CN111458309B - 一种基于近红外-拉曼联用的植物油定性方法 - Google Patents
一种基于近红外-拉曼联用的植物油定性方法 Download PDFInfo
- Publication number
- CN111458309B CN111458309B CN202010470413.1A CN202010470413A CN111458309B CN 111458309 B CN111458309 B CN 111458309B CN 202010470413 A CN202010470413 A CN 202010470413A CN 111458309 B CN111458309 B CN 111458309B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- raman
- sample
- near infrared
- derivative
- 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.)
- Active
Links
- 238000002095 near-infrared Raman spectroscopy Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 title claims abstract description 13
- 235000015112 vegetable and seed oil Nutrition 0.000 title claims abstract description 10
- 239000008158 vegetable oil Substances 0.000 title claims abstract description 10
- 238000001228 spectrum Methods 0.000 claims abstract description 57
- 238000001069 Raman spectroscopy Methods 0.000 claims abstract description 33
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 33
- 238000001237 Raman spectrum Methods 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 16
- 238000010586 diagram Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 4
- 239000010773 plant oil Substances 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 abstract 1
- 239000003921 oil Substances 0.000 description 25
- 235000019198 oils Nutrition 0.000 description 25
- 239000004006 olive oil Substances 0.000 description 13
- 235000008390 olive oil Nutrition 0.000 description 11
- 239000010463 virgin olive oil Substances 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000010354 integration Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 235000019484 Rapeseed oil Nutrition 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 240000007817 Olea europaea Species 0.000 description 1
- 235000019486 Sunflower oil Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000010465 pomace olive oil Substances 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 239000013558 reference substance Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 239000002600 sunflower oil Substances 0.000 description 1
