CN109856060A - 配制酒中合成色素浓度的检测方法及系统 - Google Patents
配制酒中合成色素浓度的检测方法及系统 Download PDFInfo
- Publication number
- CN109856060A CN109856060A CN201910196641.1A CN201910196641A CN109856060A CN 109856060 A CN109856060 A CN 109856060A CN 201910196641 A CN201910196641 A CN 201910196641A CN 109856060 A CN109856060 A CN 109856060A
- Authority
- CN
- China
- Prior art keywords
- wine
- matrix
- prepared
- concentration
- preset
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 239000000975 dye Substances 0.000 title abstract description 7
- 235000013334 alcoholic beverage Nutrition 0.000 title abstract 8
- 239000011159 matrix material Substances 0.000 claims abstract description 202
- 238000001228 spectrum Methods 0.000 claims abstract description 94
- 238000004445 quantitative analysis Methods 0.000 claims abstract description 90
- 238000000034 method Methods 0.000 claims abstract description 81
- 235000014101 wine Nutrition 0.000 claims description 334
- 239000001040 synthetic pigment Substances 0.000 claims description 143
- 239000000523 sample Substances 0.000 claims description 121
- 150000001875 compounds Chemical class 0.000 claims description 106
- 235000005979 Citrus limon Nutrition 0.000 claims description 20
- 244000131522 Citrus pyriformis Species 0.000 claims description 20
- 240000001592 Amaranthus caudatus Species 0.000 claims description 18
- 235000009328 Amaranthus caudatus Nutrition 0.000 claims description 18
- 235000012735 amaranth Nutrition 0.000 claims description 18
- 239000004178 amaranth Substances 0.000 claims description 18
- 238000002790 cross-validation Methods 0.000 claims description 18
- SGHZXLIDFTYFHQ-UHFFFAOYSA-L Brilliant Blue Chemical compound [Na+].[Na+].C=1C=C(C(=C2C=CC(C=C2)=[N+](CC)CC=2C=C(C=CC=2)S([O-])(=O)=O)C=2C(=CC=CC=2)S([O-])(=O)=O)C=CC=1N(CC)CC1=CC=CC(S([O-])(=O)=O)=C1 SGHZXLIDFTYFHQ-UHFFFAOYSA-L 0.000 claims description 15
- 239000012670 alkaline solution Substances 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 3
- 239000012468 concentrated sample Substances 0.000 claims description 2
- 230000001476 alcoholic effect Effects 0.000 abstract 1
- 238000011173 large scale experimental method Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 26
- HEMHJVSKTPXQMS-UHFFFAOYSA-M Sodium hydroxide Chemical compound [OH-].[Na+] HEMHJVSKTPXQMS-UHFFFAOYSA-M 0.000 description 24
- 239000000049 pigment Substances 0.000 description 23
- 239000001052 yellow pigment Substances 0.000 description 21
- 239000000243 solution Substances 0.000 description 17
- 125000000751 azo group Chemical group [*]N=N[*] 0.000 description 16
- 239000001055 blue pigment Substances 0.000 description 13
- 239000002585 base Substances 0.000 description 11
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 8
- 238000012937 correction Methods 0.000 description 8
- 235000013305 food Nutrition 0.000 description 7
- 235000019640 taste Nutrition 0.000 description 7
- 238000012795 verification Methods 0.000 description 7
- 239000003513 alkali Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 239000002253 acid Substances 0.000 description 4
- 239000001569 carbon dioxide Substances 0.000 description 4
- 229910002092 carbon dioxide Inorganic materials 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 235000013361 beverage Nutrition 0.000 description 3
- KRKNYBCHXYNGOX-UHFFFAOYSA-N citric acid Chemical compound OC(=O)CC(O)(C(O)=O)CC(O)=O KRKNYBCHXYNGOX-UHFFFAOYSA-N 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 239000007968 orange flavor Substances 0.000 description 3
