CN111122532A - 一种蜂蜜掺杂糖浆的光谱检测方法 - Google Patents
一种蜂蜜掺杂糖浆的光谱检测方法 Download PDFInfo
- Publication number
- CN111122532A CN111122532A CN202010026136.5A CN202010026136A CN111122532A CN 111122532 A CN111122532 A CN 111122532A CN 202010026136 A CN202010026136 A CN 202010026136A CN 111122532 A CN111122532 A CN 111122532A
- Authority
- CN
- China
- Prior art keywords
- honey
- doped
- syrup
- iteration
- mfo
- 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
- G01N21/63—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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G01N2021/6417—Spectrofluorimetric devices
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Computational Linguistics (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Biochemistry (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Optics & Photonics (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明或发明涉及一种蜂蜜掺杂糖浆的光谱检测方法,包含以下步骤:(1)采用激光诱导荧光光谱仪获取蜂蜜样品的原始荧光光谱图;(2)采用REF‑ELM属性约简算法对原始荧光光谱数据进行特征选择;(3)采用SPXY划分方法将荧光光谱数据划分成训练集和测试集;(4)用MFO算法对KELM训练模型正则化系数C和核函数参数g进行优化;(5)将测试集上的光谱数据作为模型的输入,从而进行不同种类蜂蜜油样的检测识别。本发明采用MFO结合KELM用于激光诱导荧光植物油掺杂糖浆分类鉴别,具有很高的分类准确率和实际应用价值,泛化能力强,非常适用于掺假蜂蜜的实时精准检测和推广。
Description
技术领域
本发明涉及食品安全领域,具体是一种蜂蜜掺杂糖浆的光谱检测方法.
背景技术
蜂蜜是蜜蜂采集植物中的花蜜、分泌物或蜜露,与自身分泌物相结合后,经充分酿造后形成的天然甜物质。蜂蜜中富含有多种营养物质,主要成分是糖类,其中葡萄糖和果糖的含量在70%以上,除此之外,蜂蜜中还包含了氨基酸、维生素、无机盐、有机酸和微量元素等多种营养成分。蜂蜜不仅具有极高的营养价值,还具有许多的药理作用,比如抗菌、抗氧化和提高免疫力等。在国家标准中明文规定了蜂蜜是天然物质,不允许人为加入任何物质,如防腐剂和甜味剂等。但是在经济利益的驱使之下,蜂蜜掺假的问题屡见不鲜,从最初的蔗糖、淀粉等掺假到现在的各种糖浆掺假,使得蜂蜜的检测困难程度大大提高。不仅降低了蜂蜜的营养价值,还极大地损害了正规蜂农和企业的利益,破坏了市场秩序。
目前市场上检测蜂蜜是否掺假的方法主要有同位素比率分析法、气相色谱法和液相色谱法等进行定量分析蜂蜜样本,但是这些检测方法所用实验仪器结构复杂、实验环境要求严格、实验过程繁琐,无法满足市场上快速且无损检测蜂蜜品质的需求。
激光诱导荧光(Laser induced fluorescence spectroscopy,LIF)技术具有具有快速性和灵敏度高等特点,为识别蜂蜜提供了一种新思路。当激光照射在蜂蜜上时,蜂蜜会发出一种特定的荧光,通过收集到的荧光数据光谱图我们可以了解到蜂蜜样本的相关信息。将LIF技术结合飞蛾-扑火算法和核极限学习机用于蜂蜜品质上的检测,这对于掺假蜂蜜的精准识别有着重要的研究价值与深远的影响。
发明内容
本发明的目的是提供一种蜂蜜掺杂糖浆的光谱检测方法,能够弥补蜂蜜检测上的不足之处,该方法能够实现对蜂蜜的快速无损的检测。
本发明实现发明目的采用如下技术方案:
一种蜂蜜掺杂糖浆的光谱检测方法,包括以下步骤:
(1)蜂蜜样品原始荧光光谱图的提取:采用激光诱导荧光光谱仪测得掺杂不同比例糖浆的蜂蜜样品光谱数据,获取蜂蜜样品的原始荧光光谱数据;
(2)蜂蜜样品原始荧光光谱预处理:采用REF-ELM对原始荧光光谱数据进行特征选择,剔除重要度低的特征,减少数据的冗余性和噪声干扰;
(3)蜂蜜样品数据样本集的划分:采用SPXY划分方法将荧光光谱数据划分成训练集和测试集;