- 235000020238 sunflower seed Nutrition 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G01N21/17—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
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
-
- 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
- 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
- G01N21/65—Raman scattering
Abstract
本发明公开一种基于近红外‑拉曼联用的植物油定性方法，包括测样：测定同一样本的拉曼光谱和近红外光谱；选择数据：分别选择拉曼和近红外的可用波段范围，截取数据；求导：采用降噪‑高阶导数算法，分别对所截取的拉曼光谱和近红外光谱求取二阶导数谱；构造矩阵：以拉曼光谱R作为行向量，近红外光谱N作为列向量，点乘，构成矩阵RN＝R·N；根据矩阵RN，绘制RN的等高线图；根据待测样品的红外‑拉曼联用特征图与已知来源样品的标准谱图进行比对，根据待测样品与标准谱图的符合置信度进行评价，即可知晓待测样品的种类。本发明的红外‑拉曼联用特征图显著消除低频的基线和背景干扰，显著降低环境影响；指纹特性清晰便于分析。
Description
技术领域
本发明涉及近红外-拉曼联用技术领域，尤其涉及一种基于近红外-拉曼联用的植物油定性方法。
背景技术
近红外光谱定量关系好，可以准确反映样品各组分的质量组成关系；不受荧光等外界激发光的影响；体现样品整体性质。但是存在分辨率差，即使信息全部存在于谱图中，也难以有效辨识。存在散射光抬升基线；组分加和性作为定性判断不是充分条件，掺杂或者配比条件下，不能给出充分判断。
拉曼光谱细节充分，可以给出样品中不同组分的指纹，即使相同基团在不同环境下的拉曼光谱也存在差异；分辨率高，可提供更多信息对结果做充分判断；提供样品独立性质。但是定量关系复杂，难以从单一谱图判断样本的同一性；荧光干扰大、细节组合数量大，造成完成定性的必要性判断难度大。
因此两种光谱从定性分析的可行性和完备性的充分必要判断而言，存在良好的互补关系。
2D图像比较于列表判断或者含量分布区-指纹区的分别对照，更为清晰直观，是一种较好的可视化表达方式。可以同时表达联用的信息的交互关系，同时展示样品的含量分布-基团指纹的交互关系，即：相同含量-不同指纹，或者相同指纹-不同含量都能够轻易地直接区分。
直接光谱具有符合传统认知的优点，但是，基线和背景的干扰对于谱图一致性判断和验证带来很大干扰。采用二阶导数处理后的谱图，可以显著消除低频的基线和背景干扰，显著降低测量环境的影响；同时，导数处理后有效提升了谱图的分辨率，提高重叠峰的识别能力，指纹特性更为清晰。
发明内容
为了解决上述相关领域中的不足，本发明提供一种基于近红外-拉曼联用的植物油定性方法。
本发明的一种基于近红外-拉曼联用的植物油定性方法是通过以下技术方案实现的：
一种基于近红外-拉曼联用的植物油定性方法，包括：
步骤1，测样：测定同一样本的拉曼光谱和近红外光谱，重复多次；
步骤2，选择数据：分别选择拉曼和近红外的特征响应波段范围，截取数据；
步骤3，求导：采用降噪-高阶导数算法，分别对所截取的拉曼光谱和近红外光谱求取二阶导数谱；
步骤4，构造矩阵：对步骤3得到的拉曼光谱的二阶导数谱和近红外光谱的二阶导数谱分别进行预处理，分别得到拉曼光谱R和近红外光谱N；然后，以拉曼光谱R作为行向量，近红外光谱N作为列向量，点乘，构成矩阵RN＝R·N；
步骤5，根据步骤4得到的矩阵RN，绘制该矩阵RN的等高线图，即得到红外-拉曼联用特征图；
步骤6，根据待测样品的红外-拉曼联用特征图与已知来源样品的标准谱图进行比对，根据待测样品与标准谱图的符合置信度进行评价，即可知晓待测样品的种类。
优选地，步骤4中所述预处理是将二阶导数谱的峰翻转为正值，保留谱图大于0的部分，或大于体系噪声部分的峰。
优选地，所述求取二阶导数谱是将各次测量光谱降噪-求导后，再进行累加，然后即可得到该样本的近红外或拉曼二阶导数谱。
