CN110133050B - 一种基于多传感器指纹图谱定性定量检测茶叶品质的方法 - Google Patents

一种基于多传感器指纹图谱定性定量检测茶叶品质的方法 Download PDF

Info

Publication number
CN110133050B
CN110133050B CN201910286810.0A CN201910286810A CN110133050B CN 110133050 B CN110133050 B CN 110133050B CN 201910286810 A CN201910286810 A CN 201910286810A CN 110133050 B CN110133050 B CN 110133050B
Authority
CN
China
Prior art keywords
tea
electronic
electronic nose
tongue
caffeine
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.)
Expired - Fee Related
Application number
CN201910286810.0A
Other languages
English (en)
Other versions
CN110133050A (zh
Inventor
王俊
徐敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201910286810.0A priority Critical patent/CN110133050B/zh
Publication of CN110133050A publication Critical patent/CN110133050A/zh
Application granted granted Critical
Publication of CN110133050B publication Critical patent/CN110133050B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
    • G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
    • G01N27/041—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/04—Preparation or injection of sample to be analysed
    • G01N30/06—Preparation

Landscapes

  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • Investigating Or Analyzing Non-Biological Materials By The Use Of Chemical Means (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种基于多传感器指纹图谱定性定量检测茶叶品质的方法，具体为：收集一批不同等级的茶叶，泡制成茶汤，用于电子鼻，电子舌和电子眼检测，并从多传感器指纹图谱中提取特征数据用于描述茶叶的“色、香、味”；然后测定茶叶样品中的总酚，氨基酸，儿茶素和咖啡碱含量；结合随机森林算法建立基于三者融合信号的茶叶等级鉴别模型和对茶叶中总酚，氨基酸，儿茶素和咖啡碱的预测模型。本发明方法同时融合了茶叶的香气，滋味和色泽信息用于建立茶叶品质的定性判别和化学成分含量的预测模型，无需复杂的前处理，分析结果客观可靠，操作简单，具有较高的推广价值。

