CN110646407A - 一种基于激光诱导击穿光谱技术的水产品中磷元素含量的快速检测方法 - Google Patents
一种基于激光诱导击穿光谱技术的水产品中磷元素含量的快速检测方法 Download PDFInfo
- Publication number
- CN110646407A CN110646407A CN201911138366.4A CN201911138366A CN110646407A CN 110646407 A CN110646407 A CN 110646407A CN 201911138366 A CN201911138366 A CN 201911138366A CN 110646407 A CN110646407 A CN 110646407A
- Authority
- CN
- China
- Prior art keywords
- sample
- phosphorus
- detected
- aquatic product
- content
- 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
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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
- G01N21/718—Laser microanalysis, i.e. with formation of sample plasma
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/286—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q involving mechanical work, e.g. chopping, disintegrating, compacting, homogenising
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/44—Sample treatment involving radiation, e.g. heat
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/286—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q involving mechanical work, e.g. chopping, disintegrating, compacting, homogenising
- G01N2001/2866—Grinding or homogeneising
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Optics & Photonics (AREA)
- Plasma & Fusion (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于激光诱导击穿光谱技术(LIBS)的水产品中磷元素含量的快速检测方法。该方法首先制备一系列不同磷元素浓度的水产品标准样品,进行干燥和压片处理,采集其LIBS特征光谱,并对LIBS光谱数据进行预处理,包括基线扣除、归一化和多元散射校正。之后以标准样品的LIBS光谱数据和标准样品的真实浓度作为训练集建立支持向量机(SVM)定标模型,以待测样品的光谱数据作为预测集输入,最终获得待测样品的预测浓度。该方法利用LIBS技术结合SVM模型用于水产品中磷元素的定量检测,其检测对象可以是一种水产品,也可以是多种水产品,只要事先建立的定标模型训练集中包含待测样品种类即可。在已建立模型的基础上,只需30分钟即可完成对待测样品磷元素的检测,实现了水产品中磷元素的快速检测,且检测结果准确可靠。
Description
技术领域
本发明涉及光谱定量分析技术领域,具体涉及一种基于激光诱导击穿光谱技术(LIBS)的水产品中磷元素含量的快速检测方法。
背景技术
水产食品味道鲜美而具有丰富的营养价值,为保持产品的水分、口感及质地,磷酸盐作为食品添加剂得到了广泛的应用。少量磷酸盐的摄入对人体无害,但过多摄取会导致心血管疾病,严重威胁人的身体健康。目前市场上很多商业人员为提高出成率、增加利润在产品中添加过多的磷酸盐导致磷元素超标,因此对水产品中磷元素的快速检测具有重要实际意义。