优选地，所述已知来源样品的标准谱图包括通过分别绘制多个已知来源相同样品的2D谱图，保留这些样品的2D谱图交集，即得到标准2D源图；所述2D谱图是经过步骤1-5处理后的红外-拉曼联用特征图。
优选地，所述符合置信度是指待分析样本与标准样本2D图重叠后的谱图夹角小于0.1。
优选地，所述步骤4中降噪-高阶导数算法包括S-G导数平滑滤波算法。
优选地，步骤1所述的制样是吸取1mL油样样品至测试管中，然后将测试管置于光谱采集附件中，待测。
优选地，所述步骤2中重复测试至少10次。
优选地，所述多个为不少于5个。
本发明与现有技术相比而言，具有以下有益效果：
1)拉曼和近红外两种光谱存在良好的互补关系。2D图像比较于列表判断或者含量分布区-指纹区的分别对照，更为清晰直观，是一种较好的可视化表达方式。
2)采用二阶导数处理后的谱图，可以显著消除低频的基线和背景干扰，显著降低测量环境的影响；同时，导数处理后有效提升了谱图的分辨率，提高重叠峰的识别能力，指纹特性更为清晰。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明实施例1中7种橄榄油样本的拉曼光谱图；
图2为本发明实施例1中7种橄榄油样本的近红外光谱图；
图3为本发明实施例1中315#橄榄油样本的拉曼二阶导数图；
图4为本发明实施例1中315#橄榄油样本的近红外二阶导数图；
图5为本发明实施例1中归一化的315#橄榄油样本的拉曼二阶导数图；
图6为本发明实施例1中归一化的315#橄榄油样本的近红外二阶导数图；
图7为本发明实施例1中7种橄榄油样本的红外-拉曼联用特征图；
图8为本发明实施例2中3种油样样本的拉曼光谱图；
图9为本发明实施例2中3种油样样本的近红外光谱图；
图10为本发明实施例2中3种油样样本的红外-拉曼联用特征图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。本发明中未详细说明的工作原理属于现有技术和本领域的公知常识，本技术领域的技术人员应当知晓。
一种基于近红外-拉曼联用的植物油定性方法，包括：
步骤1，测样：测定同一样本的拉曼光谱和近红外光谱，重复多次；
步骤2，选择数据：分别选择拉曼和近红外的特征响应波段范围，截取数据；
步骤3，求导：采用降噪-高阶导数算法，分别对所截取的拉曼光谱和近红外光谱求取二阶导数谱；
步骤4，构造矩阵：对步骤3得到的拉曼光谱的二阶导数谱和近红外光谱的二阶导数谱分别进行预处理，分别得到拉曼光谱R和近红外光谱N；然后，以拉曼光谱R作为行向量，近红外光谱N作为列向量，点乘，构成矩阵RN＝R·N；
步骤5，根据步骤4得到的矩阵RN，绘制该矩阵RN的等高线图，即得到红外-拉曼联用特征图；
步骤6，根据待测样品的红外-拉曼联用特征图与已知来源样品的标准谱图进行比对，根据待测样品与标准谱图的符合置信度进行评价，即可知晓待测样品的种类。
优选地，步骤4中所述预处理是将二阶导数谱的峰翻转为正值，保留谱图大于0的部分，或大于体系噪声部分的峰。
优选地，所述求取二阶导数谱是将各次测量光谱降噪-求导后，再进行累加或平均，然后即可得到该样本的近红外或拉曼二阶导数谱。
优选地，所述已知来源样品的标准谱图包括通过分别绘制多个已知来源相同样品的2D谱图，保留这些样品的2D谱图交集，即得到标准2D源图；所述2D谱图是经过步骤1-5处理后的红外-拉曼联用特征图。
优选地，所述符合置信度是指待分析样本与标准样本2D图重叠后的谱图夹角小于0.1。
优选地，所述步骤4中降噪-高阶导数算法包括S-G导数平滑滤波算法。
优选地，步骤1所述的制样是吸取1mL油样样品至测试管中，然后将测试管置于光谱采集附件中，待测。
优选地，所述步骤2中重复测试至少10次。
优选地，所述多个为不少于5个。
实施例1
选择7种橄榄油作为分析样本，其各种油信息见表1所示。
表1橄榄油样本信息
| 编号 | 名称 | 产地 | 果实年份 |
| 307 | 特级初榨橄榄油 | 西班牙 | 2019 |
| 308 | 特级初榨橄榄油 | 澳大利亚 | 2019 |
| 311 | 特级初榨橄榄油 | 西班牙 | 2019 |
| 313 | 特级初榨橄榄油 | 意大利 | 2017 |
| 314 | 特级初榨橄榄油 | 西班牙 | 2019 |
| 315 | 特级初榨橄榄油 | 西班牙 | 2020 |
| 310 | 混合油橄榄果渣油 | 意大利 | 2016 |
1.样本的拉曼和近红外光谱采集
吸取1mL油样样品至测试管中，置于光谱采集附件中，采用近红外-拉曼双融合光谱仪(上海如海光电科技有限公司)采集各样本的光谱，重复测量同一样本的拉曼和近红外光谱，重复次数10次。