- -1 orange-flavor compound Chemical class 0.000 description 3
- 238000002798 spectrophotometry method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 241000699670 Mus sp. Species 0.000 description 2
- 235000009754 Vitis X bourquina Nutrition 0.000 description 2
- 235000012333 Vitis X labruscana Nutrition 0.000 description 2
- 240000006365 Vitis vinifera Species 0.000 description 2
- 235000014787 Vitis vinifera Nutrition 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000003929 acidic solution Substances 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 238000004587 chromatography analysis Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000004811 liquid chromatography Methods 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- FFRBMBIXVSCUFS-UHFFFAOYSA-N 2,4-dinitro-1-naphthol Chemical group C1=CC=C2C(O)=C([N+]([O-])=O)C=C([N+]([O-])=O)C2=C1 FFRBMBIXVSCUFS-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- FEWJPZIEWOKRBE-JCYAYHJZSA-N Dextrotartaric acid Chemical compound OC(=O)[C@H](O)[C@@H](O)C(O)=O FEWJPZIEWOKRBE-JCYAYHJZSA-N 0.000 description 1
- VHLJDTBGULNCGF-UHFFFAOYSA-N Limonin Natural products CC1(C)OC2CC(=O)OCC23C4CCC5(C)C(CC(=O)C6OC56C4(C)C(=O)CC13)c7cocc7 VHLJDTBGULNCGF-UHFFFAOYSA-N 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 239000004952 Polyamide Substances 0.000 description 1
- FEWJPZIEWOKRBE-UHFFFAOYSA-N Tartaric acid Natural products [H+].[H+].[O-]C(=O)C(O)C(O)C([O-])=O FEWJPZIEWOKRBE-UHFFFAOYSA-N 0.000 description 1
- 240000000851 Vaccinium corymbosum Species 0.000 description 1
- 235000003095 Vaccinium corymbosum Nutrition 0.000 description 1
- 235000017537 Vaccinium myrtillus Nutrition 0.000 description 1
- 230000002378 acidificating effect Effects 0.000 description 1
- WLDHEUZGFKACJH-UHFFFAOYSA-K amaranth Chemical compound [Na+].[Na+].[Na+].C12=CC=C(S([O-])(=O)=O)C=C2C=C(S([O-])(=O)=O)C(O)=C1N=NC1=CC=C(S([O-])(=O)=O)C2=CC=CC=C12 WLDHEUZGFKACJH-UHFFFAOYSA-K 0.000 description 1
- 235000021014 blueberries Nutrition 0.000 description 1
- 230000000711 cancerogenic effect Effects 0.000 description 1
- 235000014171 carbonated beverage Nutrition 0.000 description 1
- 231100000315 carcinogenic Toxicity 0.000 description 1
- 235000012730 carminic acid Nutrition 0.000 description 1
- JBTHDAVBDKKSRW-UHFFFAOYSA-N chembl1552233 Chemical compound CC1=CC(C)=CC=C1N=NC1=C(O)C=CC2=CC=CC=C12 JBTHDAVBDKKSRW-UHFFFAOYSA-N 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012569 chemometric method Methods 0.000 description 1
- 239000011280 coal tar Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000002848 electrochemical method Methods 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000013373 food additive Nutrition 0.000 description 1
- 239000002778 food additive Substances 0.000 description 1
- 235000015203 fruit juice Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 210000003494 hepatocyte Anatomy 0.000 description 1
- 238000004128 high performance liquid chromatography Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- KBDSLGBFQAGHBE-MSGMIQHVSA-N limonin Chemical compound C=1([C@H]2[C@]3(C)CC[C@H]4[C@@]([C@@]53O[C@@H]5C(=O)O2)(C)C(=O)C[C@@H]2[C@]34COC(=O)C[C@@H]3OC2(C)C)C=COC=1 KBDSLGBFQAGHBE-MSGMIQHVSA-N 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 125000001997 phenyl group Chemical group [H]C1=C([H])C([H])=C(*)C([H])=C1[H] 0.000 description 1
- 238000000252 photodiode array detection Methods 0.000 description 1