Description

一种基于多传感器指纹图谱定性定量检测茶叶品质的方法
技术领域
本发明属于食品领域，涉及一种基于多传感器指纹图谱定性定量检测茶叶品质的方法。
背景技术
龙井茶是我国的传统名茶，有着深远历史和深厚文化底蕴并且闻名世界。对于使用手工炒制的西湖龙井，其质量等级鉴定的传统方法主要采用人工感官评定法，综合茶叶的色，香，味，形对其进行评价。但是由于整个过程主要由感官评审员参与主导，因此，其结果容易受到感官评审员身体素质等因素的影响，导致检测结果主观性比较强。同时，茶叶中的一些化学成分含量如茶多酚、儿茶素、氨基酸以及咖啡碱等是影响茶叶品质的重要因素。对于这些化学成分的检测方法主要依靠传统的理化实验进行检测，但是这些传统的理化检测技术存在检测时间长以及需要复杂的样品前处理过程等缺点。
随着传感器和智能仪器的迅速发展，其在食品检测等领域受到广泛关注和应用。电子鼻，电子舌和电子眼主要是通过模拟人的鼻子，舌头和眼睛获取食品的香气，滋味，色泽以及外形信息并结合相应的模式识别方法对样品进行分类鉴别，该检测方法能够提供较为客观且准确的鉴别结果。
本发明采用电子鼻电子舌和电子眼以模拟人体嗅觉，味觉和视觉用于对茶叶的品质进行评价，以探索更为全面和客观的方法，用于对茶叶品质进行定性鉴别和定量预测。
发明内容
本发明根据现有茶叶品质评价方法存在主观性强，以及茶叶中重要化学组分测定过程复杂等问题，提出了一种基于多传感器指纹图谱定性定量检测茶叶品质的方法。
一种基于多传感器指纹图谱定性定量检测茶叶品质的方法，该方法包括如下步骤：
(1)针对一批茶叶样本，根据1：50的茶水比泡制5min，过滤，冷却，取茶汤备用，进行电子鼻、电子舌和电子眼的检测；
(2)电子鼻检测：取冷却后的茶汤200mL置于500mL烧杯中，使用保鲜膜进行密封，在室温下静置60min，然后用电子鼻抽取顶空气体进行检测。气体的流速、抽取时间和电子鼻清洗时间分别为200mL/min、70s和70s；
(3)电子舌检测：取经过电子鼻检测之后的茶汤80mL，转移至电子舌系统的烧杯中进行信号采集，其中传感器信号采集时间和清洗时间分别为120s和10s；
(4)电子眼检测：取经过电子鼻检测之后的茶汤样品于色差仪样品池中，在透射模式下获取表征茶汤样品色泽的信号；
(5)化学成分含量测定：对茶叶样品进行茶多酚、儿茶素、氨基酸以及咖啡碱含量的测定；所述茶多酚采用酒石酸亚铁法测定，所述氨基酸采用茚三酮法进行测定，所述儿茶素和咖啡碱采用高效液相色谱进行测定；
(6)将电子鼻和电子舌传感器响应信号与坐标轴形成的区域面积作为电子鼻和电子舌响应信号特征值；从色差仪中分别获取亮度(L*)、红绿色(a*)、黄蓝色(b*)、饱和度(C)、色度(H)和总色差(ΔE)作为电子眼信号特征，将三者信号经过标准化后直接串联作为融合信号，结合随机森林算法建立基于三者融合信号的茶叶等级定性鉴别模型和对茶叶中总酚，氨基酸，儿茶素和咖啡碱含量的定量预测模型。
进一步地，所述步骤6中，通过相关系数R2、均方根误差RMSE值对基于随机森林算法的定量预测模型进行评价，具体为：
Figure BDA0002023555080000021
Figure BDA0002023555080000022
其中，
Figure BDA0002023555080000023
分别表示预测得到和用传统化学法获得的化学成分含量值，
Figure BDA0002023555080000024
为采用传统化学法获得的化学成分含量的均值，n表示样本数量。
本发明的有益效果是：能够同时获取茶叶的香气，滋味和颜色信号，综合三方面的信息对茶叶品质进行鉴定，同时预测茶叶样品中的化学成分含量，无需对茶叶样品进行复杂的前处理操作，分析结果客观可靠，操作简单，具有比较高的实际应用价值。
附图说明
图1是电子鼻对茶汤的响应信号图；
图2是电子舌对茶汤的响应信号图。
具体实施方式
本发明提出了一种基于多传感器指纹图谱定性定量检测茶叶品质的方法，该方法包括如下步骤：
(1)针对一批茶叶样本，根据1：50的茶水比泡制5min，过滤，冷却，取茶汤分别进行电子鼻、电子舌和电子眼的检测；
(2)电子鼻检测：取冷却后的茶汤200mL置于500mL烧杯中，使用保鲜膜进行密封，在室温下静置60min，然后用电子鼻抽取顶空气体进行检测。气体的流速、抽取时间和电子鼻清洗时间分别为200mL/min、70s和70s；
(3)电子舌检测：取经过电子鼻检测之后的茶汤80mL，转移至电子舌系统的烧杯中进行信号采集，其中传感器信号采集时间和清洗时间分别为120s和10s；
(4)电子眼检测：取经过电子鼻检测之后的茶汤样品于色差仪样品池中，在透射模式下获取表征茶汤样品色泽的信号；
(5)化学成分含量测定：对茶叶样品进行茶多酚、儿茶素、氨基酸以及咖啡碱含量的测定；所述茶多酚采用酒石酸亚铁法测定，所述氨基酸采用茚三酮法进行测定，所述儿茶素和咖啡碱采用高效液相色谱进行测定；
(6)将电子鼻和电子舌传感器响应信号与坐标轴形成的区域面积作为电子鼻和电子舌响应信号特征值；从色差仪中分别获取亮度(L*)、红绿色(a*)、黄蓝色(b*)、饱和度(C)、色度(H)和总色差(ΔE)作为电子眼信号特征，将三者信号经过标准化后直接串联作为融合信号，结合随机森林算法建立基于三者融合信号的茶叶等级定性鉴别模型和对茶叶中总酚，氨基酸，儿茶素和咖啡碱含量的定量预测模型。
所述步骤6中，通过相关系数R2、均方根误差RMSE值对基于随机森林算法的定量预测模型进行评价，具体为：
Figure BDA0002023555080000031
Figure BDA0002023555080000032
其中，
Figure BDA0002023555080000033
分别表示预测得到和用传统化学法获得的化学成分含量值，
Figure BDA0002023555080000034
为采用传统化学法获得的化学成分含量的均值，n表示样本数量。
实施例
为了更清楚的说明本发明要解决的技术问题、技术方案和优点，下面结合具体实施例进行详细描述。
1.收集6个不同品质等级的龙井茶茶样作为实验对象，这些茶样采摘自杭州狮峰山。对于每个茶叶样品，取5g茶叶按照1:50的茶水比进行泡制5min，然后过滤，冷却，用于电子鼻、电子舌和电子眼的检测，对于每个等级的龙井茶样做32个茶叶样品重复。对于电子鼻检测，取茶汤200mL放入500mL烧杯中，用保鲜膜密封并静置60min，使样品气体在容器顶空达到饱和状态，然后采用电子鼻抽取容器内的样品顶空气体进行检测，电子鼻抽取顶空气体流速为200mL/min，样品检测时间和清洗时间分别为70s和70s，电子鼻响应信号如图1所示，将电子鼻传感器响应信号与坐标轴形成的区域面积作为特征值。
本案例中采用的电子鼻检测仪器是德国AIRSENSE公司的PEN3型，该电子鼻系统由10个金属氧化物传感器，其型号与相应特性如表1所示：
表1.PEN3型电子鼻各传感器响应特性
序号 名称 性能特点
1 S1 对芳香成分敏感
2 S2 对氨氧化合物很敏感
3 S3 对氨水、芳香成分敏感
4 S4 对氢气有选择性
5 S5 对烷烃、芳香成分敏感
6 S6 对甲烷敏感
7 S7 对硫化物敏感
8 S8 对乙醇敏感
9 S9 对芳香成分、有机硫化物敏感
10 S10 对烷烃敏感
2.取经过电子鼻检测之后的茶汤80mL，转移至电子舌系统的烧杯中进行信号采集，其中传感器信号采集时间和清洗时间分别为120s和10s，电子舌响应信号如图2所示，将电子舌传感器响应信号与坐标轴形成的区域面积作为特征值。
本案例中使用的电子舌检测仪是法国Alpha MOS公司的α-Astree型,该电子舌传感器阵列由7根传感器组成，其型号与相应特性如下表所示：
表2.电子舌传感器对基本呈味物质的响应阈值(mol/L)
基本味 呈味物质 ZZ BA BB CA GA HA JB
酸 柠檬酸 10<sup>-7</sup> 10<sup>-6</sup> 10<sup>-7</sup> 10<sup>-7</sup> 10<sup>-7</sup> 10<sup>-6</sup> 10<sup>-6</sup>
咸 氯化钠 10<sup>-6</sup> 10<sup>-5</sup> 10<sup>-6</sup> 10<sup>-6</sup> 10<sup>-4</sup> 10<sup>-4</sup> 10<sup>-5</sup>
甜 葡萄糖 10<sup>-7</sup> 10<sup>-4</sup> 10<sup>-7</sup> 10<sup>-7</sup> 10<sup>-4</sup> 10<sup>-4</sup> 10<sup>-4</sup>
苦 咖啡碱 10<sup>-5</sup> 10<sup>-4</sup> 10<sup>-4</sup> 10<sup>-5</sup> 10<sup>-4</sup> 10<sup>-4</sup> 10<sup>-4</sup>
鲜 谷氨酸钠 10<sup>-5</sup> 10<sup>-4</sup> 10<sup>-4</sup> 10<sup>-4</sup> 10<sup>-5</sup> 10<sup>-4</sup> 10<sup>-4</sup>
3.取经过电子鼻检测之后的茶汤样品于色差仪样品池中，在透射模式下获取表征茶汤样品色泽的信号。从色差仪中分别获取亮度(L*)、红绿色(a*)、黄蓝色(b*)、饱和度(C)、色度(H)和总色差(ΔE)作为电子眼信号特征。本案例中使用的色差仪是北京康光光学仪器有限公司的SC–80C型。
4.化学成分含量测定：对茶叶样品进行茶多酚、儿茶素、氨基酸以及咖啡碱含量的测定；所述茶多酚采用酒石酸亚铁法测定，具体步骤参考GB/T 8313,2002，所述氨基酸采用茚三酮法进行测定，具体步骤参考GB/T 8314,2013，所述儿茶素和咖啡碱采用高效液相色谱(Waters，美国)进行测定，具体步骤为：首先将茶汤过0.22μm滤膜，紫外检测器检测波段为280nm，采用C18色谱柱进行分离，流动相A中乙酸-乙腈-水体积比为:1:6:193；流动相B中乙酸-乙腈-水体积比为:1:60:139。梯度洗脱程序为：80％A相溶剂和80％B相溶剂线性洗脱45min直到A相溶剂下降到35％，B相溶剂上升至65％，最后保持85％B相溶剂直到70min。
5.将三者信号经过标准化后直接串联作为融合信号，结合随机森林算法建立基于三者融合信号的茶叶等级鉴别模型和对茶叶中总酚，氨基酸，儿茶素和咖啡碱的预测模型。通过相关系数R2、均方根误差RMSE值对基于随机森林算法的定量预测模型进行评价，具体为：
Figure BDA0002023555080000051
Figure BDA0002023555080000061
其中，
Figure BDA0002023555080000062
分别表示预测得到和用传统化学法获得的化学成分含量值，
Figure BDA0002023555080000063
为采用传统化学法获得的化学成分含量的均值，n表示样本数量。
表3总结了分别基于单一电子鼻、电子舌、电子眼和融合信号对茶叶品质等级的鉴别结果，采用10-折交互验证集准确率和测试集的准确率分别评价模型的稳定性和泛化性。通过对比不同信息来源以及不同模型的分类准确率，可以得出如下结论，基于融合信号的模型分类效果优于基于单一信号源模型的分类效果，基于融合信号的随机森林分类模型效果可以达到100％。
表3.基于单一信号以及融合信号结合随机森林对茶叶品质进行定性鉴别结果
Figure BDA0002023555080000064
表4总结了分别基于单一电子响应信号以及融合响应信号对化学成分含量的随机森林预测模型，通过对预测结果进行对比，可以看出，预测模型基于融合信号得到的预测精度高于其基于单一信号得到的预测精度值。本发明在较短时间内即可完成一个样品的测试，所得到的结果表明，基于电子鼻电子舌和电子眼的融合信号同时结合随机森林模型能够有效的对龙井茶进行分类鉴别，同时能够建立多传感器响应信号与茶叶中主要化学成分含量的相关关系，实现对茶叶中主要成分含量的预测。
表4.基于单一信号以及融合信号结合随机森林中主要化学成分含量进行定量预测的结果
Figure BDA0002023555080000071

Claims (2)

1.一种基于多传感器指纹图谱定性定量检测茶叶品质的方法，其特征在于，该方法包括将电子鼻、电子舌和电子眼等三种技术进行融合，步骤如下：
(1)针对一批茶叶样本，根据1：50的茶水质量比泡制5min，过滤，冷却，取茶汤分别进行电子鼻、电子舌和电子眼的检测；
(2)电子鼻检测：取冷却后的茶汤200mL置于500mL烧杯中，使用保鲜膜进行密封，在室温下静置60min，然后用电子鼻抽取顶空气体进行检测；气体的流速、抽取时间和电子鼻清洗时间分别为200mL/min、70s和70s；
(3)电子舌检测：取经过电子鼻检测之后的茶汤80mL，转移至电子舌系统的烧杯中进行信号采集，其中传感器信号采集时间和清洗时间分别为120s和10s；
(4)电子眼检测：取经过电子鼻检测之后的茶汤样品于色差仪样品池中，在透射模式下获取表征茶汤样品色泽的信号；
(5)化学成分含量测定：对茶叶样品进行茶多酚、儿茶素、氨基酸以及咖啡碱含量的测定；所述茶多酚采用酒石酸亚铁法测定，所述氨基酸采用茚三酮法进行测定，所述儿茶素和咖啡碱采用高效液相色谱进行测定；
(6)将电子鼻和电子舌传感器响应信号与坐标轴形成的区域面积作为电子鼻和电子舌响应信号特征值；从色差仪中分别获取亮度(L*)、红绿色(a*)、黄蓝色(b*)、饱和度(C)、色度(H)和总色差(ΔE)作为电子眼信号特征，将三者信号经过标准化后直接串联作为融合信号，结合随机森林算法建立基于三者融合信号的茶叶等级定性鉴别模型和对茶叶中总酚，氨基酸，儿茶素和咖啡碱含量的定量预测模型。
2.根据权利要求1所述的方法，其特征在于，所述步骤( 6) 中，通过相关系数R2、均方根误差RMSE值对基于随机森林算法的定量预测模型进行评价，具体为：
Figure FDA0002479735710000011
Figure FDA0002479735710000012
其中，
Figure FDA0002479735710000013
and
Figure FDA0002479735710000014
分别表示预测得到和用传统化学法获得的化学成分含量值，
Figure FDA0002479735710000015
为采用传统化学法获得的化学成分含量的均值，n表示样本数量。
CN201910286810.0A 2019-04-10 2019-04-10 一种基于多传感器指纹图谱定性定量检测茶叶品质的方法 Expired - Fee Related CN110133050B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910286810.0A CN110133050B (zh) 2019-04-10 2019-04-10 一种基于多传感器指纹图谱定性定量检测茶叶品质的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910286810.0A CN110133050B (zh) 2019-04-10 2019-04-10 一种基于多传感器指纹图谱定性定量检测茶叶品质的方法

Publications (2)

Publication Number Publication Date
CN110133050A CN110133050A (zh) 2019-08-16
CN110133050B true CN110133050B (zh) 2020-08-14

Family

ID=67569555

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910286810.0A Expired - Fee Related CN110133050B (zh) 2019-04-10 2019-04-10 一种基于多传感器指纹图谱定性定量检测茶叶品质的方法

Country Status (1)

Country Link
CN (1) CN110133050B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112033911A (zh) * 2020-07-29 2020-12-04 浙江大学 一种基于色差和紫外光谱的茶叶等级快速鉴别方法
CN112268993A (zh) * 2020-09-14 2021-01-26 杭州电子科技大学 一种基于电子鼻技术对河道水质参数快速监测的方法
CN112198131B (zh) * 2020-10-13 2022-08-30 福建省农业科学院茶叶研究所 一种茶叶中咖啡因含量的紫外吸收光谱检测方法
CN113029975A (zh) * 2021-04-06 2021-06-25 中国计量大学 一种鉴别冻害茶叶品质的方法
CN113777200A (zh) * 2021-09-17 2021-12-10 启东赢维数据信息科技有限公司 一种基于电子舌数据预测黄酒中谷氨酸含量的方法
CN114019100B (zh) * 2021-10-29 2024-03-26 中国农业科学院茶叶研究所 基于多源信息融合技术的滇红工夫茶汤综合品质客观量化评价方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1989822A (zh) * 2005-12-28 2007-07-04 刘仲华 一种绿茶保鲜剂
BRPI0904246A2 (pt) * 2009-08-14 2015-06-02 Univ Minas Gerais Método extrativo-analítico para determinação de taninos em insumos e/ou produtos vegetais
CN101692053B (zh) * 2009-10-09 2012-01-18 江苏大学 基于多传感信息融合的名优茶品质仪器智能化审评方法
CN102222164A (zh) * 2011-05-30 2011-10-19 中国标准化研究院 一种食品感官质量评价方法及系统
CN103487537A (zh) * 2013-07-30 2014-01-01 中国标准化研究院 一种基于遗传算法优化西湖龙井茶产地检测方法
CN104849318B (zh) * 2015-05-06 2018-11-02 浙江大学 基于味觉嗅觉指纹图谱检测不同成熟度柑橘品质的方法
CN104849321B (zh) * 2015-05-06 2017-10-20 浙江大学 一种基于嗅觉指纹图谱快速检测柑橘品质的方法
CN106501470B (zh) * 2016-11-23 2018-10-30 广东嘉豪食品有限公司 利用味觉系统与电子鼻联合评价芥辣酱风味等级的方法

Also Published As

Publication number Publication date
CN110133050A (zh) 2019-08-16

Similar Documents

Publication Publication Date Title
CN110133050B (zh) 一种基于多传感器指纹图谱定性定量检测茶叶品质的方法
Xu et al. The qualitative and quantitative assessment of tea quality based on E-nose, E-tongue and E-eye combined with chemometrics
Kovács et al. Geographical origin identification of pure Sri Lanka tea infusions with electronic nose, electronic tongue and sensory profile analysis
CN110133049B (zh) 基于电子鼻和机器视觉的茶叶等级快速无损检测方法
CN103235087B (zh) 一种基于嗅觉和味觉传感器信息融合的乌龙茶原产地的鉴别方法
US20230109241A1 (en) Method and System for Differentiation of Tea Type
CN109447130B (zh) 一种基于可视化气敏阵列的哈败腊肉检测装置与方法
CN102967597A (zh) 一种基于嗅觉成像传感技术的黄酒酒龄鉴别方法和鉴别系统
CN109406500A (zh) 一种基于嗅觉可视化阵列的腊肠快速分级方法
CN104849318B (zh) 基于味觉嗅觉指纹图谱检测不同成熟度柑橘品质的方法
CN103196954B (zh) 一种基于嗅觉和味觉传感器信息融合的镇江香醋贮藏时间鉴别方法
CN104316635A (zh) 水果风味品质的快速鉴别方法
CN102692488A (zh) 基于电子鼻技术的金华火腿分级与鉴别方法
CN103558311B (zh) 一种基于茶叶生化成分的绿茶苦涩味判别方法
CN106560700A (zh) 能自动鉴别武夷岩茶产地的机器学习方法
CN104849321B (zh) 一种基于嗅觉指纹图谱快速检测柑橘品质的方法
CN103674638A (zh) 一种利用味觉指纹图谱快速鉴别宁夏枸杞生产年份的方法
Peng et al. Characterization of different grades of Jiuqu hongmei tea based on flavor profiles using HS-SPME-GC-MS combined with E-nose and E-tongue
CN111855757A (zh) 一种基于电子鼻的六堡茶陈香香味识别方法
CN113158980A (zh) 一种基于高光谱图像和深度学习的茶叶分类方法
CN102507800A (zh) 醋地理标志保护产品的香气指纹快速识别方法
CN106918817B (zh) 一种能检测茶叶类型和品质的气敏传感器的优选方法
CN105158424A (zh) 一种冬虫夏草真伪优劣快速鉴别方法
CN112033911A (zh) 一种基于色差和紫外光谱的茶叶等级快速鉴别方法
CN112730643B (zh) 基于可视化融合技术表征腐乳风味的方法及装置

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200814