(4)MFO优化参数:在训练集上建立KELM模型,训练过程中用MFO算法对模型正则化系数C和核函数参数g进行优化;
(5)模型结果测试:将测试集上的光谱数据作为MFO-KELM模型的输入,从而进行不同种类蜂蜜样品的识别。
所述的步骤(1)中,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,激光器使用405nm蓝紫光半导体激光器。
所述的步骤(2)中,ELM的隐含层神经元个数选取20个。
所述的步骤(3)中,训练集的样本数和测试集的样本数的比例为4:1。
所述的步骤(4)中,训练过程中用MFO算法对模型正则化系数C和核函数参数g进行优化,其具体步骤如下:
(41)将REF-ELM进行特征选择后的荧光光谱数据进行归一化操作;
(411)选择径向基函数(RBF)作为KELM的核函数;
(412)正则化系数C和核函数参数g的设定在[a-q,ap]区间范围内,基于k折交叉验证进行训练;
(42)飞蛾和火焰,飞蛾的位置用矩阵M表示,飞蛾的适应度值用矩阵OM表示,火焰的位置用矩阵F表示,火焰的适应度值用矩阵OF表示;
(43)初始化飞蛾的数目和位置,初始化火焰的数目,根据适应度函数计算飞蛾的适应度值并对其进行非递减排序,选择最优的飞蛾位置和适应度值作为最优的火焰位置和适应度值;
(44)初始化参数b,t,r,r在[-1,-2]的范围里线性递减,b为常数项,t是[r,1]之间的一个随机数;
(45)在迭代过程中不断更新飞蛾的位置,更新公式如下:
S(Mi,Fj)=Di·ebt·cos(2πt)+Fj
式中表示第j个火焰和第i个飞蛾的距离,Di=|Fj-Mi|;
(46)更新参数t,r和火焰的数目fn,即式:
r=-1+iteration*((-1)/max_iteration)
t=(r-1)*rand+1
fn=round(N-iteration*((N-1)/T))
式中,iteration为当前迭代次数,max_iteration为迭代的总次数,N为火焰的初始数目,rand为[0,1]之间的一个随机数,round为取整函数;
(47)如果达到迭代次数的最大值,则结束MFO的寻优过程,得到参数C,g的最优解,否则从步骤(45)执行。
所述的步骤(5)中,根据预测蜂蜜的激光诱导荧光光谱数据分类图、分类准确率来分析所建立模型的识别性能和泛化能力。
有益效果:
本发明与现有技术相比,其有益效果体现在:与传统的同位素比率分析法、气相色谱法和液相色谱法等蜂蜜品质检测方法相比较,激光诱导荧光技术在蜂蜜掺杂糖浆检测上有着操作简便,方便携带和检测速度快等特点。未改进的粒子群算法(PSO)容易在寻优过程中陷入局部最优值,导致寻优的精度不高;灰狼优化算法虽然所需参数少,优化效果好,但是其收敛速度不高,精度不够,易陷入局部最优;采用MFO算法能够有效提高寻优精度,并结合KELM用于激光诱导荧光蜂蜜掺杂糖浆分类鉴别,具有很高的分类准确率和实际应用价值,泛化能力强,非常适用于掺假蜂蜜的快速无损检测。
附图说明
图1是本发明的流程图;
图2是本发明的MFO算法寻优KELM参数的算法流程图。
具体实施方式
以下通过具体实施例对本发明做进一步解释说明。
本发明研发了一种蜂蜜掺杂糖浆的光谱检测方法,将MFO-KELM与激光诱导荧光技术相结合,利用便携式荧光光谱仪设备对蜂蜜样本的荧光光谱数据进行采集,形成不同种类蜂蜜样本的荧光光谱图;首先,采用REF-ELM对蜂蜜的原始光谱数据进行特征选择处理,去除掉重要度低的特征,降低噪声对分类的影响,利用SPXY法划分出训练集和测试集,再利用MFO对KELM在训练集上进行模型训练和参数寻优,最后将测试集用于模型分类结果测试和性能验证。
本发明在MFO-KELM与激光诱导荧光技术相结合的情况下研究出一种蜂蜜掺杂糖浆的光谱检测方法,具体步骤如下:
(1)蜂蜜样品原始荧光光谱图的提取:光谱仪选择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,激光器使用405nm蓝紫光半导体激光器,激光入射波长设定值为405nm。激光入射功率可调节范围为100~130mW,实验设定值为110mW;Spectra suite作为光谱数据的采集记录软件,采取洋槐蜂蜜、椴树蜂蜜、枣花蜂蜜、紫云英蜂蜜、紫云英蜂蜜和糖浆(按1:1混合)这五种样本,获取蜂蜜样本的原始荧光光谱数据。
(2)蜂蜜样品原始荧光光谱预处理:原始数据的特征数目较多,包含了一些冗余和重要度低的特征,这些特征不仅会对实验的分类造成困难,而且会对实验的误差造成影响,因此采用REF-ELM对原始荧光光谱数据进行特征选择,剔除重要度低的特征,减少数据的冗余性和噪声干扰。
(3)蜂蜜样品数据样本集的划分:采用SPXY划分方法将荧光光谱数据按4:1划分成训练集和测试集;
(4)MFO优化参数:在训练集上建立KELM模型,训练过程中用MFO算法对模型正则化系数C和核函数参数g进行优化,其具体步骤如下:
(41)将REF-ELM进行特征选择后的荧光光谱数据进行归一化到(0,1)区间内;
(411)选择径向基函数(RBF)作为KELM的核函数;