食品中磷酸盐的传统检测方法主要有分光光度法、离子色谱法、电化学分析法、电感耦合等离子体发射光谱/质谱法等。分光光度法测定结果准确可靠,应用范围广,经济实用,但操作步骤繁琐,前处理方法复杂,易受基体干扰,难以满足现场快速测定。离子色谱法检测快速、灵敏度高、选择性好,可测定食品中各种磷酸盐组成成分及其含量,但前处理较为繁琐,仪器设备体积大,成本高。电化学方法设备简单易于操作,但选择性较差。电感耦合等离子光谱/质谱法测量精度高、灵敏度高、稳定性高,但仪器设备贵重,不便于携带。
激光诱导击穿光谱(Laser Induced Breakdown Spectroscopy,简称LIBS)技术具有无需或少量样品预处理、多元素同时探测、设备及操作简单、检测速度快的优势,在食品安全检测领域具有很好的发展前景。目前LIBS技术在奶粉,茶叶,水果,蔬菜,食用油,谷物,酒,肉禽等方面的应用均有报道,而在水产品中磷元素的快速检测方面尚未见报道。
发明内容
鉴于上述情况,本发明的目的是提供一种快速、便捷的检测水产品中磷元素含量的方法,解决水产品中磷元素含量检测常用的色谱和质谱法、分光光度法等对设备仪器具有较高要求,且具有较多的样品前处理工序,检测成本较高,不适宜现场快速检测的问题。
为了实现上述目的,本发明提供了一种基于LIBS技术的水产品中磷元素含量的快速检测方法,具体包括以下步骤:
(1)标准样品准备:将至少一种水产品,进行粉碎、烘干干燥、研磨,向其中每一种水产品的研磨粉末中添加系列浓度的磷元素溶液,干燥后混入粘合剂,压片,其中每一种水产品均制作若干个标准样品;
(2)标准样品浓度测定:采用分光光度法测定标准样品中磷元素的含量;
(3)获取光谱数据:优化实验参数,通过LIBS技术采集标准样品或待测样品的原始光谱数据,根据NIST数据库,找到磷元素对应的特征峰,选择分析的特征峰谱线;
(4)优化光谱数据:对步骤(3)得到的原始光谱进行数据预处理,依次通过基线扣除、归一化、多元散射校正,去除谱线背景,减小光谱波动性;
(5)建立SVM定标模型:标准样品作为训练集,将上述步骤(4)优化后得到的标准样品的光谱数据和相应的磷元素浓度作为训练集输入,优化SVM回归模型参数,建立相关水产品中磷元素含量与光谱数据间的定标模型;
(6)待测水产品样品准备:将待测水产品进行粉碎、干燥、研磨,研磨粉末混入粘合剂,压片,制作待测样品;待测样品种类与步骤(1)中标准样品中的一种水产品类型相同,采用的粘合剂和压片方式与步骤(1)相同。
(7)获取待测样品的优化光谱数据:然后采用步骤(3)-(4)的方法获取待测样品的光谱数据;
(8)获取待测样品的磷元素含量:待测样品作为预测集,将待测样品优化后的光谱数据作为预测集输入,输入SVM定标模型中进行定量预测,得出待测样品中磷元素的含量。
优选地,所述步骤(1)中,磷元素溶液采用磷标准液,粘合剂采用微晶纤维素粉末,与水产品样品混入比例为2:3。使用压片机在15MPa的压力下保持3min,得到直径为13mm的片状样品。
优选地,所述步骤(2)中,分光光度法采用食品安全国家标准GB5009.87—2016《食品中磷的测定》中的第一法“钼蓝分光光度法”。
优选地,所述步骤(3)中,优化后的实验参数,激光波长采用1064nm,激光能量为76mJ,脉冲宽度为10ns,激光频率为10Hz,光谱仪探测延时为1.28μs,积分时间为1ms。每个样品重复测量10次得到10张光谱,每张光谱为100个激光脉冲的平均。
优选地,所述步骤(3)中,选择P I 213.62nm、P I 214.91nm、P I 215.41nm、P I253.56nm和P I 255.33nm作为特征峰谱线。
优选地,所述步骤(4)中,对原始光谱进行数据预处理的方法,基线扣除采用三点一次窗口移动多项式平滑法。
优选地,所述步骤(4)中,对原始光谱进行数据预处理的方法,在强度归一化的过程中,选择C I 247.79nm特征峰为内标谱线,归一化后的光谱变量为:
xi=Ii/Ic
其中,xi为光谱强度经过归一化后的新变量,Ii为第i个变量的光谱强度,Ic为C I247.79nm处的光谱强度。
优选地,所述步骤(4)中,对原始光谱进行数据预处理的方法,将光谱变量先进行一元线性回归,再进行多元散射校正:
优选地,所述步骤(5)中,所述利用训练集建立支持向量机回归模型,具体为,输入变量为优化后的磷元素特征峰附近212.83nm-216.19nm和253.01nm-256.06nm谱段的光谱变量矩阵及相应的磷元素浓度,采用网格搜索算法对参数进行优化,模型惩罚参数c和径向核函数g的初始默认值为2-8-28,步长均采用1,对整个研究空间进行划分得到网格图,以均方根误差CVmse为评价指标进行参数优化,最优参数为CVmse值最小的时候所对应的c和g,将最优参数代入SVM函数建立定标模型。