其中：
近红外光谱采集参数：积分时间2ms；像素平滑0；平均次数1；通管平衡1124；
拉曼光谱采集参数：中心波长785nm；激光功率400mw；积分时间1000ms；平均次数1。
2.分别选择各样本的拉曼和近红外光谱的可用波段范围，截取分析数据。7种橄榄油的拉曼和近红外光谱分别如图1、图2所示。
3.采用降噪-高阶导数算法(例如S-G导数平滑滤波)，计算测量并选取后的光谱，各次测量光谱降噪-求导后，再进行累加，分别求取得到7种油样本的近红外和拉曼二阶导数谱。图3为315#样本拉曼二阶导数谱、图4为315#样本的近红外二阶导数谱。
4.分别将7种油样的二阶导数谱的峰翻转为正值后，并保留谱图大于0的部分并归一化，作为2D谱图的输入数据，即R307、R308、R310、R311、R313、R314、R315和N307、N308、N310、N311、N313、N314、N315。
其中图5为归一化的315#样本拉曼二阶导数谱，图6为归一化的315#样本的近红外二阶导数谱。
以拉曼谱R作为行向量，近红外谱N作为列向量，点乘，构成矩阵RN＝R·N。
绘制RN的等高线图，得到样本的2D谱图。该2D图即为该样本的近红外-拉曼联用特征图。
图7(a)--(g)分别为7种油样的2D谱图。
其中图7中除(d)311#外，其他的6的油样2D谱图相似，说明这六种油是同一种油类。311#2D谱图红框内部分与其他的6中谱图不一致，说明该油变质或掺杂，从图1、图2的拉曼近红外图也可以明显看出。
进一步，以315号样本为对照品，分别计算10种油与315#谱图的夹角值，得到表2结果：
表2 7种油样与315#的谱图空间夹角值
| 307# | 308# | 311# | 313# | 314# | 315# | 310# | |
| 空间角 | 0.0625 | 0.0682 | 0.1407 | 0.0707 | 0.0447 | 0.0000 | 0.0551 |
从表2可以看出，若分析样本与对照品空间角<0.1，则表明是一类物质。311#的夹角值在0.1-0.2间，说明样本变质或存疑与对照品不是一类物质。
实施例2
选择近期市售3种不同类型油样作为分析样本，其中G1橄榄油、C1为菜籽油、Q1为葵花籽油。
1.样本的拉曼和近红外光谱采集
吸取1mL左右油样样品至测试管中，置于光谱采集附件中，采用近红外-拉曼双融合光谱仪(上海如海光电科技有限公司)采集各样本的光谱，重复测量同一样本的拉曼光谱和近红外光谱，重复次数10次。其中：
近红外光谱采集参数：积分时间：2ms；像素平滑：0；平均次数：1；通管平衡：1124；
拉曼光谱采集参数：中心波长：785nm；激光功率：400mw；积分时间：1000ms；平均次数：1。
分别选择各样本的拉曼和近红外光谱的可用波段范围，截取分析数据。3种油样的拉曼和近红外光谱分别如图8、图9所示。
采用降噪-高阶导数算法，即S-G导数平滑滤波，计算测量并选取后的光谱，各次测量光谱降噪-求导后，再进行累加，分别求取得到3种油样本的近红外和拉曼二阶导数谱。
分别将3种油样的二阶导数谱的峰翻转为正值后，并保留谱图大于0的部分并归一化，作为2D谱图的输入数据，即RG1、RC1、RQ1和NG1、NC1、NQ1。
绘制RN的等高线图，得到样本的2D谱图。该2D图即为该样本的近红外-拉曼联用特征图。
图10(a)-(c)分别为3种油样的2D谱图。
从图10可以看出，橄榄油、菜籽油、葵花油2D谱图存在较大差异，通过谱图比较目测，可以判断油样种类。
进一步，以RG1样本为对照品，分别计算3种油谱图与RG1谱图的夹角值，得到表3结果：
表3 3种油样与G1的谱图空间夹角值
| 样本 | G1 | C1 | Q1 |
| 空间角 | 0.0000 | 0.2457 | 0.3303 |
从表3可以看出，C1、Q1与对照品G1的夹角值大于0.2，判断C1和Q1不是橄榄油。
Claims (5)
1.一种基于近红外-拉曼联用的植物油定性方法，其特征在于，包括：
步骤1，测样：测定同一样本的拉曼光谱和近红外光谱，重复多次；
步骤2，选择数据：分别选择拉曼和近红外的特征响应波段范围，截取数据；
步骤3，求导：采用降噪-高阶导数算法，分别对所截取的拉曼光谱和近红外光谱求取二阶导数谱；
步骤4，构造矩阵：对步骤3得到的拉曼光谱的二阶导数谱和近红外光谱的二阶导数谱分别进行预处理，分别得到拉曼光谱R和近红外光谱N；然后，以拉曼光谱R作为行向量，近红外光谱N作为列向量，点乘，构成矩阵RN＝R·N；
步骤5，根据步骤4得到的矩阵RN，绘制该矩阵RN的等高线图，即得到红外-拉曼联用特征图；
