CN111259970A - 一种馒头加工过程中面团发酵状态的智能化监测方法 - Google Patents
一种馒头加工过程中面团发酵状态的智能化监测方法 Download PDFInfo
- Publication number
- CN111259970A CN111259970A CN202010062452.8A CN202010062452A CN111259970A CN 111259970 A CN111259970 A CN 111259970A CN 202010062452 A CN202010062452 A CN 202010062452A CN 111259970 A CN111259970 A CN 111259970A
- Authority
- CN
- China
- Prior art keywords
- dough
- dough fermentation
- fermentation state
- processing process
- steamed bun
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000000855 fermentation Methods 0.000 title claims abstract description 41
- 230000004151 fermentation Effects 0.000 title claims abstract description 41
- 238000012544 monitoring process Methods 0.000 title claims abstract description 26
- 238000012545 processing Methods 0.000 title claims abstract description 15
- 238000001228 spectrum Methods 0.000 claims abstract description 27
- 238000009499 grossing Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 238000002329 infrared spectrum Methods 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000002860 competitive effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 235000008429 bread Nutrition 0.000 abstract description 16
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 235000013339 cereals Nutrition 0.000 abstract description 2
- 235000011868 grain product Nutrition 0.000 abstract description 2
- 238000003908 quality control method Methods 0.000 abstract description 2
- 230000002349 favourable effect Effects 0.000 abstract 1
- 238000009776 industrial production Methods 0.000 abstract 1
- 230000003993 interaction Effects 0.000 abstract 1
- 235000013312 flour Nutrition 0.000 description 14
- 235000013305 food Nutrition 0.000 description 7
- 238000011161 development Methods 0.000 description 4
- 240000004808 Saccharomyces cerevisiae Species 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004898 kneading Methods 0.000 description 2
- 206010013911 Dysgeusia Diseases 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 238000011549 displacement method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000010025 steaming Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Analytical Chemistry (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Bakery Products And Manufacturing Methods Therefor (AREA)
- Manufacturing And Processing Devices For Dough (AREA)
Abstract
本发明公开了一种馒头加工过程中面团发酵状态的智能化监测方法，属于粮食及粮食制品加工或质量控领域。该方法的步骤为：采用近红外光谱仪对发酵过程中面团的光谱信息进行采集，采集的光谱信息进行Savizky‑Golay卷积平滑法降噪处理，然后采用CARS‑Si‑PLS算法对采集的所有光谱变量进行筛选，经过50次五折交互优化模型，筛选出最优的能反应发酵过程中面团特征变化的特征变量，最后，采用这些变量建立面团发酵状态的SVM监测模型。该方法可以实现在线监测，且快速准确，利于实现馒头工业化生产中面团发酵的在线实时监测。可广泛在馒头及面包等生产线。
