CN109856063A - 碳酸饮料中合成色素浓度的检测方法及系统 - Google Patents
碳酸饮料中合成色素浓度的检测方法及系统 Download PDFInfo
- Publication number
- CN109856063A CN109856063A CN201910196797.XA CN201910196797A CN109856063A CN 109856063 A CN109856063 A CN 109856063A CN 201910196797 A CN201910196797 A CN 201910196797A CN 109856063 A CN109856063 A CN 109856063A
- Authority
- CN
- China
- Prior art keywords
- soda
- concentration
- default
- matrix
- sample
- 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
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明实施例提供了一种碳酸饮料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碳酸饮料在不同酸碱性条件下的RGB图像,并构建待检测碳酸饮料‑光谱‑酸碱度三维矩阵,然后将待检测碳酸饮料‑光谱‑酸碱度三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碳酸饮料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多维偏最小二乘法构建。本发明实施例中提供的碳酸饮料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,涉及碳酸饮料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、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碳酸饮料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碳酸饮料中合成色素浓度的检测方法,包括:
获取待检测碳酸饮料在不同酸碱性条件下的RGB图像,并构建待检测碳酸饮料-光谱-酸碱度三维矩阵;
将所述待检测碳酸饮料-光谱-酸碱度三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碳酸饮料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多维偏最小二乘法构建,用于表征碳酸饮料-光谱-酸碱度三维矩阵与碳酸饮料内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碳酸饮料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碳酸饮料在不同酸碱性条件下的RGB图像,并构建待检测碳酸饮料-光谱-酸碱度三维矩阵;
浓度检测模块,用于将所述待检测碳酸饮料-光谱-酸碱度三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碳酸饮料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多维偏最小二乘法构建,用于表征碳酸饮料-光谱-酸碱度三维矩阵与碳酸饮料内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碳酸饮料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碳酸饮料中合成色素浓度的检测方法。
本发明实施例提供的一种碳酸饮料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碳酸饮料在不同酸碱性条件下的RGB图像,并构建待检测碳酸饮料-光谱-酸碱度三维矩阵,然后将待检测碳酸饮料-光谱-酸碱度三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碳酸饮料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碳酸饮料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碳酸饮料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碳酸饮料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碳酸饮料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碳酸饮料中合成色素浓度的检测方法中采用苹果口味碳酸饮料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碳酸饮料中合成色素浓度的检测方法中采用苹果口味碳酸饮料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碳酸饮料中合成色素浓度的检测方法中采用苹果口味碳酸饮料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碳酸饮料中合成色素浓度的检测方法中采用苹果口味碳酸饮料中亮蓝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碳酸饮料中合成色素浓度的检测方法中采用苹果口味碳酸饮料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5(c)为本发明实施例提供的一种碳酸饮料中合成色素浓度的检测方法中采用苹果口味碳酸饮料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