与现有技术相比,本发明具有以下特点:(1)样品处理简单,只需进行简单的干燥和压片处理;(2)可以通过事先建立的定标模型对待测样品进行检测,只要事先建立的定标模型的训练集中含有该待测样品种类即可,可以建立与一种水产品相关的定标模型,也可以建立与多种水产品相关的定标模型;(3)在已有模型的基础上只需30分钟就能够完成对待测水产品中磷元素的检测,实现了磷元素的快速检测,且模型预测结果在误差允许的范围内,检测结果准确可靠。
附图说明
图1是实施例1中优化后的扇贝中磷元素在212.83nm-216.19nm特征峰谱段的特征峰光谱图(图中虚线表示训练集,从下向上浓度依次增大)。
图2是实施例1中优化后的扇贝中磷元素在253.01nm-256.06nm特征峰谱段的特征峰光谱图(图中虚线表示训练集,从下向上浓度依次增大)。
图3是实施例1中扇贝中磷元素定标预测结果图。
图4是实施例2中优化后的鳕鱼中磷元素在212.83nm-216.19nm特征峰谱段的特征峰光谱图(图中虚线表示训练集,从下向上浓度依次增大)。
图5是实施例2中优化后的鳕鱼中磷元素在253.01nm-256.06nm特征峰谱段的特征峰光谱图(图中虚线表示训练集,从下向上浓度依次增大)。
图6是实施例2中鳕鱼中磷元素定标预测结果图。
图7是实施例3中扇贝、虾仁和鳕鱼中磷元素定标预测结果图。
具体实施方式
下面结合附图并通过具体实施例来进一步详细说明本发明。应理解,下述实施例是用于说明本发明而不是限制其保护范围的。
实施例1:
本实施例涉及一种基于LIBS技术的快速检测扇贝中磷元素含量的方法,具体包括以下步骤:
1.参考浓度的测定及样品制备
1.1样品准备:在市场选择购买新鲜的扇贝进行粉碎、干燥、研磨,向研磨粉末中添加系列浓度的磷标准液(国家有色金属及电子材料分析测试中心GNM-SP-001a-2013磷P),干燥后混入粘合剂,粘合剂采用微晶纤维素(Asahi Kasei Chemicals Corporation微晶纤维素PH-302),与样品混入比例为2:3。7个样品中1个作为待测样品,其余6个作为标准样品(见表1);
1.2标准浓度的测定:采用分光光度法测定标准样品和待测样品中磷元素的含量;
1.3样品压片:对混入粘合剂的样品粉末使用压片机在15MPa的压力下保持3min,得到直径为13mm的片状样品。
2.实验与数据处理
2.1优化实验参数,采集LIBS光谱数据
激光波长采用1064nm,激光能量为76mJ,脉冲宽度为10ns,激光频率为10Hz,光谱仪探测延时为1.28μs,积分时间为1ms;采集光谱数据,每个样品重复测量10次得到10张光谱,每张光谱为100个激光脉冲的平均。
2.2根据NIST数据库,找到磷元素对应的特征峰,选择分析的特征峰谱线
实验中探测到明显的磷元素原子线P I 213.62nm、P I 214.91nm、P I 215.41nm、P I 253.56nm和P I 255.33nm,选择特征峰所在的谱段进行分析。
2.3对原始光谱进行数据预处理,依次通过基线扣除、归一化、多元散射校正,去除谱线背景,减小光谱波动性。
具体为:基线扣除采用三点一次窗口移动多项式平滑法。
在归一化处理中,选择C I 247.79nm特征峰为内标谱线,归一化后的光谱变量为:
xi=Ii/Ic
其中,xi为光谱强度经过归一化后的新变量,Ii为第i个变量的光谱强度,Ic为C I247.79nm处的光谱强度。
多元散射校正过程中,先将光谱变量进行一元线性回归,再进行多元散射校正:
其中,n为样品光谱数,为每个样品的平均光谱矢量,xj为一元线性回归后的光谱数据,aj和bj为线性回归的相对偏移系数和平移量,xj(MSC)为经过多元散射校正优化以后的光谱数据。至此,训练集和预测集的样品制备和实验分析预处理过程都是一致的。
2.4采用训练集建立SVM回归模型
将标准样品作为训练集,采用训练集光谱数据建立SVM回归模型,输入变量为优化后的磷元素特征峰附近212.83nm-216.19nm和253.01nm-256.06nm谱段的光谱变量矩阵及相应的磷元素浓度,进行参数优化后,Cvmse最小值为0.68819,此时,扇贝模型的惩罚参数c和径向核函数g分别为16和0.125,将最优参数代入SVM函数建立定标模型。
2.5待测样品作为预测集,将预测集光谱数据输入SVM回归模型进行定量预测,得出待测样品中磷元素的含量(预测值),并与分光光度法测定的待测样品中磷元素的含量(实际值)进行比较,计算出SVM模型预测值的相对误差和相对标准偏差。拟合扇贝样品的定标预测曲线,曲线方程为y=0.99121x+0.1346,曲线拟合系数为0.99984,预测结果的相对误差为0.648%,相对标准偏差为1.875%,预测结果在误差允许范围之内。
实施例2:
本实施例涉及一种基于LIBS技术的快速检测鳕鱼中磷元素含量的方法,除步骤1.1、2.4和2.5,其他均与实施例1相同。