(412)正则化系数C和核函数参数g的设定在[2-8,28]区间范围内,基于3折交叉验证进行训练;
(42)飞蛾和火焰,飞蛾的位置用矩阵M表示,飞蛾的适应度值用矩阵OM表示,火焰的位置用矩阵F表示,火焰的适应度值用矩阵OF表示;
(43)初始化飞蛾的数目和位置,初始化火焰的数目,根据适应度函数计算飞蛾的适应度值并对其进行非递减排序,选择最优的飞蛾位置和适应度值作为最优的火焰位置和适应度值;
(44)初始化参数b,t,r,r在[-1,-2]的范围里线性递减,b为常数项,t是[r,1]之间的一个随机数;
(45)在迭代过程中不断更新飞蛾的位置,更新公式如下:
S(Mi,Fj)=Di·ebt·cos(2πt)+Fj
式中表示第j个火焰和第i个飞蛾的距离,Di=|Fj-Mi|;
(46)更新参数t,r和火焰的数目fn,即式:
r=-1+iteration*((-1)/max_iteration)
t=(r-1)*rand+1
fn=round(N-iteration*((N-1)/T))
式中,iteration为当前迭代次数,max_iteration为迭代的总次数,N为火焰的初始数目,rand为[0,1]之间的一个随机数,round为取整函数;
(47)如果达到迭代次数的最大值150,则结束MFO的寻优过程,得到参数C,g的最优解,否则从步骤(45)执行
(5)模型结果测试:根据预测蜂蜜的激光诱导荧光光谱数据分类图、分类准确率来分析所建立模型的识别性能和泛化能力。
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 (5)
1.一种蜂蜜掺杂糖浆的光谱检测方法,其特征在于:包括以下步骤:
(1)蜂蜜样品原始荧光光谱图的提取:采用激光诱导荧光光谱仪测得掺杂不同比例糖浆的蜂蜜样品光谱数据,获取蜂蜜样品的原始荧光光谱数据;
(2)蜂蜜样品原始荧光光谱预处理:采用REF-ELM对原始荧光光谱数据进行特征选择,剔除重要度低的特征,减少数据的冗余性和噪声干扰;
(3)蜂蜜样品数据样本集的划分:采用SPXY划分方法将荧光光谱数据划分成训练集和测试集;
(4)MFO优化参数:在训练集上建立KELM模型,训练过程中用MFO算法对模型正则化系数C和核函数参数g进行优化;
(5)模型结果测试:将测试集上的光谱数据作为MFO-KELM模型的输入,从而进行不同种类蜂蜜样品的识别。
2.根据权利要求1所述的一种蜂蜜掺杂糖浆的光谱检测方法,其特征在于:所述的步骤(1)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,激光器使用405nm蓝紫光半导体激光器。
3.根据权利要求1所述的一种蜂蜜掺杂糖浆的光谱检测方法,其特征在于:所述的步骤(2)中,ELM的隐含层神经元个数选取20个。
4.根据权利要求1所述的一种蜂蜜掺杂糖浆的光谱检测方法,其特征在于:所述的步骤(4)中,训练过程中用MFO算法对模型正则化系数C和核函数参数g进行优化,其具体步骤如下:
(41)将REF-ELM进行特征选择后的荧光光谱数据进行归一化操作;
(411)选择径向基函数(RBF)作为KELM的核函数;
(412)正则化系数C和核函数参数g的设定在[a-q,ap]区间范围内,基于k折交叉验证进行训练;
(42)飞蛾和火焰,飞蛾的位置用矩阵M表示,飞蛾的适应度值用矩阵OM表示,火焰的位置用矩阵F表示,火焰的适应度值用矩阵OF表示;
(43)初始化飞蛾的数目和位置,初始化火焰的数目,根据适应度函数计算飞蛾的适应度值并对其进行非递减排序,选择最优的飞蛾位置和适应度值作为最优的火焰位置和适应度值;
(44)初始化参数b,t,r,r在[-1,-2]的范围里线性递减,b为常数项,t是[r,1]之间的一个随机数;
(45)在迭代过程中不断更新飞蛾的位置,更新公式如下:
S(Mi,Fj)=Di·ebt·cos(2πt)+Fj
式中Di表示第j个火焰和第i个飞蛾的距离,Di=|Fj-Mi|;
(46)更新参数t,r和火焰的数目fn,即式:
r=-1+iteration*((-1)/max_iteration)
t=(r-1)*rand+1
fn=round(N-iteration*((N-1)/T))
式中,iteration为当前迭代次数,max_iteration为迭代的总次数,N为火焰的初始数目,rand为[0,1]之间的一个随机数,round为取整函数;
(47)如果达到迭代次数的最大值,则结束MFO的寻优过程,得到参数C,g的最优解,否则从步骤(45)执行。