- 229920002647 polyamide Polymers 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005588 protonation Effects 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000001054 red pigment Substances 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 235000014214 soft drink Nutrition 0.000 description 1
- 235000021055 solid food Nutrition 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 229940073450 sudan red Drugs 0.000 description 1
- 238000004416 surface enhanced Raman spectroscopy Methods 0.000 description 1
- 239000000979 synthetic dye Substances 0.000 description 1
- 239000011975 tartaric acid Substances 0.000 description 1
- 235000002906 tartaric acid Nutrition 0.000 description 1
- 238000003419 tautomerization reaction Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明实施例提供了一种配制酒中合成色素浓度的检测方法及系统，所述方法首先获取待检测配制酒在不同酸碱性条件下的RGB图像，并构建待检测配制酒‑光谱二维矩阵，然后将待检测配制酒‑光谱二维矩阵输入至预设定量分析模型中，由预设定量分析模型输出待检测配制酒内预设合成色素的第一类浓度矩阵。其中，预设定量分析模型基于偏最小二乘法构建，用于表征配制酒‑光谱二维矩阵与配制酒内预设合成色素的浓度矩阵之间的对应关系。本发明实施例中提供的配制酒中合成色素浓度的检测方法检测快速、准确、易于操作，能够减少检测时间。而且无需大型实验仪器，能够通过诸如手机摄像系统的便携式设备实现检测，降低了测定成本。
Description
技术领域
本发明实施例涉及混合体系中色素含量检测技术领域，更具体地，涉及配制酒中合成色素浓度的检测方法及系统。
背景技术
目前，合成色素是目前在食品中使用最广泛的食用色素，原料主要来源于煤焦油，多含有偶氮基(R-N＝N-R)、苯环或杂蒽结构。因其具有色泽鲜艳、性质稳定、易着色、成本低廉等特点，食品加工者会向饮料、糕点等食品中添加合成色素，使食物看起来更美味。人工合成色素根据其结构可分为偶氮类、非偶氮类，偶氮类合成色素在碳酸饮料、配制酒、果汁饮料、糖果等食品中被广泛使用。偶氮类色素是指色素分子结构中至少含有一个偶氮基(R-N＝N-R)结构的色素。软饮料中添加的偶氮基类色素主要有柠檬黄、日落黄、苋菜红以及胭脂红等。长期摄入以及过量食用合成色素都可能会干扰人体正常代谢，存在致癌风险，因此需要对合成色素的品种和用量做出严格规定。但是有关偶氮基类合成色素的安全问题层出不穷，争论也由来已久。
有研究人员用小鼠研究了柠檬黄和酸性红对动物生化指标的影响，通过收集血清和组织样品，发现小鼠重要器官(肝，肾)的生化指标在剂量范围内均发生异常。另有研究人员验证了偶氮类色素的毒性作用使肝细胞生长异常。目前常用的合成色素浓度的检测方法有传统的液相色谱法、分光光度法和电化学方法等，一些研究人员通过高效液相色谱法与二极管阵列检测器同时检测固体食品和饮料中多种合成色素的浓度。还有研究人员结合多元曲线分辨-交替最小二乘法结合分光光度法直接测定了样品中苋菜红、日落黄和柠檬黄的浓度。另有一些研究人员利用表面增强拉曼散射结合化学计量学方法检测了食品中的苏丹红I浓度。还有液相色谱结合光电二极管阵列检测，电化学传感器等检测色素浓度的方法。
但是，色谱法耗时长，检测步骤复杂，成本较高。而分光光度法，检测限较低，使得检测结果的准确性降低。
发明内容
为克服上述问题或者至少部分地解决上述问题，本发明实施例提供了一种配制酒中合成色素浓度的检测方法及系统。
第一方面，本发明实施例提供了一种配制酒中合成色素浓度的检测方法，包括：
获取待检测配制酒在不同酸碱性条件下的RGB图像，并构建待检测配制酒-光谱二维矩阵；
将所述待检测配制酒-光谱二维矩阵输入至预设定量分析模型中，由所述预设定量分析模型输出所述待检测配制酒内预设合成色素的第一类浓度矩阵；
其中，所述预设定量分析模型基于偏最小二乘法构建，用于表征配制酒-光谱二维矩阵与配制酒内所述预设合成色素的浓度矩阵之间的对应关系。
第二方面，本发明实施例提供了一种配制酒中合成色素浓度的检测系统，包括：RGB图像获取模块和浓度检测模块。其中，
RGB图像获取模块用于获取待检测配制酒在不同酸碱性条件下的RGB图像，并构建待检测配制酒-光谱二维矩阵；
浓度检测模块用于将所述待检测配制酒-光谱二维矩阵输入至预设定量分析模型中，由所述预设定量分析模型输出所述待检测配制酒内预设合成色素的第一类浓度矩阵；
其中，所述预设定量分析模型基于偏最小二乘法构建，用于表征配制酒-光谱二维矩阵与配制酒内所述预设合成色素的浓度矩阵之间的对应关系。
第三方面，本发明实施例提供了一种电子设备，包括：
至少一个处理器、至少一个存储器、通信接口和总线；其中，
所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以执行第一方面提供的配制酒中合成色素浓度的检测方法。
第四方面，本发明实施例提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面提供的配制酒中合成色素浓度的检测方法。
本发明实施例提供的一种配制酒中合成色素浓度的检测方法及系统，所述方法首先获取待检测配制酒在不同酸碱性条件下的RGB图像，并构建待检测配制酒-光谱二维矩阵，然后将待检测配制酒-光谱二维矩阵输入至预设定量分析模型中，由预设定量分析模型输出待检测配制酒内预设合成色素的第一类浓度矩阵。相比目前常用的合成色素浓度的检测方法，本发明实施例中提供的配制酒中合成色素浓度的检测方法检测快速、准确、易于操作，能够减少检测时间。而且无需大型实验仪器，能够通过诸如手机摄像系统的便携式设备实现检测，降低了测定成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种配制酒中合成色素浓度的检测方法的流程示意图；
图2为本发明实施例提供的一种配制酒中合成色素浓度的检测方法中预设定量分析模型的构建方法的流程示意图；
图3为本发明实施例提供的一种配制酒中合成色素浓度的检测方法中预设定量分析模型的构建方法中通过偏最小二乘法构建预设定量分析模型的流程示意图；
图4(a)为本发明实施例提供的一种配制酒中合成色素浓度的检测方法中采用橙子口味配制酒中柠檬黄色素构建预设定量分析模型中交互验证(Cross Validation，CV)的结果示意图；
图4(b)为本发明实施例提供的一种配制酒中合成色素浓度的检测方法中采用橙子口味配制酒中柠檬黄色素构建预设定量分析模型中校正的结果示意图；
图4(c)为本发明实施例提供的一种配制酒中合成色素浓度的检测方法中采用橙子口味配制酒中柠檬黄色素构建预设定量分析模型中验证的结果示意图；
图5(a)为本发明实施例提供的一种配制酒中合成色素浓度的检测方法中采用橙子口味配制酒中日落黄色素构建预设定量分析模型中CV的结果示意图；
图5(b)为本发明实施例提供的一种配制酒中合成色素浓度的检测方法中采用橙子口味配制酒中日落黄色素构建预设定量分析模型中校正的结果示意图；
图5(c)为本发明实施例提供的一种配制酒中合成色素浓度的检测方法中采用橙子口味配制酒中日落黄色素构建预设定量分析模型中验证的结果示意图；