1.1样品准备:在市场选择购买新鲜的鳕鱼,进行粉碎、干燥、研磨,向研磨粉末中添加系列浓度的磷标准液,干燥后混入粘合剂,粘合剂采用微晶纤维素,与样品混入比例为2:3。7个样品中1个待测样品,其余6个作为标准样品(见表2);
2.4采用训练集建立SVM回归模型
将标准样品作为训练集,采用训练集光谱数据建立SVM回归模型,输入变量为优化后的磷元素特征峰谱段212.83nm-216.19nm和253.01nm-256.06nm光谱信息的变量矩阵及相应的磷元素浓度,进行参数优化后,CVmse最小值为0.40519,此时,鳕鱼模型的惩罚参数c和径向核函数g分别为32和0.0625,将最优参数代入SVM函数建立定标模型。
2.5待测样品作为预测集,将预测集光谱数据输入SVM回归模型进行定量预测,得出待测样品中磷元素的含量(预测值),并与分光光度法测定的待测样品中磷元素的含量(实际值)进行比较,计算出SVM模型预测值的相对误差和相对标准偏差。拟合鳕鱼样品的定标预测曲线,曲线方程为y=0.99717x+0.04269,曲线拟合系数为0.99984,预测结果的相对误差为3.539%,相对标准偏差为5.827%,预测结果在误差允许范围之内。
实施例3
本实施例涉及一种基于LIBS技术的快速检测鳕鱼中磷元素含量的方法,除步骤1.1、2.4和2.5,其他均与实施例1相同。
1.1样品准备:在市场选择购买新鲜的扇贝、虾仁、鳕鱼,进行粉碎、干燥、研磨,向每一种水产品的研磨粉末中添加系列浓度的磷标准液,干燥后混入粘合剂,粘合剂采用微晶纤维素,与样品混入比例为2:3。每一种水产品制作7个样品,其中1个待测样品,其余6个作为标准样品(见表3),因此共18个标准样品,3个待测样品。
2.4采用训练集建立SVM回归模型
将标准样品作为训练集,采用训练集光谱数据建立SVM回归模型,输入变量为优化后的磷元素特征峰谱段212.83nm-216.19nm和253.01nm-256.06nm光谱信息的变量矩阵及相应的磷元素浓度,进行参数优化后,CVmse最小值为2.6918,此时,得到扇贝、虾仁、鳕鱼三种水产品模型的惩罚参数c和径向核函数g分别为8和1,将最优参数代入SVM函数建立定标模型。
2.5待测样品作为预测集,将预测集光谱数据输入SVM回归模型进行定量预测,得出待测样品中磷元素的含量(预测值),并与分光光度法测定的待测样品中磷元素的含量(实际值)进行比较,计算出SVM模型预测值的相对误差和相对标准偏差。拟合扇贝、虾仁、鳕鱼三种水产品样品的定标预测曲线,曲线方程为y=0.94812x+0.67059,曲线拟合系数为0.99039,3个待测样品预测结果的相对误差分别为2.606%、1.133%、7.356%,相对标准偏差分别为3.625%、4.431%、7.494%,预测结果均在误差允许范围之内。
通过上面的实施例可以发现在对水产品中的磷元素进行定量检测时,可以通过事先建立的定标模型对待测样品进行检测,只要事先建立的定标模型的训练集中含有该待测样品种类即可,可以建立与一种水产品相关的定标模型,也可以建立与多种水产品相关的定标模型,两种模型得到的检测结果均在误差允许范围之内,并且在已有模型的基础上只需30分钟就能够完成对待测水产品中磷元素的检测,实现了磷元素的快速检测。
表1
表2
表3
Claims (9)
1.一种基于激光诱导击穿光谱技术(LIBS)的水产品中磷元素含量的快速检测方法,其特征在于,包括以下步骤:
(1)标准样品制备:将至少一种水产品,进行粉碎、干燥、研磨,向其中每一种水产品的研磨粉末中添加系列浓度的磷元素溶液,干燥后混入粘合剂,压片,其中每一种水产品均制作若干个标准样品;
(2)标准样品浓度测定:采用分光光度法测定标准样品中磷元素的含量;
(3)获取光谱数据:优化实验参数,通过LIBS技术采集标准样品或待测样品的原始光谱数据,根据NIST数据库,找到磷元素对应的特征峰,选择分析的特征峰谱线;
(4)优化光谱数据:对步骤(3)得到的原始光谱进行数据预处理,依次通过基线扣除、归一化、多元散射校正,去除谱线背景,减小光谱波动性;
(5)建立SVM定标模型:标准样品作为训练集,将上述步骤(4)优化后得到的标准样品的光谱数据和相应的磷元素浓度作为训练集输入,优化SVM回归模型参数,建立相关水产品中磷元素含量与光谱数据间的定标模型;
(6)待测水产品样品制备:将待测水产品进行粉碎、干燥、研磨,研磨粉末混入粘合剂,压片,制作待测样品;所述步骤(6)中,待测样品种类与步骤(1)中标准样品中的一种水产品类型相同。
(7)获取待测样品的优化光谱数据:采用步骤(3)-(4)的方法获取待测样品的优化光谱数据;
(8)获取待测样品的磷元素含量:待测样品作为预测集,将待测样品优化后的光谱数据作为预测集输入,输入SVM定标模型中进行定量预测,得出待测样品中磷元素的含量。