6(a)为本发明实施例提供的一种碳酸饮料中合成色素浓度的检测方法中采用橙子口味碳酸饮料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6(b)为本发明实施例提供的一种碳酸饮料中合成色素浓度的检测方法中采用橙子口味碳酸饮料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6(c)为本发明实施例提供的一种碳酸饮料中合成色素浓度的检测方法中采用橙子口味碳酸饮料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7(a)为本发明实施例提供的一种碳酸饮料中合成色素浓度的检测方法中采用橙子口味碳酸饮料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7(b)为本发明实施例提供的一种碳酸饮料中合成色素浓度的检测方法中采用橙子口味碳酸饮料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7(c)为本发明实施例提供的一种碳酸饮料中合成色素浓度的检测方法中采用橙子口味碳酸饮料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8(a)为本发明实施例提供的一种碳酸饮料中合成色素浓度的检测方法中采用混合饮料中的柠檬黄色素构建预设定量分析模型中CV的结果示意图;
图8(b)为本发明实施例提供的一种碳酸饮料中合成色素浓度的检测方法中采用混合饮料中的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8(c)为本发明实施例提供的一种碳酸饮料中合成色素浓度的检测方法中采用混合饮料中的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9为本发明实施例提供的一种碳酸饮料中合成色素浓度的检测系统的结构示意图;
图10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碳酸饮料中合成色素浓度的检测方法,包括:
S11,获取待检测碳酸饮料在不同酸碱性条件下的RGB图像,并构建待检测碳酸饮料-光谱-酸碱度三维矩阵;
S12,将所述待检测碳酸饮料-光谱-酸碱度三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碳酸饮料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多维偏最小二乘法构建,用于表征碳酸饮料-光谱-酸碱度三维矩阵与碳酸饮料内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碳酸饮料中合成色素浓度的检测方法,主要是用于检测碳酸饮料中某种合成色素的浓度,采用的预设定量分析模型用于检测碳酸饮料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碳酸饮料-光谱-酸碱度三维矩阵与碳酸饮料内预设合成色素的浓度矩阵之间的对应关系。待检测碳酸饮料即为目标碳酸饮料,需要检测其中合成色素的浓度的碳酸饮料。其中本发明实施例中所说的待检测碳酸饮料可以是各种口味的碳酸饮料,可以是水果口味碳酸饮料,例如可以是苹果口味碳酸饮料,也可以是橙子口味碳酸饮料,还可以是蓝莓口味碳酸饮料等,本发明实施例中对此不作具体限定,仅以待检测碳酸饮料为苹果口味碳酸饮料和橙子口味碳酸饮料为例进行说明。待检测碳酸饮料中的合成色素具体可以包括:柠檬黄色素、日落黄色素和亮蓝色素中的一种或多种,例如苹果口味碳酸饮料中含有柠檬黄色素和亮蓝色素,橙子口味碳酸饮料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、日落黄色素或亮蓝色素。也就是说,预设定量分析模型可以用于表征碳酸饮料-光谱-酸碱度三维矩阵与碳酸饮料内柠檬黄色素的浓度矩阵之间的对应关系,或者可以用于表征碳酸饮料-光谱-酸碱度三维矩阵与碳酸饮料内日落黄色素的浓度矩阵之间的对应关系,或者可以用于表征碳酸饮料-光谱-酸碱度三维矩阵与碳酸饮料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碳酸饮料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碳酸饮料中加入不同体积的碱性溶液实现,例如可以取待检测碳酸饮料若干份,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碳酸饮料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,可观察到待检测碳酸饮料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。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,使待检测碳酸饮料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获取待检测碳酸饮料在不同酸碱性条件下的RGB图像。
获取待检测碳酸饮料在不同酸碱性条件下的RGB图像后,构建待检测碳酸饮料-光谱-酸碱度三维矩阵,其中待检测碳酸饮料维度的取值可以均表示为1,仅用于对待检测碳酸饮料进行标识,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;光谱维度可以通过不同波长取值表示;酸碱度维度的取值可以通过pH值表示。将待检测碳酸饮料-光谱-酸碱度三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碳酸饮料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碳酸饮料-光谱-酸碱度三维矩阵检测出待检测碳酸饮料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多维偏最小二乘法(N Partial leastsquares regression,N-PLS)构建,即通过N-PLS确定碳酸饮料-光谱-酸碱度三维矩阵与碳酸饮料内预设合成色素的第一类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”仅用于与后面的碳酸饮料样品内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碳酸饮料中预设合成色素的浓度。