图6(a)为本发明实施例提供的一种配制酒中合成色素浓度的检测方法中采用葡萄口味配制酒中苋菜红色素构建预设定量分析模型中CV的结果示意图；
图6(b)为本发明实施例提供的一种配制酒中合成色素浓度的检测方法中采用葡萄口味配制酒中苋菜红色素构建预设定量分析模型中校正的结果示意图；
图6(c)为本发明实施例提供的一种配制酒中合成色素浓度的检测方法中采用葡萄口味配制酒中苋菜红色素构建预设定量分析模型中验证的结果示意图；
图7(a)为本发明实施例提供的一种配制酒中合成色素浓度的检测方法中采用葡萄口味配制酒中亮蓝色素构建预设定量分析模型中CV的结果示意图；
图7(b)为本发明实施例提供的一种配制酒中合成色素浓度的检测方法中采用葡萄口味配制酒中亮蓝色素构建预设定量分析模型中校正的结果示意图；
图7(c)为本发明实施例提供的一种配制酒中合成色素浓度的检测方法中采用葡萄口味配制酒中亮蓝色素构建预设定量分析模型中验证的结果示意图；
图8为本发明实施例提供的一种配制酒中合成色素浓度的检测系统的结构示意图；
图9为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明实施例的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明实施例的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
如图1所示，本发明实施例提供了一种配制酒中合成色素浓度的检测方法，包括：
S11，获取待检测配制酒在不同酸碱性条件下的RGB图像，并构建待检测配制酒-光谱二维矩阵；
S12，将所述待检测配制酒-光谱二维矩阵输入至预设定量分析模型中，由所述预设定量分析模型输出所述待检测配制酒内预设合成色素的第一类浓度矩阵；
其中，所述预设定量分析模型基于偏最小二乘法构建，用于表征配制酒-光谱二维矩阵与配制酒内所述预设合成色素的浓度矩阵之间的对应关系。
具体地，本发明实施例中提供的配制酒中合成色素浓度的检测方法，主要是用于检测配制酒中各种合成色素的浓度，采用的预设定量分析模型用于检测配制酒中的一种特定的合成色素的浓度，即预设合成色素的浓度。此时预设定量分析模型用于表征配制酒-光谱二维矩阵与配制酒内预设合成色素的浓度矩阵之间的对应关系。待检测配制酒即为目标配制酒，需要检测其中合成色素的浓度的配制酒。其中本发明实施例中所说的待检测配制酒可以是各种口味的配制酒，可以是水果口味配制酒，例如可以是葡萄口味配制酒，也可以是橙子口味配制酒，还可以是蓝莓口味配制酒等，本发明实施例中对此不作具体限定，仅以待检测配制酒为葡萄口味配制酒和橙子口味配制酒为例进行说明。待检测配制酒中的合成色素具体可以包括：柠檬黄色素、日落黄色素苋菜红色素和亮蓝色素中的一种或多种，例如葡萄口味配制酒中含有苋菜红色素和亮蓝色素，橙子口味配制酒中含有柠檬黄色素和日落黄色素。相应地，预设合成色素具体可以为柠檬黄色素、日落黄色素、苋菜红色素或亮蓝色素。也就是说，预设定量分析模型可以用于表征配制酒-光谱二维矩阵与配制酒内柠檬黄色素的浓度矩阵之间的对应关系，或者可以用于表征配制酒-光谱二维矩阵与配制酒内日落黄色素的浓度矩阵之间的对应关系，或者可以用于表征配制酒-光谱二维矩阵与配制酒内苋菜红色素的浓度矩阵之间的对应关系，或者可以用于表征配制酒-光谱二维矩阵与配制酒内亮蓝色素的浓度矩阵之间的对应关系。
本发明实施例中首先获取待检测配制酒在不同酸碱性条件下的RGB图像。不同酸碱性条件可以通过在待检测配制酒中加入不同体积的碱性溶液实现，例如可以取待检测配制酒若干份，分别加入相同浓度、不同体积的碱性溶液。本发明实施例中具体可以取待检测配制酒6份，分别加入浓度为10mol/L的NaOH溶液0mL、0.1mL、0.2mL、0.3mL、0.4mL、0.5mL，可观察到待检测配制酒中发生不同程度的颜色变化。这是因为，合成色素中可能含有偶氮基等发色团，偶氮基等发色团能吸收一定波长的可见光，在酸碱性条件下发生质子化等互变异构，进而发生颜色变化。例如，柠檬黄色素在中性或酸性溶液中呈金黄色，对酸稳定，遇碱变红色；日落黄色素在中性或酸性溶液中呈黄橙色，在柠檬酸、酒石酸中稳定，遇碱变成红褐色。苋菜红色素在碱性条件下易变成暗红色，而亮蓝色素中不含偶氮基结构，属于非偶氮类色素，加入碱性溶液后不发生明显颜色变化。因此可以通过改变加入的碱性溶液的体积，使待检测配制酒内预设合成色素的偶氮基与碱性溶液作用发生不同程度颜色变化。
本发明实施例中具体可通过智能手机拍摄系统或其他可以获取可见光图像的设备获取待检测配制酒在不同酸碱性条件下的RGB图像。
获取待检测配制酒在不同酸碱性条件下的RGB图像后，构建待检测配制酒-光谱二维矩阵，其中待检测配制酒维度中每一元素可以表示为1，仅用于对待检测配制酒进行标识，也可以采用其他值代替，本发明实施例中对此不作具体限定；光谱维度中每一元素具体为酸碱度与光谱的乘积，酸碱度的取值可以通过pH值表示；光谱可以通过不同波长表示。将待检测配制酒-光谱二维矩阵输入至预设定量分析模型中，由预设定量分析模型输出待检测配制酒内预设合成色素的第一类浓度矩阵。本发明实施例中采用预设定量分析模型直接根据输入的待检测配制酒-光谱二维矩阵检测出待检测配制酒内预设合成色素的第一类浓度矩阵。其中，预设定量分析模型是基于偏最小二乘法(Partial least squaresregression，PLS)构建，即通过PLS确定配制酒-光谱二维矩阵与配制酒内预设合成色素的浓度矩阵之间的对应关系。
需要说明的是，此处所说的第一类浓度矩阵中的“第一类”仅用于与后面的配制酒样品内预设合成色素的第二类浓度矩阵的“第二类”进行区分。第一类浓度矩阵可以是1×1的矩阵，第一类浓度矩阵中的元素表示待检测配制酒中预设合成色素的浓度。
本发明实施例中提供的配制酒中合成色素浓度的检测方法，首先获取待检测配制酒在不同酸碱性条件下的RGB图像，构建待检测配制酒-光谱二维矩阵；然后将待检测配制酒-光谱二维矩阵输入至基于偏最小二乘法构建的预设定量分析模型中，由预设定量分析模型输出待检测配制酒内预设合成色素的第一类浓度矩阵。相比目前常用的合成色素浓度的检测方法，本发明实施例中提供的配制酒中合成色素浓度的检测方法检测快速、准确、易于操作，能够减少检测时间。而且无需大型实验仪器，能够通过诸如手机摄像系统的便携式设备实现检测，降低了测定成本。
在上述实施例的基础上，本发明实施例中提供的配制酒中合成色素浓度的检测方法，在获取待检测配制酒在不同酸碱性条件下的RGB图像之前还包括：将待检测配制酒放置在烧杯中，然后加热超声20-25分钟，以驱除待检测配制酒中溶解的二氧化碳，防止溶解的二氧化碳对合成色素的浓度检测结果造成不利影响。
如图2所示，在上述实施例的基础上，本发明实施例中提供的配制酒中合成色素浓度的检测方法，预设定量分析模型的构建方法包括：
S21，对于样品集中的每个配制酒样品组，向每个配制酒样品组中不同的配制酒样品内分别加入不同体积的碱性溶液，获取每个配制酒样品组中每份配制酒样品的RGB图像，并构建配制酒样品-光谱二维矩阵以及配制酒样品内合成色素的第二类浓度矩阵；其中，所述样品集中包括：具有不同浓度的所述预设合成色素的多个配制酒样品组，每个配制酒样品组中包括多份配制酒样品，每个配制酒样品组中不同的配制酒样品内的所述预设合成色素浓度均相等；
S22，通过偏最小二乘法确定所述配制酒样品-光谱二维矩阵与所述第二类浓度矩阵之间的对应关系，构建所述预设定量分析模型。
具体地，本发明实施例中提供一种预设定量分析模型的构建方法，具体是先获取样品集，样品集中可以包括：具有不同浓度的预设合成色素的多个配制酒样品组，每个配制酒样品组中包括多份配制酒样品，每个配制酒样品组中不同的配制酒样品内的所述预设合成色素浓度均相等且已知。也就是说，每个配制酒样品组中不同的配制酒样品内的预设合成色素浓度是相等的且是已知的，不同配制酒样品组中的配制酒样品内的预设合成色素浓度是不相等的。每个配制酒样品组中的配制酒样品可以是各种口味的配制酒，可以是水果口味配制酒，例如可以是葡萄口味配制酒，也可以是橙子口味配制酒，还可以是蓝莓口味配制酒等，本发明实施例中对此不作具体限定，仅以配制酒样品为葡萄口味配制酒和橙子口味配制酒为例进行说明，以与待检测配制酒相对应。