Description
技术领域
本发明涉及馒头加工过程中的品质监测方法，特别是一种面团发酵过程中发酵状态检测的方法，属于粮食及粮食制品加工或质量控制领域。
背景技术
据统计，我国米面主食产业的市场容量约为1万亿，其中面制主食的市场容量达到6000多亿元，我国小麦产量的80％用作面制食品。我国传统面制品多以蒸煮加工为主，而馒头其中的典型代表，不同于西方的烘焙类面制品，馒头将小麦粉和面后经发酵、蒸制而成，具有色白、暄软、光润、膨松、口味平淡、后味香甜等特点，更适合中国人的口味。据统计，当前我国制作馒头消费的面粉量占总消费面粉量的40％。因此，无论是在我国主食产业结构中，还是在我国人民的膳食结构中，馒头都占有十分重要的地位。
长期以来，我国馒头主要以作坊式生产为主，卫生设施简陋，生产方式落后；当前，我国馒头的工业化之路业已起步，业内也出现了规模化的馒头生产企业，但占比依然很低，且生产的机械化和自动化程度不高，各主要生产环节的监测和控制还需靠人工完成。
面团发酵是加工馒头的关键步骤，发酵是否适度决定了产品的香气、口感、外观、质地等品质。当前，面团发酵的判断全靠人工评价，在一些规模化的工厂根据经验设定固定的发酵参数，这种传统的方式已经严重制约了馒头的工业化发展进程。
如何满足食品工业的发展需求，开发一种能实现面团发酵过程的智能化监测方法，是一个亟需解决的问题。
本发明针对上述的现实问题，开发了一种馒头加工过程中面团发酵状态的智能化监测方法，可以实现对馒头制作过程中面团发酵状态的实时监测，契合了现代食品工业自动化、智能化的发展需求。
发明内容
本发明的目的是提供一种馒头加工过程中面团发酵状态的智能化监测方法，按照下述步骤进行：
(1)采用手持式NIR quest-512型近红外光谱仪(美国Ocean Optics公司)采集面团的近红外反射光谱，光谱采集参数经优化设置为：积分时间100ms，平均采集次数为3，平滑窗口为5。光谱范围900-1700nm，设有512个数据点。
(2)在采集样品的近红外光谱信息时，由于受到样品形状、背景，以及仪器及采集环境的众多因素的影响，所采集到的光谱信息会存在噪声等无效信息，同时基线漂移和平移等，这些均会造成光谱分析的误差，为了降低误差，提高最终所建模型的准确性和精度，本发明采用Savizky-Golay卷积平滑法对对采集到的光谱信息进行预处理，平滑窗口为15。
(3)采用近红外仪采集到的光谱信息共有512个数据点，这些数据信息除样品的自身信息外，还包含了其它无关信息和噪音，如电噪音、样品背景等，这些信息很难在预处理中全部消除；其次有些区域样品的信息很弱，与样品的组成或性质间缺乏相关关系。如果将所有这些数据用来分析用于面团发酵状态的监测，不但计算量大、模型复杂，而且精度也不一定高。因此，本发明采用CARS-Si-PLS方法对光谱信息进行筛选，具体方法为：先采用联合区间偏最小二乘法(Synergy interval PLS，Si-PLS)，将光谱区间分成6、7、8、……、25个子区间，然后分别联合2、3、4个子区间，建立面团发酵状态的PLS判别模型，并对不同区间划分及联合方法的模型性能进行对比，从而筛选最优的光谱区间。
(4)为了进一步筛选有效光谱信息，在采用Si-PLS筛选出的光谱区间，再采用竞争性自适应重加权抽样偏最小二乘法(competitive adaptive reweighted sampling PLS，CARS-PLS)对变量进行筛选，蒙特卡罗采样次数为50次，采用5折交互验证优化模型，根据最低的交互验证均方根误差(Root mean square error of cross-validation,RMSECV)确定最佳的模型。将CARS-PLS运行50次，从中选出RMSECV最低的一次，以此次筛选出的信息作为建立面团发酵监测的特征变量。
采集一定发酵面团样本量的近红外光谱信息，以是选出来的特征变量构建面团的发酵状态的支持向量机(support vector machine，SVM)监测模型。
本发明突破了传统的体积置换法形成的定向思维禁锢，创造性的采用光学与高等数学相结合的方法，可以在不接触馒头的情况下，完成对馒头比容的测定，而且该方法可以利用计算机语言进行计算机编程，形成智能的馒头比容检测系统，最终可以实现该方法与生产线的结合，形成馒头的工业化在线比容检测系统，契合当代食品工业自动化、智能化的发展需求。
说明书附图
图1为经Savizky-Golay卷积平滑处理后的近红外光谱图。
图2为经Si-PLS方法筛选后的近红外光谱区间。
图3为运行50次CARS-PLS方法筛选出来的变量分布。
图4为运行最优的一次CARS-PLS结果：(a)筛选变量数，(b)交互验证均方根误差，(c)变量回归系数。
图5面团发酵状态的SVM监测模型：(a)训练集，(b)预测集。
具体实施方式：
实施例1：
称取面粉，酵母用量为面粉的0.8％，加水量按常规方法测得的粉质吸水率的70-80％，先将酵母用水溶解后加入到面粉中和面、揉成面团，将面团在封闭状态下静置3min后揉至面团表面光滑不粘手，将揉好的面团等分成12份60.0±1.0g的面团，成型后置于恒温恒湿箱中(温度30℃，湿度80-90％)发酵，发酵过程中每隔5分钟采集面团的近红外光谱信息。之后采用Savizky-Golay卷积平滑法对对采集到的光谱信息进行预处理，平滑窗口为15，处理后的光谱如图1所示。
采用Si-PLS法对预处理后的近红外光谱信息的特征变量进行筛选，筛选时，将经过SG预处理的全光谱区域划分成为6、7、8、……、25个子区间，然后分别联合2、3、4个子区间，建立面团发酵状态的PLS判别模型，并对不同区间划分及联合方法的模型性能进行对比，从而筛选最优的光谱区间，综合对比选取区间划分为10个，联合区间为[1、3、6、9]时所选的光谱区间为变量，光谱范围为900-981.83nm，1070.47-1152.04nm，1310.7-1399.14nm，1563.91-1643.58nm，如图2所示，所筛选区间的总变量数为205个。