本发明实施例中提供的碳酸饮料中合成色素浓度的检测方法,首先获取待检测碳酸饮料在不同酸碱性条件下的RGB图像,并构建待检测碳酸饮料-光谱-酸碱度三维矩阵;然后将待检测碳酸饮料-光谱-酸碱度三维矩阵输入至基于多维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碳酸饮料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碳酸饮料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碳酸饮料中合成色素浓度的检测方法,在获取待检测碳酸饮料在不同酸碱性条件下的RGB图像之前还包括:将待检测碳酸饮料放置在烧杯中,然后加热超声20-25分钟,以驱除待检测碳酸饮料中溶解的二氧化碳,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碳酸饮料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包括:
S21,对于样品集中的每个碳酸饮料样品组,向每个碳酸饮料样品组中不同的碳酸饮料样品内分别加入不同体积的碱性溶液,获取每个碳酸饮料样品组中每份碳酸饮料样品的RGB图像,并构建碳酸饮料样品-光谱-酸碱度三维矩阵以及碳酸饮料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碳酸饮料样品组,每个碳酸饮料样品组中包括多份碳酸饮料样品,每个碳酸饮料样品组中不同的碳酸饮料样品内的所述预设合成色素浓度均相等;
S22,通过多维偏最小二乘法确定所述碳酸饮料样品-光谱-酸碱度三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:具有不同浓度的所述预设合成色素的多个碳酸饮料样品组,每个碳酸饮料样品组中包括多份碳酸饮料样品,每个碳酸饮料样品组中不同的碳酸饮料样品内的所述预设合成色素浓度均相等且已知。也就是说,每个碳酸饮料样品组中不同的碳酸饮料样品内的预设合成色素浓度是相等的且是已知的,不同碳酸饮料样品组中的碳酸饮料样品内的预设合成色素浓度是不相等的。每个碳酸饮料样品组中的碳酸饮料样品可以是各种口味的碳酸饮料,可以是水果口味碳酸饮料,例如可以是苹果口味碳酸饮料,也可以是橙子口味碳酸饮料,还可以是蓝莓口味碳酸饮料等,本发明实施例中对此不作具体限定,仅以碳酸饮料样品为苹果口味碳酸饮料和橙子口味碳酸饮料为例进行说明,以与待检测碳酸饮料相对应。
由于市售碳酸饮料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碳酸饮料作为初始样品,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,橙子口味碳酸饮料中含有柠檬黄色素0.01136g/kg,日落黄色素0.01187g/kg;苹果口味碳酸饮料中含有柠檬黄色素0.005180g/kg,亮蓝色素0.005011g/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饮料类食品中最大使用量为0.1g/kg,日落黄色素在碳酸饮料中最大使用量为0.1g/kg,亮蓝色素在碳酸饮料中最大使用量为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碳酸饮料样品组,将每一份初始样品再划分成6份,每份即为一份碳酸饮料样品,即一个碳酸饮料样品组中包括6份碳酸饮料样品;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;将每个碳酸饮料样品组中的每份碳酸饮料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碳酸饮料样品为橙子口味碳酸饮料时其中合成色素的浓度
每个碳酸饮料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表示碳酸饮料样品为橙子口味碳酸饮料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个碳酸饮料样品组可以分别是由编号为1-30、31-60、61-90、91-120、121-150的碳酸饮料样品构成的;当预设合成色素为日落黄色素时,其中一个碳酸饮料样品组可以是由编号为1-6、31-36、61-66、91-96、121-126构成的,剩下的碳酸饮料样品组以此类推。
表2碳酸饮料样品为苹果口味碳酸饮料时其中合成色素的浓度
表2表示碳酸饮料样品为苹果口味碳酸饮料时其中合成色素的浓度,表2中的预设合成色素既可以是柠檬黄色素,也可以是亮蓝色素。当预设合成色素为柠檬黄色素时,5个碳酸饮料样品组可以分别是由编号为1-30、31-60、61-90、91-120、121-150的碳酸饮料样品构成的;当预设合成色素为亮蓝色素时,其中一个碳酸饮料样品组可以是由编号为1-6、31-36、61-66、91-96、121-126构成的,剩下的碳酸饮料样品组以此类推。
在获取样品集后,对于每个碳酸饮料样品组,向每个碳酸饮料样品组中不同的碳酸饮料样品内分别加入不同体积的碱性溶液,获取每个碳酸饮料样品组中每份碳酸饮料样品的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,对于碳酸饮料样品为橙子口味碳酸饮料的情况,可以向编号为1的碳酸饮料样品中放入浓度为10mol/L、体积为0mL的NaOH溶液,可以向编号为2的碳酸饮料样品中放入浓度为10mol/L、体积为0.1mL的NaOH溶液,可以向编号为3的碳酸饮料样品中放入浓度为10mol/L、体积为0.2mL的NaOH溶液,可以向编号为4的碳酸饮料样品中放入浓度为10mol/L、体积为0.3mL的NaOH溶液,可以向编号为5的碳酸饮料样品中放入浓度为10mol/L、体积为0.4mL的NaOH溶液,可以向编号为6的碳酸饮料样品中放入浓度为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。