2.根据权利要求1所述的基于LIBS技术的水产品中磷元素含量的快速检测方法,其特征在于,所述步骤(1)中,磷元素溶液采用磷标准液,粘合剂采用微晶纤维素粉末,与水产品样品混入比例为2:3。使用压片机在15MPa的压力下保持3min,得到直径为13mm的片状样品。
3.根据权利要求1所述的基于LIBS技术的水产品中磷元素含量的快速检测方法,其特征在于,所述步骤(2)中,分光光度法采用食品安全国家标准GB5009.87—2016《食品中磷的测定》中的第一法“钼蓝分光光度法”。
4.根据权利要求1所述的基于LIBS技术的水产品中磷元素含量的快速检测方法,其特征在于,所述步骤(3)中,所述优化后的实验参数,激光波长采用1064nm,激光能量为76mJ,脉冲宽度为10ns,激光频率为10Hz,光谱仪探测延时为1.28μs,积分时间为1ms。每个样品重复测量10次得到10张光谱,每张光谱为100个激光脉冲的平均。
5.根据权利要求1所述的基于LIBS技术的水产品中磷元素含量的快速检测方法,其特征在于,所述步骤(3)中,选择磷元素的特征谱线为P I 213.62nm、P I 214.91nm、P I215.41nm、P I 253.56nm和P I 255.33nm。
6.根据权利要求1所述的基于LIBS技术的水产品中磷元素含量的快速检测方法,其特征在于,所述步骤(4)中对原始光谱进行数据预处理的方法,基线扣除采用三点一次窗口移动多项式平滑法。
7.根据权利要求1所述的基于LIBS技术的水产品中磷元素含量的快速检测方法,其特征在于,所述步骤(4)中对原始光谱进行数据预处理的方法,选择C I 247.79nm特征峰为内标谱线,进行归一化处理。
9.根据权利要求1所述的基于LIBS技术的水产品中磷元素含量的快速检测方法,其特征在于,所述步骤(5)中,SVM采用网格搜索算法对参数进行优化,模型惩罚参数c和径向核函数g的初始默认值为2-8-28,步长均采用1,对整个研究空间进行划分得到网格图,以均方根误差CVmse为评价指标进行参数优化,最优参数为CVmse值最小的时候所对应的c和g,将最优参数代入SVM函数建立定标模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911138366.4A CN110646407A (zh) | 2019-11-20 | 2019-11-20 | 一种基于激光诱导击穿光谱技术的水产品中磷元素含量的快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911138366.4A CN110646407A (zh) | 2019-11-20 | 2019-11-20 | 一种基于激光诱导击穿光谱技术的水产品中磷元素含量的快速检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110646407A true CN110646407A (zh) | 2020-01-03 |
Family
ID=68995914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911138366.4A Pending CN110646407A (zh) | 2019-11-20 | 2019-11-20 | 一种基于激光诱导击穿光谱技术的水产品中磷元素含量的快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110646407A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111413325A (zh) * | 2020-04-13 | 2020-07-14 | 中国海洋大学 | 基于libs提高凹凸不平样品元素测量准确度的方法 |
CN111504981A (zh) * | 2020-04-26 | 2020-08-07 | 上海交通大学 | 测定粉末物质中化学组分和水分含量的方法 |
CN111751308A (zh) * | 2020-06-24 | 2020-10-09 | 中国科学院西安光学精密机械研究所 | 基于嵌入式arm平台的海水总氮总磷数据处理系统及方法 |
CN112611745A (zh) * | 2020-12-11 | 2021-04-06 | 华中科技大学 | 一种水果可溶性固形物间接无损检测方法及系统 |
CN112700822A (zh) * | 2020-12-03 | 2021-04-23 | 西南交通大学 | 一种微量气体杂质在线监测的激光诱导击穿光谱浓度提取方法 |
CN117907278A (zh) * | 2024-03-19 | 2024-04-19 | 北京市农林科学院智能装备技术研究中心 | 水体磷酸盐检测系统、方法、设备、存储介质及程序产品 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105043837A (zh) * | 2015-09-14 | 2015-11-11 | 国麒光电科技(天津)有限公司 | 一种用于激光诱导击穿光谱仪的自动化制样系统 |
CN105938099A (zh) * | 2016-07-07 | 2016-09-14 | 四川大学 | 一种基于激光诱导击穿光谱的岩性判别方法及系统 |
CN107271426A (zh) * | 2017-06-09 | 2017-10-20 | 华东师范大学 | 一种用激光诱导击穿光谱检测重金属污水的预处理方法 |
CN107966430A (zh) * | 2017-10-18 | 2018-04-27 | 深圳市芭田生态工程股份有限公司 | 一种用于快速检测肥料养分含量的方法 |
CN108872198A (zh) * | 2018-08-31 | 2018-11-23 | 浙江大学 | 基于氩气环境的激光诱导击穿光谱的土壤重金属元素镉检测方法 |
CN208476785U (zh) * | 2018-07-26 | 2019-02-05 | 温州大学 | 一种适用于水产品重金属检测的激光诱导击穿光谱检测装置 |
-
2019
- 2019-11-20 CN CN201911138366.4A patent/CN110646407A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105043837A (zh) * | 2015-09-14 | 2015-11-11 | 国麒光电科技(天津)有限公司 | 一种用于激光诱导击穿光谱仪的自动化制样系统 |
CN105938099A (zh) * | 2016-07-07 | 2016-09-14 | 四川大学 | 一种基于激光诱导击穿光谱的岩性判别方法及系统 |
CN107271426A (zh) * | 2017-06-09 | 2017-10-20 | 华东师范大学 | 一种用激光诱导击穿光谱检测重金属污水的预处理方法 |
CN107966430A (zh) * | 2017-10-18 | 2018-04-27 | 深圳市芭田生态工程股份有限公司 | 一种用于快速检测肥料养分含量的方法 |
CN208476785U (zh) * | 2018-07-26 | 2019-02-05 | 温州大学 | 一种适用于水产品重金属检测的激光诱导击穿光谱检测装置 |
CN108872198A (zh) * | 2018-08-31 | 2018-11-23 | 浙江大学 | 基于氩气环境的激光诱导击穿光谱的土壤重金属元素镉检测方法 |
Non-Patent Citations (7)
Title |
---|
GUOLI JI等: "Laser-Induced Breakdown Spectroscopy for Rapid Discrimination of Heavy-Metal-Contaminated Seafood Tegillarca granosa", 《SENSORS》 * |
WEN SHA等: "Quantitative Analysis of Elements in Fertilizer Using Laser-Induced Breakdown Spectroscopy Coupled with Support Vector Regression Model", 《SENSORS 》 * |
刘津等: "激光诱导击穿光谱结合CARS 变量选择方法定量检测倍硫磷含量", 《分析测试学报》 * |
孙俊: "《光谱技术在农作物 农产品信息无损检测中的应用》", 30 June 2017, 东南大学出版社 * |
方旭波等: "《水产品综合利用工艺与检测实验技术》", 31 July 2016, 海洋出版社 * |
李江涛等: "复合肥中磷元素的激光诱导击穿光谱定量分析", 《激光技术》 * |
林冬秀: "基于激光诱导击穿光谱技术的泥蚶重金属污染信息的快速检测", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111413325A (zh) * | 2020-04-13 | 2020-07-14 | 中国海洋大学 | 基于libs提高凹凸不平样品元素测量准确度的方法 |