5.根据权利要求1所述的一种蜂蜜掺杂糖浆的光谱检测方法,其特征在于:所述的步骤(5)中,根据预测蜂蜜的激光诱导荧光光谱数据分类图、分类准确率来分析所建立模型的识别性能和泛化能力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010026136.5A CN111122532A (zh) | 2020-01-10 | 2020-01-10 | 一种蜂蜜掺杂糖浆的光谱检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010026136.5A CN111122532A (zh) | 2020-01-10 | 2020-01-10 | 一种蜂蜜掺杂糖浆的光谱检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111122532A true CN111122532A (zh) | 2020-05-08 |
Family
ID=70487760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010026136.5A Pending CN111122532A (zh) | 2020-01-10 | 2020-01-10 | 一种蜂蜜掺杂糖浆的光谱检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111122532A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113049560A (zh) * | 2021-03-23 | 2021-06-29 | 聊城大学 | 一种鉴别蜂蜜与糖浆的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130284945A1 (en) * | 2010-11-29 | 2013-10-31 | Comvita New Zealand Limited | Method and apparatus that utilises fluorescence to determine plant or botanical origin characteristics of honey |
CN106650930A (zh) * | 2016-12-09 | 2017-05-10 | 温州大学 | 模型参数优化的方法及装置 |
CN108267429A (zh) * | 2017-11-30 | 2018-07-10 | 南京信息工程大学 | 一种烧结矿中全铁及碱度的定量分析方法 |
CN109270044A (zh) * | 2018-11-28 | 2019-01-25 | 安徽理工大学 | 一种激光诱导荧光植物油掺杂浓茶水鉴定方法 |
CN109344994A (zh) * | 2018-08-28 | 2019-02-15 | 温州大学 | 一种基于改进飞蛾优化算法的预测模型方法 |
-
2020
- 2020-01-10 CN CN202010026136.5A patent/CN111122532A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130284945A1 (en) * | 2010-11-29 | 2013-10-31 | Comvita New Zealand Limited | Method and apparatus that utilises fluorescence to determine plant or botanical origin characteristics of honey |
CN106650930A (zh) * | 2016-12-09 | 2017-05-10 | 温州大学 | 模型参数优化的方法及装置 |
CN108267429A (zh) * | 2017-11-30 | 2018-07-10 | 南京信息工程大学 | 一种烧结矿中全铁及碱度的定量分析方法 |
CN109344994A (zh) * | 2018-08-28 | 2019-02-15 | 温州大学 | 一种基于改进飞蛾优化算法的预测模型方法 |
CN109270044A (zh) * | 2018-11-28 | 2019-01-25 | 安徽理工大学 | 一种激光诱导荧光植物油掺杂浓茶水鉴定方法 |
Non-Patent Citations (3)
Title |
---|
李兴远 等: "基于样本熵和MFO—SVM的禽蛋蛋壳品质识别研究", 《中国农机化学报》, vol. 40, no. 5, 31 May 2019 (2019-05-31), pages 133 - 137 * |
蔡悦 等: "萤火虫算法优化的高光谱遥感影像极限学习机分类方法", 《地球信息科学》, vol. 17, no. 8, 31 August 2015 (2015-08-31), pages 986 - 987 * |
赵杰文等: "基于三维荧光光谱技术对掺假蜂蜜无损鉴别研究", 《光谱学与光谱分析》, vol. 33, no. 06, 15 June 2013 (2013-06-15), pages 1626 - 1629 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113049560A (zh) * | 2021-03-23 | 2021-06-29 | 聊城大学 | 一种鉴别蜂蜜与糖浆的方法 |