为了进一步筛选有效光谱信息，在采用Si-PLS筛选出的光谱区间，再采用竞争性自适应重加权抽样偏最小二乘法(competitive adaptive reweighted sampling PLS，CARS-PLS)对变量进行筛选，蒙特卡罗采样次数为50次，采用5折交互验证优化模型，根据最低的RMSECV值确定最佳的模型。将CARS-PLS运行50次，从中选出RMSECV最低的一次，以此次筛选出的信息作为建立面团发酵监测的特征变量。运行50次筛选出的变量分布如图3所示，运行最优一次的结果如图4所示，(a)筛选变量数，(b)交互验证均方根误差，(c)变量回归系数。
图4显示了RMSECV随采样次数的的变化趋势，当采样次数达到30次时，RMSECV值最低，然后逐渐增加，表明运行30次以后，CARS开始剔除重要特征变量。最终，筛选出13个变量。
在150个不同发酵时间面团的样本光谱信息中选取100个为训练集，50个为预测集，以筛选出来的13个变量，根据人工判断的1、2、3三个阶段为输出(1、2、3分别对应发酵未完成、发酵适度、发酵过度)，建立面团发酵状态监测的SVM模型，优选范围设置为[2-10，210]，步长设置为0.5，当主成分为8时，模型的综合效果最优，c＝64，g＝0.011，结果如图5所示，(a)为训练集，识别准确率为94％，(b)为预测集，识别率准确为92％。
因此，本发明的面团发酵状态监测方法可行，测定结果可信。
Claims (5)
1.一种馒头加工过程中面团发酵状态的智能化监测方法，其特征在于按照下述步骤进行：
(1)采用近红外光谱仪采集发酵过程中面团的近红外反射光谱信息；
(2)并通过Savizky-Golay卷积平滑法对光谱信息进行预处理；
(3)采用CARS-Si-PLS方法对光谱信息进行筛选；
(4)以筛选出的近红外光谱信息作为建立面团发酵监测的特征变量，以一定量的的样本量数据建立面团发酵状态的支持向量机(SVM)监测模型。
2.根据权利要求1所述的一种馒头加工过程中面团发酵状态的智能化监测方法，其特征在于，步骤(1)中光谱采集参数经优化设置为：积分时间100ms，平均采集次数为3，平滑窗口为5；光谱范围900-1700nm，设有512个数据点。
3.根据权利要求1所述的一种馒头加工过程中面团发酵状态的智能化监测方法，其特征在于步骤(2)中采用Savizky-Golay卷积平滑法对对采集到的光谱信息进行预处理，平滑窗口为15。
4.根据权利要求1所述的一种馒头加工过程中面团发酵状态的智能化监测方法，其特征在于步骤(3)中(1)先采用联合区间偏最小二乘法(Synergy interval PLS，Si-PLS)，将光谱区间分成6、7、8、……、25个子区间，然后分别联合2、3、4个子区间，建立面团发酵状态的PLS判别模型，并对不同区间划分及联合方法的模型性能进行对比，从而筛选最优的光谱区间。
5.根据权利要求1所述的一种馒头加工过程中面团发酵状态的智能化监测方法，其特征在于步骤(4)中采用Si-PLS筛选出的光谱区间内，再采用竞争性自适应重加权抽样法(competitive adaptive reweighted sampling，CARS)对变量进行筛选，蒙特卡罗采样次数为50次，采用5折交互验证优化模型，根据最低的交互验证均方根误差值确定最佳的模型；循环运行50次CARS，选取效果最好的一次，提取特征变量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010062452.8A CN111259970B (zh) | 2020-01-20 | 2020-01-20 | 一种馒头加工过程中面团发酵状态的智能化监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010062452.8A CN111259970B (zh) | 2020-01-20 | 2020-01-20 | 一种馒头加工过程中面团发酵状态的智能化监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111259970A true CN111259970A (zh) | 2020-06-09 |
| CN111259970B CN111259970B (zh) | 2024-02-13 |
Family
ID=70942671
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010062452.8A Active CN111259970B (zh) | 2020-01-20 | 2020-01-20 | 一种馒头加工过程中面团发酵状态的智能化监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111259970B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112102898A (zh) * | 2020-09-22 | 2020-12-18 | 安徽大学 | 一种醋醅固态发酵过程谱图模态辨识方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104020129A (zh) * | 2014-05-16 | 2014-09-03 | 安徽农业大学 | 一种基于近红外光谱结合氨基酸分析技术的工夫红茶发酵质量的判别方法 |
| CN107044967A (zh) * | 2017-04-18 | 2017-08-15 | 江苏大学 | 一种马铃薯生全粉近红外光谱快速鉴别的方法 |
| CN109540838A (zh) * | 2019-01-24 | 2019-03-29 | 广东产品质量监督检验研究院（国家质量技术监督局广州电气安全检验所、广东省试验认证研究院、华安实验室） | 一种快速检测发酵乳中酸度的方法 |