CN111504981A (zh) * | 2020-04-26 | 2020-08-07 | 上海交通大学 | 测定粉末物质中化学组分和水分含量的方法 |
CN111751308A (zh) * | 2020-06-24 | 2020-10-09 | 中国科学院西安光学精密机械研究所 | 基于嵌入式arm平台的海水总氮总磷数据处理系统及方法 |
CN112700822A (zh) * | 2020-12-03 | 2021-04-23 | 西南交通大学 | 一种微量气体杂质在线监测的激光诱导击穿光谱浓度提取方法 |
CN112611745A (zh) * | 2020-12-11 | 2021-04-06 | 华中科技大学 | 一种水果可溶性固形物间接无损检测方法及系统 |
CN117907278A (zh) * | 2024-03-19 | 2024-04-19 | 北京市农林科学院智能装备技术研究中心 | 水体磷酸盐检测系统、方法、设备、存储介质及程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110646407A (zh) | 一种基于激光诱导击穿光谱技术的水产品中磷元素含量的快速检测方法 | |
CN103558167A (zh) | 一种快速测定腌肉中氯化钠含量的方法 | |
WO2005111583A1 (ja) | 近赤外線分光法による野菜等の成分の非破壊検査法、及び同装置 | |
CN107655851A (zh) | 一种基于近红外光谱技术快速检测赖氨酸含量的方法 | |
CN103344597B (zh) | 一种抗调味干扰的莲藕内部成分近红外无损检测的方法 | |
JP2010210355A (ja) | 近赤外線分光法を用いた野菜等の成分の非破壊計測法および非破壊計測装置 | |
CN109374548A (zh) | 一种利用近红外快速测定大米中营养成分的方法 | |
CN108956584B (zh) | 一种桑椹中重金属元素铬的快速准确检测方法 | |
CN105136737A (zh) | 基于近红外光谱的馒头中马铃薯全粉含量快速测定的方法 | |
CN106770189A (zh) | 一种基于激光诱导击穿光谱的烟叶铜元素快速检测方法 | |
CN107024445A (zh) | 蔬菜中硝酸盐的快速检测的建模方法和检测方法 | |
Munawar et al. | The application of near infrared technology as a rapid and non-destructive method to determine vitamin C content of intact mango fruit. | |
CN109520965A (zh) | 一种基于近红外光谱特征数据提取技术检测赖氨酸含量的方法 | |
CN112595692A (zh) | 一种水果总糖含量预测模型的建立方法及水果总糖含量的预测方法 | |
CN106226267B (zh) | 一种辣椒干色价的近红外测定方法 | |
Fan et al. | Rapid and Nondestructive Determination of origin, volatile oil, sanshoamides and crack rate in the ‘Sichuan Pepper’Based on a Novel Portable Near Infrared Spectrometer | |
CN108169168A (zh) | 检测分析水稻籽粒蛋白质含量数学模型及构建方法和应用 | |
CN110231302A (zh) | 一种快速测定奇亚籽粗脂肪含量的方法 | |
CN106769927A (zh) | 一种黄芪药材的质量检测方法 | |
CN102519903B (zh) | 一种近红外光谱测定双孢蘑菇白度值的方法 | |
CN105158178B (zh) | 基于高光谱透射技术谱峰面积的脐橙糖度检测快速建模法 | |
CN102759515A (zh) | 基于水平atr的中红外光谱快速测定农产品含油率的方法 | |
CN114486798B (zh) | 一种快速预测蕨菜中总黄酮含量的方法 | |
CN113049526B (zh) | 一种基于太赫兹衰减全反射的玉米种子水分含量测定方法 | |
Li | Classification of black tea leaf water content based on hyperspectral imaging |
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: 20200103 |