获取每个碳酸饮料样品组中每份碳酸饮料样品的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。
获取每个碳酸饮料样品组中每份碳酸饮料样品的RGB图像后,构建碳酸饮料样品-光谱-酸碱度三维矩阵以及碳酸饮料样品内所述预设合成色素的第二类浓度矩阵。
最后,通过多维偏最小二乘法确定所述碳酸饮料样品-光谱-酸碱度三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碳酸饮料,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碳酸饮料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:
将样品集中的所有碳酸饮料样品组分成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:具有不同浓度的预设合成色素的多个碳酸饮料样品组,每个碳酸饮料样品组中包括多份碳酸饮料样品,每个碳酸饮料样品组中不同的碳酸饮料样品内的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、校正和验证,具体是将样品集中的N个碳酸饮料样品组平均分成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构建预设定量分析模型,而K份中的剩余碳酸饮料样品组作为测试集用来对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、校正和验证。样品集D中的N个碳酸饮料样品组被平均分成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碳酸饮料中合成色素浓度的检测方法,S22具体包括:
S221,对所述碳酸饮料样品-光谱-酸碱度三维矩阵和所述第二类浓度矩阵进行分解,将所述碳酸饮料样品-光谱-酸碱度三维矩阵和所述第二类浓度矩阵均采用对应的得分矩阵和权重矩阵进行表示;
S222,将所述碳酸饮料样品-光谱-酸碱度三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,确定所述碳酸饮料样品-光谱-酸碱度三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、所述碳酸饮料样品-光谱-酸碱度三维矩阵对应的权重矩阵以及所述第二类浓度矩阵对应的权重矩阵,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碳酸饮料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需要确定样品集中每个碳酸饮料样品组中每份碳酸饮料样品的RGB图像,并构建碳酸饮料样品-光谱-酸碱度三维矩阵以及碳酸饮料样品内预设合成色素的第二类浓度矩阵。其中,碳酸饮料样品-光谱-酸碱度三维矩阵可以表示为X(I×J×K),I为碳酸饮料样品维度,J为光谱维度,K为酸碱度维度,其中酸碱度维可以采用不同的pH值表示。X(I×J×K)可以理解为RGB图像的通道信号构成的矩阵,每个碳酸饮料样品在不同酸碱度下的RGB图像对应不同的光谱。第二类浓度矩阵是一个M×1的矩阵,可以表示为Y(M×1),M为碳酸饮料样品的数量。
然后,分别对碳酸饮料样品-光谱-酸碱度三维矩阵X和第二类浓度矩阵Y进行分解,将碳酸饮料样品-光谱-酸碱度三维矩阵X和第二类浓度矩阵Y均采用对应的得分矩阵和权重矩阵进行表示;得到公式(2)和公式(3):
其中,T和U分别为碳酸饮料样品-光谱-酸碱度三维矩阵X对应的得分矩阵和第二类浓度矩阵Y对应的得分矩阵,WK和QK分别为碳酸饮料样品-光谱-酸碱度三维矩阵X在K维上对应的权重矩阵和第一类浓度矩阵Y在K维上对应的权重矩阵;WJ和QJ分别为碳酸饮料样品-光谱-酸碱度三维矩阵X在J维上对应的权重矩阵和第二类浓度矩阵Y在J维上对应的权重矩阵。为Khatri-Rao积运算符。
需要说明的是,这里所说的所有碳酸饮料样品是指所有碳酸饮料样品组中的碳酸饮料样品。
然后,将碳酸饮料样品-光谱-酸碱度三维矩阵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,确定碳酸饮料样品-光谱-酸碱度三维矩阵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)
碳酸饮料样品-光谱-酸碱度三维矩阵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)、碳酸饮料样品-光谱-酸碱度三维矩阵对应的权重矩阵WK、WJ以及第二类浓度矩阵对应的权重矩阵QK、QJ,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、权重矩阵WK、WJ以及权重矩阵QK、QJ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碳酸饮料中合成色素浓度的检测方法,所述将所述待检测碳酸饮料-光谱-酸碱度三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碳酸饮料内预设合成色素的第一类浓度矩阵,具体包括:
对所述待检测碳酸饮料-光谱-酸碱度三维矩阵进行分解,将所述待检测碳酸饮料-光谱-酸碱度三维矩阵采用对应的得分矩阵和所述碳酸饮料样品-光谱-酸碱度三维矩阵对应的权重矩阵进行表示;
基于所述预设对应关系、所述第二类浓度矩阵对应的权重矩阵以及所述待检测碳酸饮料-光谱-酸碱度三维矩阵对应的得分矩阵,确定并输出所述待检测碳酸饮料内所述预设合成色素的第一类浓度矩阵。
具体地,本发明实施例中,在对待检测碳酸饮料中合成色素的浓度进行检测时可以先获取待检测碳酸饮料在不同酸碱性条件下的RGB图像,并构建待检测碳酸饮料-光谱-酸碱度三维矩阵X1(I×J×K)。将待检测碳酸饮料-光谱-酸碱度三维矩阵X1进行分解,将待检测碳酸饮料-光谱-酸碱度三维矩阵X1采用所述碳酸饮料样品-光谱-酸碱度三维矩阵在K维上对应的权重矩阵WK以及在J维上对应的权重矩阵WJ表示,根据公式(2)即可确定出待检测碳酸饮料-光谱-酸碱度三维矩阵X1对应的得分矩阵T1。
根据公式(4)可计算出待检测碳酸饮料内预设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权重矩阵QK、QJ作为第一类浓度矩阵Y1的权重矩阵,并结合公式(3)即可确定出第一类浓度矩阵Y1,实现对碳酸饮料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碳酸饮料样品的RGB图像,使用软件MATLAB R2016、工具箱PLS Toolbox和n-way Toolbox进行数据处理。
将碳酸饮料样品放置在暗室内,使用暗室固定图像采集参数,包括智能手机的位置、碳酸饮料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,作为碳酸饮料样品的拍摄背景,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,将碳酸饮料样品置于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,拍摄时每份碳酸饮料样品重复三次,然后取其像素平均值构成该份碳酸饮料样品的RGB图像。
将得到的每份碳酸饮料样品的RGB图像导入MATLAB R2016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碳酸饮料样品-光谱-酸碱度三维矩阵,对应的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份碳酸饮料样品作为训练集,30份碳酸饮料样品作为测试集,同种合成色素分别含有5种色素浓度,基于多维偏最小二乘法,采用获得的碳酸饮料样品-光谱-酸碱度三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)是采用苹果口味碳酸饮料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)是采用苹果口味碳酸饮料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)是采用苹果口味碳酸饮料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。具体数据如表1所示。如图5(a)是采用苹果口味碳酸饮料中亮蓝色素构建预设定量分析模型中CV的结果示意图,图5(b)是采用苹果口味碳酸饮料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5(c)是采用苹果口味碳酸饮料中亮蓝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)是采用橙子口味碳酸饮料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6(b)是采用橙子口味碳酸饮料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6(c)是采用橙子口味碳酸饮料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7(a)是采用橙子口味碳酸饮料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7(b)是采用橙子口味碳酸饮料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7(c)是采用橙子口味碳酸饮料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。图中横坐标均为碳酸饮料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N-PLS,采用橙子口味碳酸饮料中日落黄色素的建模效果最好。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0.98以上。基于N-PLS,采用苹果口味碳酸饮料中柠檬黄色素的建模效果远好于采用橙子口味碳酸饮料中柠檬黄色素的建模效果,这是由于橙子口味碳酸饮料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,颜色相近,相互影响程度较大。而苹果口味碳酸饮料中亮蓝色素交互验证过程R2仅有0.6843,这是由于亮蓝属于非偶氮类色素,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。
最后,将橙子口味碳酸饮料与苹果口味碳酸饮料这两种饮料的数据进行融合,采用混合饮料中的柠檬黄色素进行N-PLS建模,如图8(a)是采用混合饮料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8(b)是采用混合饮料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8(c)是采用混合饮料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。图中横坐标均为混合饮料中柠檬黄色素含量的真实值(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柠檬黄色素含量的检测值(单位为g/L)。其中,CV、校正和预测过程中的R2分别为0.7763、0.8975、0.4230,RMSEP为0.1163。相较于柠檬黄色素在橙子口味碳酸饮料中的建模结果,得到很大优化。
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碳酸饮料中合成色素浓度的检测系统,包括:RGB图像获取模块91和浓度检测模块92。其中,
RGB图像获取模块91用于获取待检测碳酸饮料在不同酸碱性条件下的RGB图像,并构建待检测碳酸饮料-光谱-酸碱度三维矩阵;
浓度检测模块92用于将所述待检测碳酸饮料-光谱-酸碱度三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碳酸饮料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多维偏最小二乘法构建,用于表征碳酸饮料-光谱-酸碱度三维矩阵与碳酸饮料内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碳酸饮料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10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)1001、存储器(memory)1002、通信接口(CommunicationsInterface)1003和总线1004;其中,
所述处理器1001、存储器1002、通信接口1003通过总线1004完成相互间的通信。所述存储器1002存储有可被所述处理器1001执行的程序指令,处理器1001用于调用存储器1002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,获取待检测碳酸饮料在不同酸碱性条件下的RGB图像,并构建待检测碳酸饮料-光谱-酸碱度三维矩阵;S12,将所述待检测碳酸饮料-光谱-酸碱度三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碳酸饮料内预设合成色素的第一类浓度矩阵。
存储器1002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-OnlyMemory,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,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,获取待检测碳酸饮料在不同酸碱性条件下的RGB图像,并构建待检测碳酸饮料-光谱-酸碱度三维矩阵;S12,将所述待检测碳酸饮料-光谱-酸碱度三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碳酸饮料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。
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,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)
1.一种碳酸饮料中合成色素浓度的检测方法,其特征在于,包括:
获取待检测碳酸饮料在不同酸碱性条件下的RGB图像,并构建待检测碳酸饮料-光谱-酸碱度三维矩阵;
将所述待检测碳酸饮料-光谱-酸碱度三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碳酸饮料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多维偏最小二乘法构建,用于表征碳酸饮料-光谱-酸碱度三维矩阵与碳酸饮料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所述的碳酸饮料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碳酸饮料样品组,向每个碳酸饮料样品组中不同的碳酸饮料样品内分别加入不同体积的碱性溶液,获取每个碳酸饮料样品组中每份碳酸饮料样品的RGB图像,并构建碳酸饮料样品-光谱-酸碱度三维矩阵以及碳酸饮料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碳酸饮料样品组,每个碳酸饮料样品组中包括多份碳酸饮料样品,每个碳酸饮料样品组中不同的碳酸饮料样品内的所述预设合成色素浓度均相等;
通过多维偏最小二乘法确定所述碳酸饮料样品-光谱-酸碱度三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2所述的碳酸饮料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:
将样品集中的所有碳酸饮料样品组分成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碳酸饮料样品组,每个碳酸饮料样品组中包括多份碳酸饮料样品,每个碳酸饮料样品组中不同的碳酸饮料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所述的碳酸饮料中合成色素浓度的检测方法,其特征在于,所述通过多维偏最小二乘法确定所述碳酸饮料样品-光谱-酸碱度三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:
对所述碳酸饮料样品-光谱-酸碱度三维矩阵和所述第二类浓度矩阵进行分解,将所述碳酸饮料样品-光谱-酸碱度三维矩阵和所述第二类浓度矩阵均采用对应的得分矩阵和权重矩阵进行表示;
将所述碳酸饮料样品-光谱-酸碱度三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,确定所述碳酸饮料样品-光谱-酸碱度三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、所述碳酸饮料样品-光谱-酸碱度三维矩阵对应的权重矩阵以及所述第二类浓度矩阵对应的权重矩阵,构建所述预设定量分析模型。
5.根据权利要求4所述的碳酸饮料中合成色素浓度的检测方法,其特征在于,所述将所述待检测碳酸饮料-光谱-酸碱度三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碳酸饮料内预设合成色素的第一类浓度矩阵,具体包括:
对所述待检测碳酸饮料-光谱-酸碱度三维矩阵进行分解,将所述待检测碳酸饮料-光谱-酸碱度三维矩阵采用对应的得分矩阵和所述碳酸饮料样品-光谱-酸碱度三维矩阵对应的权重矩阵进行表示;
基于所述预设对应关系、所述第二类浓度矩阵对应的权重矩阵以及所述待检测碳酸饮料-光谱-酸碱度三维矩阵对应的得分矩阵,确定并输出所述待检测碳酸饮料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中任一项所述的碳酸饮料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、日落黄色素或亮蓝色素。
7.一种碳酸饮料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,用于获取待检测碳酸饮料在不同酸碱性条件下的RGB图像,并构建待检测碳酸饮料-光谱-酸碱度三维矩阵;
浓度检测模块,用于将所述待检测碳酸饮料-光谱-酸碱度三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碳酸饮料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多维偏最小二乘法构建,用于表征碳酸饮料-光谱-酸碱度三维矩阵与碳酸饮料内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中任一项所述的碳酸饮料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中任一项所述的碳酸饮料中合成色素浓度的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910196797.XA CN109856063A (zh) | 2019-03-15 | 2019-03-15 | 碳酸饮料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 |
---|---|---|---|
CN201910196797.XA CN109856063A (zh) | 2019-03-15 | 2019-03-15 | 碳酸饮料中合成色素浓度的检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109856063A true CN109856063A (zh) | 2019-06-07 |
Family
ID=66900889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910196797.XA Pending CN109856063A (zh) | 2019-03-15 | 2019-03-15 | 碳酸饮料中合成色素浓度的检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109856063A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264451A (zh) * | 2019-06-18 | 2019-09-20 | 江苏省产品质量监督检验研究院 | 一种多功能营养保健食品检测系统及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103115889A (zh) * | 2011-11-17 | 2013-05-22 | 中国石油化工股份有限公司 | 由透射红外光谱预测原油硫含量的方法 |
CN103149208A (zh) * | 2013-03-09 | 2013-06-12 | 福州大学 | 一种脂溶性偶氮染料多组分快速检测的方法 |
CN103411955A (zh) * | 2013-08-21 | 2013-11-27 | 天津大学 | 基于拉曼光谱的头孢类抗生素混合溶液的浓度检测方法 |
CN104181122A (zh) * | 2014-08-06 | 2014-12-03 | 首都师范大学 | 利用太赫兹时域光谱技术检测粮食中农药含量的方法 |
CN104792752A (zh) * | 2015-04-03 | 2015-07-22 | 江南大学 | 三维荧光光谱结合parafac算法测定混合色素溶液中色素含量的方法 |
CN104897607A (zh) * | 2015-06-18 | 2015-09-09 | 北京工商大学 | 便携式近红外光谱食品建模与快速检测一体化方法和系统 |
CN104949936A (zh) * | 2015-07-13 | 2015-09-30 | 东北大学 | 基于优化偏最小二乘回归模型的样品成份测定方法 |
CA2784795C (fr) * | 2009-12-16 | 2018-03-27 | Spectralys Innovation | Procede et appareil d'analyse spectroscopique, en particulier d'aliments, utilisant un traitement multivoies des donnees spectrales |
CN109313127A (zh) * | 2016-02-02 | 2019-02-05 | 光谱创新公司 | 实施对光谱数据的红外和荧光多路处理来进行光谱分析的方法和设备 |
-
2019
- 2019-03-15 CN CN201910196797.XA patent/CN109856063A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2784795C (fr) * | 2009-12-16 | 2018-03-27 | Spectralys Innovation | Procede et appareil d'analyse spectroscopique, en particulier d'aliments, utilisant un traitement multivoies des donnees spectrales |
CN103115889A (zh) * | 2011-11-17 | 2013-05-22 | 中国石油化工股份有限公司 | 由透射红外光谱预测原油硫含量的方法 |
CN103149208A (zh) * | 2013-03-09 | 2013-06-12 | 福州大学 | 一种脂溶性偶氮染料多组分快速检测的方法 |
CN103411955A (zh) * | 2013-08-21 | 2013-11-27 | 天津大学 | 基于拉曼光谱的头孢类抗生素混合溶液的浓度检测方法 |
CN104181122A (zh) * | 2014-08-06 | 2014-12-03 | 首都师范大学 | 利用太赫兹时域光谱技术检测粮食中农药含量的方法 |
CN104792752A (zh) * | 2015-04-03 | 2015-07-22 | 江南大学 | 三维荧光光谱结合parafac算法测定混合色素溶液中色素含量的方法 |
CN104897607A (zh) * | 2015-06-18 | 2015-09-09 | 北京工商大学 | 便携式近红外光谱食品建模与快速检测一体化方法和系统 |
CN104949936A (zh) * | 2015-07-13 | 2015-09-30 | 东北大学 | 基于优化偏最小二乘回归模型的样品成份测定方法 |
CN109313127A (zh) * | 2016-02-02 | 2019-02-05 | 光谱创新公司 | 实施对光谱数据的红外和荧光多路处理来进行光谱分析的方法和设备 |
Non-Patent Citations (1)
Title |
---|
于洋等: "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》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264451A (zh) * | 2019-06-18 | 2019-09-20 | 江苏省产品质量监督检验研究院 | 一种多功能营养保健食品检测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Girolami et al. | Measurement of meat color using a computer vision system | |
Li et al. | Recent advances in nondestructive analytical techniques for determining the total soluble solids in fruits: a review | |
Lukinac et al. | Computer vision method in beer quality evaluation—A review | |
CN101907564B (zh) | 基于近红外光谱技术的油菜籽品质无损检测方法和装置 | |
CN205506835U (zh) | 一体式多功能食品安全检测仪 | |
CN108680572A (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 | |
Wang et al. | Smartphone imaging spectrometer for egg/meat freshness monitoring | |
CN109668843A (zh) | 一种基于手机的便携式多光谱成像技术检测腊肉品质的方法 | |
CN107976428A (zh) | 水产品化学污染物的无损实时检测方法与装置 | |
CN104792752A (zh) | 三维荧光光谱结合parafac算法测定混合色素溶液中色素含量的方法 | |
Hakonen et al. | Hue parameter fluorescence identification of edible oils with a smartphone | |
CN109323999A (zh) | 一种基于图像数值分析的分光光度检测方法 | |
Hosseininia et al. | Quantitative determination of sunset yellow concentration in soft drinks via digital image processing | |
CN103543153B (zh) | 鱼类新鲜程度光学检测装置 | |
CN109856063A (zh) | 碳酸饮料中合成色素浓度的检测方法及系统 | |
CN105136735A (zh) | 一种用于三元掺伪芝麻油含量的快速、无损分析方法 | |
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 | |
JP2003121351A (ja) | 食肉の鮮度判定方法 | |
CN109856061A (zh) | 碳酸饮料中合成色素浓度的检测方法及系统 | |
CN209387514U (zh) | 用于肉糜掺杂的地物光谱检测装置 | |
Huang et al. | Multigranularity cascade forest algorithm based on hyperspectral imaging to detect moisture content in Daqu | |
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 | |
CN208537408U (zh) | 一种便携式近红外水分检测仪及其数据采集探头 | |
CN205643150U (zh) | 一种cod快速检测仪 |
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 |