由于市售配制酒中合成色素浓度差别不大，因此本发明实施例中可以先获取市售配制酒作为初始样品，然后通过向初始样品中加入不同浓度的预设合成色素以获取样品集。本发明实施例中既可以单独配置预设合成色素对应的样品集，也可以配置预设合成色素与其他合成色素混合的样品集，此处仅以配置预设合成色素与其他合成色素混合的样品集为例进行说明，以便使构建得到的预设定量分析模型考虑其他合成色素的影响。初始样品中预设合成色素的浓度可通过色谱分析的方法确定，具体可以通过高效液相色谱-聚酰胺吸附法确定。经检测可知，市售的橙子口味配制酒中含有柠檬黄色素0.002619g/kg，日落黄色素0.003632g/kg；葡萄口味配制酒中含有苋菜红色素0.003595g/kg，亮蓝色素0.005002g/kg。根据《国家食品安全标准食品添加剂使用标准》(GB2760-2014)中规定柠檬黄色素在配制酒中最大使用量为0.1g/kg，日落黄色素在配制酒中最大使用量为0.1g/kg，苋菜红色素在配制酒中的最大使用量为0.05g/kg，亮蓝色素在配制酒中最大使用量为0.025g/kg。所测初始样品中预设合成色素含量均在国标范围内。例如，本发明实施例中可以先获取一定体积的初始样品，将初始样品平均分成25份，每一份初始样品构成一个配制酒样品组，将每一份初始样品再划分成6份，每份即为一份配制酒样品，即一个配制酒样品组中包括6份配制酒样品；然后分别配置浓度为0.01g/L、0.05g/L、0.1g/L、0.3g/L、0.5g/L的预设合成色素以及其他合成色素；将每个配制酒样品组中的每份配制酒样品中均加入不同浓度的预设合成色素以及其他合成色素，并放入离心管中进行均匀混合。
表1配制酒样品为橙子口味配制酒时其中合成色素的浓度
表2配制酒样品为葡萄口味配制酒时其中合成色素的浓度
每个配制酒样品组中预设合成色素以及其他合成色素的浓度可以如表1和表2所示，其中表1表示配制酒样品为橙子口味配制酒时其中合成色素的浓度，表1中的预设合成色素既可以是柠檬黄色素，也可以是日落黄色素。当预设合成色素为柠檬黄色素时，5个配制酒样品组可以分别是由编号为1-30、31-60、61-90、91-120、121-150的配制酒样品构成的；当预设合成色素为日落黄色素时，其中一个配制酒样品组可以是由编号为1-6、31-36、61-66、91-96、121-126构成的，剩下的配制酒样品组以此类推。表2表示配制酒样品为葡萄口味配制酒时其中合成色素的浓度，表2中的预设合成色素既可以是苋菜红色素，也可以是亮蓝色素。当预设合成色素为苋菜红色素时，5个配制酒样品组可以分别是由编号为1-30、31-60、61-90、91-120、121-150的配制酒样品构成的；当预设合成色素为亮蓝色素时，其中一个配制酒样品组可以是由编号为1-6、31-36、61-66、91-96、121-126构成的，剩下的配制酒样品组以此类推。
在获取样品集后，对于样品集中的每个配制酒样品组，向每个配制酒样品组中不同的配制酒样品内分别加入不同体积的碱性溶液，获取每个配制酒样品组中每份配制酒样品的RGB图像。不同体积的碱性溶液具体可以是浓度为10mol/L、体积分别为0mL、0.1mL、0.2mL、0.3mL、0.4mL和0.5mL的NaOH溶液。例如，对于配制酒样品为橙子口味配制酒的情况，可以向编号为1的配制酒样品中放入浓度为10mol/L、体积为0mL的NaOH溶液，可以向编号为2的配制酒样品中放入浓度为10mol/L、体积为0.1mL的NaOH溶液，可以向编号为3的配制酒样品中放入浓度为10mol/L、体积为0.2mL的NaOH溶液，可以向编号为4的配制酒样品中放入浓度为10mol/L、体积为0.3mL的NaOH溶液，可以向编号为5的配制酒样品中放入浓度为10mol/L、体积为0.4mL的NaOH溶液，可以向编号为6的配制酒样品中放入浓度为10mol/L、体积为0.5mL的NaOH溶液，以此类推，但并不限于此种加入方式。
获取每个配制酒样品组中每份配制酒样品的RGB图像具体可以通过智能手机拍摄系统或者其他可以获取可见光图像的设备实现。
获取每个配制酒样品组中每份配制酒样品的RGB图像后，构建配制酒样品-光谱二维矩阵以及配制酒样品内所述预设合成色素的第二类浓度矩阵。
最后，通过偏最小二乘法确定所述配制酒样品-光谱二维矩阵与所述第二类浓度矩阵之间的对应关系，构建预设定量分析模型。
本发明实施例中在获取样品集时采用配置合成色素并与初始样品混合的方式实现，避免购买不同品牌的配制酒，可以大大的节约成本。而且本发明实施例中得到样品集中的样品数量众多，可以使构建的预设定量分析模型更稳定。
在上述实施例的基础上，本发明实施例中提供的预设定量分析模型的构建方法中，可以在获取初始样品后，将初始样品放置在烧杯中，然后加热超声20-25分钟，以驱除初始样品中溶解的二氧化碳，然后再与配置的合成色素进行混合，防止溶解的二氧化碳对预设定量分析模型的检测准确性造成不利影响，进而保证合成色素的浓度检测结果的准确性。
在上述实施例的基础上，本发明实施例中提供的配制酒中合成色素浓度的检测方法，所述预设定量分析模型的构建方法还包括：
将样品集中的所有配制酒样品组分成K份，采用K-折交叉验证方法，对所述预设定量分析模型进行构建；
其中，所述样品集中包括：具有不同浓度的所述预设合成色素的多个配制酒样品组，每个配制酒样品组中包括多份配制酒样品，每个配制酒样品组中不同的配制酒样品内的所述预设合成色素浓度均相等。
具体地，本发明实施例中基于样品集，可以采用K-折交叉验证方法，对所述预设定量分析模型进行构建，具体是将样品集中的N个配制酒样品组平均分成K份作为基础划分，其中每一份的容量为N/K，K份中的若干份作为训练集用以初始构建预设定量分析模型，而K份中的剩余配制酒样品组作为测试集用来对初始构建的预设定量分析模型进行校正和验证，结合K-折交叉验证得到的K个结果进行泛化误差的估计。其中，N具体可以为上述实施例中的25，也可以为其他数值，本发明实施例中对此不作具体限定。
本发明实施例中可以采用K-折交叉验证方法，对所述预设定量分析模型进行构建。样品集D中的N个配制酒样品组被平均分成K个大小大致相同的子集，记为Dk (v)(k＝1，…，K)。令Dk (t)表示从样品集D中移走Dk (v)中的元素得到的第k个训练集，那么，基于训练集Dk (t)构建、测试集Dk (v)校正和验证得到的K个结果的平均值为：
其中，I1 (t)、I2 (t)、…、I5 (t)为对应于样品集D的K个基础划分，nv≈N/K。当K＝N时，K-折交叉验证即为留一交叉验证。
例如本发明实施例中具体可以采用5-折交叉验证方法，对所述预设定量分析模型进行构建、校正和验证，即K＝5。
如图3所示，在上述实施例的基础上，本发明实施例中提供的配制酒中合成色素浓度的检测方法，S22具体包括：
S221，对所述配制酒样品-光谱二维矩阵和所述第二类浓度矩阵进行分解，将所述配制酒样品-光谱二维矩阵和所述第二类浓度矩阵均采用对应的得分矩阵和载荷矩阵进行表示；
S222，将所述配制酒样品-光谱二维矩阵对应的得分矩阵与所述第二类浓度矩阵对应的得分矩阵进行线性回归，确定所述配制酒样品-光谱二维矩阵对应的得分矩阵与所述第二类浓度矩阵对应的得分矩阵之间的预设对应关系；
S223，基于所述预设对应关系、所述配制酒样品-光谱二维矩阵对应的载荷矩阵以及所述第二类浓度矩阵对应的载荷矩阵，构建所述预设定量分析模型。
具体地，本发明实施例中提供的配制酒中合成色素浓度的检测方法中，在构建预设定量分析模型时首先需要确定样品集中每个配制酒样品组中每份配制酒样品的RGB图像，并构建配制酒样品-光谱二维矩阵以及配制酒样品内预设合成色素的第二类浓度矩阵。其中，配制酒样品-光谱二维矩阵可以表示为X(I×J)，I为配制酒样品维度，J为光谱维度。其中，I中每一元素的具体取值可以用于表示一种配制酒样品，不同的配制酒样品具体取值不同，以进行标识区分；J中每一元素的具体取值可等于酸碱度与光谱的乘积，酸碱度的取值可以采用不同的pH值表示，光谱可以通过不同波长表示。X(I×J)可以理解为RGB图像的通道信号构成的矩阵，每个样品在不同酸碱度下的RGB图像对应不同的光谱。第二类浓度矩阵同样可以表示为Y(I×J)。