| CN109557014A (zh) * | 2019-01-24 | 2019-04-02 | 广东产品质量监督检验研究院（国家质量技术监督局广州电气安全检验所、广东省试验认证研究院、华安实验室） | 一种快速检测发酵乳中乳酸菌数的方法 |
-
2020
- 2020-01-20 CN CN202010062452.8A patent/CN111259970B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104020129A (zh) * | 2014-05-16 | 2014-09-03 | 安徽农业大学 | 一种基于近红外光谱结合氨基酸分析技术的工夫红茶发酵质量的判别方法 |
| CN107044967A (zh) * | 2017-04-18 | 2017-08-15 | 江苏大学 | 一种马铃薯生全粉近红外光谱快速鉴别的方法 |
| CN109540838A (zh) * | 2019-01-24 | 2019-03-29 | 广东产品质量监督检验研究院（国家质量技术监督局广州电气安全检验所、广东省试验认证研究院、华安实验室） | 一种快速检测发酵乳中酸度的方法 |
| CN109557014A (zh) * | 2019-01-24 | 2019-04-02 | 广东产品质量监督检验研究院（国家质量技术监督局广州电气安全检验所、广东省试验认证研究院、华安实验室） | 一种快速检测发酵乳中乳酸菌数的方法 |
Non-Patent Citations (1)
| Title |
|---|
| XIANHUI CHANG: "《Monitoring of dough fermentation during Chinese steamed bread processing by near-infrared spectroscopy combined with spectra selection and supervised learning algorithm》" * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112102898A (zh) * | 2020-09-22 | 2020-12-18 | 安徽大学 | 一种醋醅固态发酵过程谱图模态辨识方法及系统 |
| CN112102898B (zh) * | 2020-09-22 | 2022-09-23 | 安徽大学 | 一种醋醅固态发酵过程谱图模态辨识方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111259970B (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105044021A (zh) | 一种中秋酥脆枣糖度无损检测方法 | |
| CN102539375A (zh) | 基于近红外光谱秸秆固态发酵过程参数软测量方法及装置 | |
| CN104596984A (zh) | 一种六神曲发酵过程近红外在线质量检测方法 | |
| 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 | |
| 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 | |
| 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 | |
| CN107991264A (zh) | 一种小麦粉蛋白质及湿面筋含量快速检测方法 | |
| CN105138834A (zh) | 基于近红外光谱波数k均值聚类的烟草化学值定量方法 | |
| CN106092893A (zh) | 一种光谱判别分析的波长优选方法 | |
| CN111259970B (zh) | 一种馒头加工过程中面团发酵状态的智能化监测方法 | |
| CN110672578A (zh) | 针对煎炸油极性组分检测的模型通用性及稳定性验证方法 | |
| CN110320164A (zh) | 一种生菜全氮含量高光谱反演模型的建立方法及其应用 | |
| CN105806803A (zh) | 一种多指标协同分析波长组合及其选择方法 | |
| CN113176227A (zh) | 一种快速预测河南石斛掺伪霍山石斛的方法 | |
| AU2021104058A4 (en) | Analysis Method of Nutritional Quality of Pleurotus Ostreatus | |
| CN114486798B (zh) | 一种快速预测蕨菜中总黄酮含量的方法 | |
| CN112304921B (zh) | 一种基于拉曼光谱技术检测桑椹中花色素苷的方法 | |
| CN114624402A (zh) | 一种基于近红外光谱的螺蛳粉酸笋品质评价方法 | |
| CN106501212A (zh) | 基于原料肉近红外光谱信息预测烧烤牛肉熟后品质的方法 | |
| CN113125378A (zh) | 基于近红外光谱的不同部位驼肉中营养成分的快速检测方法 | |
| CN114136918B (zh) | 一种基于近红外的稻米食味品质评价方法 | |
| CN111487219A (zh) | 一种基于近红外光谱技术的快速检测香梨木质素含量方法 | |
| CN114136917B (zh) | 一种光谱快速检测菜肴营养素含量及预测主料质量比的方法 | |
| Shengnan et al. | Outlier sample analysis on near infrared spectroscopy determination for flour ash | |
| CN110779897B (zh) | 一种营养米粉中无机硒的测定方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |