导荧光植物油掺杂浓茶水鉴定方法 | |
| Suciu et al. | Application of fluorescence spectroscopy using classical right angle technique in white wines classification | |
| CN105044025A (zh) | 一种近红外快速识别芝麻油及芝麻油中掺杂大豆油的方法 | |
| Ju et al. | Rapid Identification of Atmospheric Gaseous Pollutants Using Fourier‐Transform Infrared Spectroscopy Combined with Independent Component Analysis | |
| CN111398233A (zh) | 一种红酒品质的激光光谱检测方法 | |
| CN109187443A (zh) | 基于多波长透射光谱的水体细菌微生物准确识别方法 | |
| Liu et al. | Application of stable isotopic and elemental composition combined with random forest algorithm for the botanical classification of Chinese honey | |
| CN109884033A (zh) | 随机森林算法结合激光诱导击穿光谱检测金属元素的方法 | |
| CN113406249A (zh) | 一种预测茶油中掺假油种类的方法 | |
| Hu et al. | Intelligent spectral algorithm for pigments visualization, classification and identification based on Raman spectra | |
| Monakhova et al. | Independent component analysis algorithms for spectral decomposition in UV/VIS analysis of metal-containing mixtures including multimineral food supplements and platinum concentrates | |
| CN112033911A (zh) | 一种基于色差和紫外光谱的茶叶等级快速鉴别方法 | |
| CN105067540A (zh) | 一种利用可见光透射吸收光谱鉴别植物油种类的方法 | |
| CN109001181A (zh) | 一种拉曼光谱典型相关分析融合的食用油种类快速鉴别方法 |
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 |