然后，分别对配制酒样品-光谱二维矩阵X和第二类浓度矩阵Y进行分解，将配制酒样品-光谱二维矩阵X和第二类浓度矩阵Y均采用对应的得分矩阵和载荷矩阵进行表示；得到公式(2)和公式(3)：
其中，T和U分别为配制酒样品-光谱二维矩阵X对应的得分矩阵和第二类浓度矩阵Y对应的得分矩阵，P和Q分别为配制酒样品-光谱二维矩阵X对应的载荷矩阵和第二类浓度矩阵Y对应的载荷矩阵；tk是含有n条光谱的配制酒样品-光谱二维矩阵X的第k个主因子得分，pk是含有n条光谱的配制酒样品-光谱二维矩阵X的第k个主因子载荷，uk是n条光谱对应的第二类浓度矩阵Y的第k个主因子得分，qk是n条光谱对应的第二类浓度矩阵Y的第k个主因子载荷。
需要说明的是，这里所说的所有配制酒样品是指所有配制酒样品组中的配制酒样品。
然后，将配制酒样品-光谱二维矩阵X对应的得分矩阵T与第二类浓度矩阵Y对应的得分矩阵U进行线性回归，确定配制酒样品-光谱二维矩阵X对应的得分矩阵T与第二类浓度矩阵Y对应的得分矩阵U之间的预设对应关系，如公式(4)、公式(5)所示：
U＝TB (4)
B＝(TTT)-1TTU (5)
配制酒样品-光谱二维矩阵X对应的得分矩阵T与第二类浓度矩阵Y对应的得分矩阵U之间的预设对应关系即如公式(4)所示的关系，确定得分矩阵T与得分矩阵U之间的预设对应关系即是确定系数矩阵B。
最后，根据公式(4)、配制酒样品-光谱二维矩阵X对应的载荷矩阵P以及第二类浓度矩阵对应的载荷矩阵Q，构建预设定量分析模型。也就是说，在预设定量分析模型中，系数矩阵B、载荷矩阵P以及载荷矩阵Q均为已知量。
在上述实施例的基础上，本发明实施例中提供的配制酒中合成色素浓度的检测方法，所述将所述待检测配制酒-光谱二维矩阵输入至预设定量分析模型中，由所述预设定量分析模型输出所述待检测配制酒内预设合成色素的第一类浓度矩阵，具体包括：
对所述待检测配制酒-光谱二维矩阵进行分解，将所述待检测配制酒-光谱二维矩阵采用对应的得分矩阵和所述配制酒样品-光谱二维矩阵对应的载荷矩阵进行表示；
基于所述预设对应关系、所述第二类浓度矩阵对应的载荷矩阵以及所述待检测配制酒-光谱二维矩阵对应的得分矩阵，确定并输出所述待检测配制酒内预设合成色素的第一类浓度矩阵。
具体地，本发明实施例中提供的配制酒中合成色素浓度的检测方法，在对待检测配制酒中合成色素的浓度进行检测时可以先获取待检测配制酒在不同酸碱性条件下的RGB图像，并构建待检测配制酒-光谱二维矩阵X1(I×J)。将待检测配制酒-光谱二维矩阵X1进行分解，将待检测配制酒-光谱二维矩阵X1采用所述配制酒样品-光谱二维矩阵对应的载荷矩阵P表示，根据公式(2)即可确定出待检测配制酒-光谱二维矩阵X1对应的得分矩阵T1。
根据公式(4)可计算出待检测配制酒内合成色素的第一类浓度矩阵Y1的得分矩阵U1。将第二类浓度矩阵对应的载荷矩阵Q作为第一类浓度矩阵Y1的载荷矩阵，并结合公式(3)即可确定出第一类浓度矩阵Y1，实现对配制酒中预设合成色素浓度的检测。
例如，本发明实施例中可以采用智能手机拍摄获得配制酒样品的RGB图像，使用软件MATLAB、工具箱PLS Toolbox进行数据处理。
将配制酒样品放置在暗室内，使用暗室固定图像采集参数，包括智能手机的位置、配制酒样品和智能手机之间距离，以及光照亮度，以保证获得良好的稳定性和重复性。暗室内设置有白色硬纸板，作为配制酒样品的拍摄背景，暗室配有通过USB端口供电的LED灯。所选用的LED灯由6个小灯泡围成一圈组成，有效避免了区域光照过强造成反射和颜色不均匀。智能手机支架位于暗室外部。对于图像采集，将配制酒样品置于5mm石英比色皿中，并打开LED灯。将智能手机中的相机闪光灯关闭，图像以“.jpg”格式记录在24位RGB系统中，拍摄时每份配制酒样品重复三次，然后取其像素平均值构成该份配制酒样品的RGB图像。
将得到的每份配制酒样品的RGB图像导入MATLAB软件中，得到4608×2592×6的数据矩阵，根据显示图像分布，将比色皿中反应颜色区域进行截取，获得150×100×6的感兴趣区域数据矩阵。由于图像具备良好的均一性，将所得感兴趣区域数据矩阵进行平均处理。将相同色素配比的感兴趣区域数据矩阵整合作为配制酒样品-光谱二维矩阵，对应的预设合成色素浓度作为第二类浓度矩阵，进行建模分析。
将其中120份配制酒样品作为训练集，30份配制酒样品作为测试集，预设合成色素含有5种色素浓度，基于偏最小二乘法，采用获得的配制酒样品-光谱二维矩阵和第二类浓度矩阵建立预设定量分析模型。如图4(a)是采用橙子口味配制酒中柠檬黄色素构建预设定量分析模型中CV的结果示意图，图4(b)是采用橙子口味配制酒中柠檬黄色素构建预设定量分析模型中校正的结果示意图，图4(c)是采用橙子口味配制酒中柠檬黄色素构建预设定量分析模型中验证的结果示意图。如图5(a)是采用橙子口味配制酒中日落黄色素构建预设定量分析模型中CV的结果示意图，图5(b)是采用橙子口味配制酒中日落黄色素构建预设定量分析模型中校正的结果示意图，图5(c)是采用橙子口味配制酒中日落黄色素构建预设定量分析模型中验证的结果示意图。如图6(a)是采用葡萄口味配制酒中苋菜红色素构建预设定量分析模型中CV的结果示意图，图6(b)是采用葡萄口味配制酒中苋菜红色素构建预设定量分析模型中校正的结果示意图，图6(c)是采用葡萄口味配制酒中苋菜红色素构建预设定量分析模型中验证的结果示意图。如图7(a)是采用葡萄口味配制酒中亮蓝色素构建预设定量分析模型中CV的结果示意图，图7(b)是采用葡萄口味配制酒中亮蓝色素构建预设定量分析模型中校正的结果示意图，图7(c)是采用葡萄口味配制酒中亮蓝色素构建预设定量分析模型中验证的结果示意图。图中横坐标均为配制酒中预设合成色素含量的真实值(单位为g/L)，纵坐标均为经构建的预设定量分析模型检测得到的预设合成色素含量的检测值(单位为g/L)。
具体数据如表3所示，表3中LVs为潜变量个数(Latent Variables，LVs)，RMSEP为预测均方根误差(Root-Mean-Square Error of Prediction，RMSEP)。
表3预设定量分析模型构建结果
由表3可以分析得出：基于PLS，采用橙子口味配制酒中日落黄色素浓度的建模效果最好。如图4(a)、4(b)和4(c)所示，在CV、校正和验证的过程中，相关系数R2值均达到0.9900以上。基于PLS，采用橙子口味配制酒中柠檬黄色素浓度的建模效果相对较差，这是因为橙子口味配制酒中有色物质主要为日落黄色素和柠檬黄色素两种，都为黄色系色素，颜色接近，相互影响程度较大。而葡萄口味配制酒中苋菜红色素交互验证过程R2为0.9157，亮蓝色素交互验证过程R2仅为0.6176，这是由于亮蓝色素属于非偶氮类色素，不具有偶氮结构，加入碱液后不发生明显颜色变化，因而建模效果较差。
如图8所示，在上述实施例的基础上，本发明实施例中提供了一种配制酒中合成色素浓度的检测系统，包括：RGB图像获取模块81和浓度检测模块82。其中，
RGB图像获取模块81用于获取待检测配制酒在不同酸碱性条件下的RGB图像，并构建待检测配制酒-光谱二维矩阵；
浓度检测模块82用于将所述待检测配制酒-光谱二维矩阵输入至预设定量分析模型中，由所述预设定量分析模型输出所述待检测配制酒内预设合成色素的第一类浓度矩阵；
其中，所述预设定量分析模型基于偏最小二乘法构建，用于表征配制酒-光谱二维矩阵与配制酒内所述预设合成色素的浓度矩阵之间的对应关系。
具体地，本发明实施例中提供的配制酒中合成色素浓度的检测系统中各模块的作用与上述方法类实施例中各步骤的操作流程是一一对应的，实现的技术效果也是一致的，本发明实施例中在此不再赘述。
如图9所示，在上述实施例的基础上，本发明实施例中提供了一种电子设备，包括：处理器(processor)901、存储器(memory)902、通信接口(Communications Interface)903和总线904；其中，
所述处理器901、存储器902、通信接口903通过总线904完成相互间的通信。所述存储器902存储有可被所述处理器901执行的程序指令，处理器901用于调用存储器902中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：S11，获取待检测配制酒在不同酸碱性条件下的RGB图像，并构建待检测配制酒-光谱二维矩阵；S12，将所述待检测配制酒-光谱二维矩阵输入至预设定量分析模型中，由所述预设定量分析模型输出所述待检测配制酒内预设合成色素的第一类浓度矩阵。
存储器902中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在上述实施例的基础上，本发明实施例中提供了一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：S11，获取待检测配制酒在不同酸碱性条件下的RGB图像，并构建待检测配制酒-光谱二维矩阵；S12，将所述待检测配制酒-光谱二维矩阵输入至预设定量分析模型中，由所述预设定量分析模型输出所述待检测配制酒内预设合成色素的第一类浓度矩阵。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种配制酒中合成色素浓度的检测方法，其特征在于，包括：
获取待检测配制酒在不同酸碱性条件下的RGB图像，并构建待检测配制酒-光谱二维矩阵；
将所述待检测配制酒-光谱二维矩阵输入至预设定量分析模型中，由所述预设定量分析模型输出所述待检测配制酒内预设合成色素的第一类浓度矩阵；
其中，所述预设定量分析模型基于偏最小二乘法构建，用于表征配制酒-光谱二维矩阵与配制酒内所述预设合成色素的浓度矩阵之间的对应关系。
2.根据权利要求1所述的配制酒中合成色素浓度的检测方法，其特征在于，所述预设定量分析模型的构建方法包括：
对于样品集中的每个配制酒样品组，向每个配制酒样品组中不同的配制酒样品内分别加入不同体积的碱性溶液，获取每个配制酒样品组中每份配制酒样品的RGB图像，并构建配制酒样品-光谱二维矩阵以及配制酒样品内所述预设合成色素的第二类浓度矩阵；其中，所述样品集中包括：具有不同浓度的所述预设合成色素的多个配制酒样品组，每个配制酒样品组中包括多份配制酒样品，每个配制酒样品组中不同的配制酒样品内的所述预设合成色素浓度均相等；
通过偏最小二乘法确定所述配制酒样品-光谱二维矩阵与所述第二类浓度矩阵之间的对应关系，构建所述预设定量分析模型。
3.根据权利要求1所述的配制酒中合成色素浓度的检测方法，其特征在于，所述预设定量分析模型的构建方法还包括：
将样品集中的所有配制酒样品组分成K份，采用K-折交叉验证方法，对所述预设定量分析模型进行构建；
其中，所述样品集中包括：具有不同浓度的所述预设合成色素的多个配制酒样品组，每个配制酒样品组中包括多份配制酒样品，每个配制酒样品组中不同的配制酒样品内的所述预设合成色素浓度均相等。
4.根据权利要求2所述的配制酒中合成色素浓度的检测方法，其特征在于，所述通过偏最小二乘法确定所述配制酒样品-光谱二维矩阵与所述第二类浓度矩阵之间的对应关系，构建所述预设定量分析模型，具体包括：
对所述配制酒样品-光谱二维矩阵和所述第二类浓度矩阵进行分解，将所述配制酒样品-光谱二维矩阵和所述第二类浓度矩阵均采用对应的得分矩阵和载荷矩阵进行表示；
将所述配制酒样品-光谱二维矩阵对应的得分矩阵与所述第二类浓度矩阵对应的得分矩阵进行线性回归，确定所述配制酒样品-光谱二维矩阵对应的得分矩阵与所述第二类浓度矩阵对应的得分矩阵之间的预设对应关系；
基于所述预设对应关系、所述配制酒样品-光谱二维矩阵对应的载荷矩阵以及所述第二类浓度矩阵对应的载荷矩阵，构建所述预设定量分析模型。
5.根据权利要求4所述的配制酒中合成色素浓度的检测方法，其特征在于，所述将所述待检测配制酒-光谱二维矩阵输入至预设定量分析模型中，由所述预设定量分析模型输出所述待检测配制酒内预设合成色素的第一类浓度矩阵，具体包括：
对所述待检测配制酒-光谱二维矩阵进行分解，将所述待检测配制酒-光谱二维矩阵采用对应的得分矩阵和所述配制酒样品-光谱二维矩阵对应的载荷矩阵进行表示；
基于所述预设对应关系、所述第二类浓度矩阵对应的载荷矩阵以及所述待检测配制酒-光谱二维矩阵对应的得分矩阵，确定并输出所述待检测配制酒内所述预设合成色素的第一类浓度矩阵。
6.根据权利要求1-5中任一项所述的配制酒中合成色素浓度的检测方法，其特征在于，所述预设合成色素具体包括：柠檬黄色素、日落黄色素、苋菜红色素或亮蓝色素。
7.一种配制酒中合成色素浓度的检测系统，其特征在于，包括：
RGB图像获取模块，用于获取待检测配制酒在不同酸碱性条件下的RGB图像，并构建待检测配制酒-光谱二维矩阵；
浓度检测模块，用于将所述待检测配制酒-光谱二维矩阵输入至预设定量分析模型中，由所述预设定量分析模型输出所述待检测配制酒内预设合成色素的第一类浓度矩阵；
其中，所述预设定量分析模型基于偏最小二乘法构建，用于表征配制酒-光谱二维矩阵与配制酒内所述预设合成色素的浓度矩阵之间的对应关系。
8.一种电子设备，其特征在于，包括：
至少一个处理器、至少一个存储器、通信接口和总线；其中，
所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以执行如权利要求1-6中任一项所述的配制酒中合成色素浓度的检测方法。
9.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1-6中任一项所述的配制酒中合成色素浓度的检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910196641.1A CN109856060A (zh) | 2019-03-15 | 2019-03-15 | 配制酒中合成色素浓度的检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910196641.1A CN109856060A (zh) | 2019-03-15 | 2019-03-15 | 配制酒中合成色素浓度的检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109856060A true CN109856060A (zh) | 2019-06-07 |
Family
ID=66900879
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910196641.1A Pending CN109856060A (zh) | 2019-03-15 | 2019-03-15 | 配制酒中合成色素浓度的检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109856060A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104406923A (zh) * | 2014-11-14 | 2015-03-11 | 首都师范大学 | 一种利用THz-TDS技术定量检测粮食中氨基酸含量的方法 |
| CN104990876A (zh) * | 2015-07-15 | 2015-10-21 | 江苏大学 | 一种快速成像化检测农药残留的方法 |
| CN105092482A (zh) * | 2014-05-08 | 2015-11-25 | 上海市食品药品检验所 | 垂体后叶注射液中三氯叔丁醇浓度快速测定方法 |
| CN106610380A (zh) * | 2015-10-26 | 2017-05-03 | 华东理工大学 | 一种快速检测黄嘌呤的方法 |
| CN108007888A (zh) * | 2017-11-20 | 2018-05-08 | 首都师范大学 | 一种氨基酸改性的纳米金多通道传感器及其制备方法与其用途 |
| CN108051434A (zh) * | 2017-12-13 | 2018-05-18 | 深圳市在田翊方科技有限公司 | 一种基于颜色识别的待测液浓度定量检测方法 |
| CN108254324A (zh) * | 2017-12-18 | 2018-07-06 | 中国农业大学 | 一种蟹肉新鲜度快速检测方法及装置 |
| CN108681697A (zh) * | 2018-04-28 | 2018-10-19 | 北京农业质量标准与检测技术研究中心 | 特征选择方法及装置 |
-
2019