CN113049560B (zh) * | 2021-03-23 | 2023-12-08 | 聊城大学 | 一种鉴别蜂蜜与糖浆的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101915744B (zh) | 物质成分含量的近红外光谱无损检测方法及装置 | |
Ríos-Reina et al. | Spectralprint techniques for wine and vinegar characterization, authentication and quality control: Advances and projections | |
CN108645829B (zh) | 一种快速识别蜂蜜品种和掺假蜂蜜的方法 | |
CN111398233A (zh) | 一种红酒品质的激光光谱检测方法 | |
CN102937575B (zh) | 一种基于二次光谱重组的西瓜糖度快速建模方法 | |
CN111122532A (zh) | 一种蜂蜜掺杂糖浆的光谱检测方法 | |
CN112098361A (zh) | 一种基于近红外光谱的玉米种子鉴别方法 | |
Ruan et al. | A modified backward elimination approach for the rapid classification of Chinese ceramics using laser-induced breakdown spectroscopy and chemometrics | |
CN111929285A (zh) | 一种激光诱导荧光红酒掺杂酒精的光谱识别方法 | |
CN111398255B (zh) | 一种水稻根系所含镉元素的定量检测方法和系统 | |
CN117629971A (zh) | 一种提高激光诱导击穿光谱测量页岩中碳元素精度的方法 | |
Zhou et al. | Hyperspectral imaging technology for detection of moisture content of tomato leaves | |
CN116858822A (zh) | 一种基于机器学习和拉曼光谱的水体中磺胺嘧啶定量分析方法 | |
Guo et al. | Characterization of different processes lemon slice using electronic tongue | |
CN115630329A (zh) | 一种基于卷积神经网络的食用香精分类方法 | |
CN113916817B (zh) | 用于城镇生活饮用水的光谱法色度在线测量方法 | |
EP3961189B1 (en) | Cigarette mainstream smoke spectral data sensory evaluation method | |
Li et al. | Towards practical semi-empirical models for the estimation of leaf and canopy water contents from hyperspectral reflectance | |
Xiao et al. | Rapid detection of maize seed germination rate based on Gaussian process regression with selection kernel function | |
CN113484303A (zh) | 基于拉曼光谱检测小米类胡萝卜素的方法 | |
CN113295673A (zh) | 一种激光诱导击穿光谱弱监督特征提取方法 | |
CN111027025A (zh) | 一种筛选红外光谱特征波长用于预测葡萄酒品质参数的方法 | |
CN111289451A (zh) | 复杂光谱组分浓度定量计算的方法 | |
Yan et al. | Application of Successive Projection Algorithm in Nondestructive Detection of Soluble Solid Content in Apple | |
Kumar et al. | Discrimination of Various pure Honey samples and its Adulterants using FTIR Spectroscopy Coupled with Chemometrics |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200508 |
|
WD01 | Invention patent application deemed withdrawn after publication |