- 2019-03-15 CN CN201910196641.1A patent/CN109856060A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105092482A (zh) * | 2014-05-08 | 2015-11-25 | 上海市食品药品检验所 | 垂体后叶注射液中三氯叔丁醇浓度快速测定方法 |
| CN104406923A (zh) * | 2014-11-14 | 2015-03-11 | 首都师范大学 | 一种利用THz-TDS技术定量检测粮食中氨基酸含量的方法 |
| CN104990876A (zh) * | 2015-07-15 | 2015-10-21 | 江苏大学 | 一种快速成像化检测农药残留的方法 |
| CN106610380A (zh) * | 2015-10-26 | 2017-05-03 | 华东理工大学 | 一种快速检测黄嘌呤的方法 |
| CN108007888A (zh) * | 2017-11-20 | 2018-05-08 | 首都师范大学 | 一种氨基酸改性的纳米金多通道传感器及其制备方法与其用途 |
| CN108051434A (zh) * | 2017-12-13 | 2018-05-18 | 深圳市在田翊方科技有限公司 | 一种基于颜色识别的待测液浓度定量检测方法 |
| CN108254324A (zh) * | 2017-12-18 | 2018-07-06 | 中国农业大学 | 一种蟹肉新鲜度快速检测方法及装置 |
| CN108681697A (zh) * | 2018-04-28 | 2018-10-19 | 北京农业质量标准与检测技术研究中心 | 特征选择方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| BRUNO G.BOTELHO: "Development and analytical of a simple multivariate calibration method digital scanner images for sunnert yellow determination in soft beverages", 《FOOD CHEMISTRY》 * |
| 于洋: "手机摄像系统结合化学计量学检测食品饮料中偶氮类色素含量", 《中国化学会第14届全国计算（机）化学学术会议暨分子模拟国际论坛会议手册》 * |
| 孙文通: "食品中偶氮类色素检测方法的研究进展", 《食品安全质量检测学报》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108680572B (zh) | 一种颜色/荧光双信号可视化快速检测亚硝酸盐的方法及应用 | |
| Girolami et al. | Measurement of meat color using a computer vision system | |
| Gonçalves Dias Diniz | Chemometrics‐assisted color histogram‐based analytical systems | |
| Bevin et al. | Varietal discrimination of Australian wines by means of mid-infrared spectroscopy and multivariate analysis | |
| Zhu et al. | Evaluation of the non-enzymatic browning in thermally processed apple juice by front-face fluorescence spectroscopy | |
| CN101294912A (zh) | 茶多酚检测试纸及其标准比色卡和它们的用途 | |
| Nevado et al. | Simultaneous spectrophotometric determination of tartrazine, patent blue V, and indigo carmine in commercial products by partial least squares and principal component regression methods. | |
| Gordillo et al. | Influence of turbidity grade on color and appearance of virgin olive oil | |
| CN109323999A (zh) | 一种基于图像数值分析的分光光度检测方法 | |
| Arapitsas et al. | White wine light-strike fault: A comparison between flint and green glass bottles under the typical supermarket conditions | |
| US20160377535A1 (en) | Real-time monitoring of material composition for quality control | |
| Christensen et al. | Rapid determination of bitterness in beer using fluorescence spectroscopy and chemometrics | |
| CN104535705B (zh) | 一种同步测定辣椒油树脂中辣椒碱和辣椒红素的方法 | |
| Dankowska | Advances in fluorescence emission spectroscopy for food authenticity testing | |
| Hosseininia et al. | Quantitative determination of sunset yellow concentration in soft drinks via digital image processing | |
| CN109856061A (zh) | 碳酸饮料中合成色素浓度的检测方法及系统 | |
| CN109856063A (zh) | 碳酸饮料中合成色素浓度的检测方法及系统 | |
| López‐Rituerto et al. | Monitoring of the Rioja red wine production process by 1H‐NMR spectroscopy | |
| Gräb et al. | Spectroscopic studies of food colorings | |
| CN109856060A (zh) | 配制酒中合成色素浓度的检测方法及系统 | |
| CN109856062A (zh) | 配制酒中合成色素浓度的检测方法及系统 | |
| Chanla et al. | Application of smartphone as a digital image colorimetric detector for batch and flow-based acid-base titration | |
| Alimelli et al. | Direct quantitative evaluation of complex substances using computer screen photo-assisted technology: the case of red wine | |
| Antela et al. | Development of an automated colorimeter controlled by Raspberry Pi4 | |
| CN104458714A (zh) | 一种快速鉴定真假红酒的试剂盒及其制备方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190607 |