步骤6，根据待测样品的红外-拉曼联用特征图与已知来源样品的标准谱图进行比对，根据待测样品与标准谱图的符合置信度进行评价，即可知晓待测样品的种类；
步骤4中所述预处理是将二阶导数谱的峰翻转为正值，保留谱图大于0的部分的峰；
所述符合置信度是指待分析样本与标准样本2D图的空间夹角值，若所述空间夹角值<0.1，则表明是一类物质；若所述空间夹角值>0.1，则表明不是一类物质。
2.如权利要求1所述的一种基于近红外-拉曼联用的植物油定性方法，其特征在于，所述求取二阶导数谱是将各次测量光谱降噪-求导后，再进行累加，然后即可得到该样本的近红外或拉曼二阶导数谱。
3.如权利要求1所述的一种基于近红外-拉曼联用的植物油定性方法，其特征在于，所述标准谱图包括通过分别绘制不同类别的植物油标准样品的2D谱图，保留这些样品的2D谱图交集，即得到标准2D源图库；所述2D谱图是经过步骤1-5处理后的红外-拉曼联用特征图。
4.如权利要求1所述的一种基于近红外-拉曼联用的植物油定性方法，其特征在于，所述步骤4中降噪-高阶导数算法包括S-G导数平滑滤波算法。
5.如权利要求1所述的一种基于近红外-拉曼联用的植物油定性方法，其特征在于，所述步骤2中重复测试至少10次。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010470413.1A CN111458309B (zh) | 2020-05-28 | 2020-05-28 | 一种基于近红外-拉曼联用的植物油定性方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010470413.1A CN111458309B (zh) | 2020-05-28 | 2020-05-28 | 一种基于近红外-拉曼联用的植物油定性方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111458309A CN111458309A (zh) | 2020-07-28 |
| CN111458309B true CN111458309B (zh) | 2023-07-07 |
Family
ID=71684852
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010470413.1A Active CN111458309B (zh) | 2020-05-28 | 2020-05-28 | 一种基于近红外-拉曼联用的植物油定性方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111458309B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015165394A1 (zh) * | 2013-05-31 | 2015-11-05 | 欧普图斯(苏州)光学纳米科技有限公司 | 面向多行业检测的激光拉曼光谱智能化辨识方法及系统 |
| WO2018018838A1 (zh) * | 2016-07-27 | 2018-02-01 | 华中科技大学 | 一种基于拉曼光谱分析的煤质快速检测方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050065732A1 (en) * | 2001-10-26 | 2005-03-24 | Robert Tilton | Matrix methods for quantitatively analyzing and assessing the properties of botanical samples |
| US7620674B2 (en) * | 2003-03-07 | 2009-11-17 | Sensys Medical, Inc. | Method and apparatus for enhanced estimation of an analyte property through multiple region transformation |
| CN104777143A (zh) * | 2014-01-15 | 2015-07-15 | 中国人民解放军第二军医大学 | 一种用于过期药的、基于拉曼光谱的相似度鉴定方法 |
| CN106383091B (zh) * | 2016-08-23 | 2019-03-01 | 广西科技大学 | 通过光谱直接定量添加物含量的方法 |
| CN106770155B (zh) * | 2016-11-22 | 2019-08-06 | 武汉轻工大学 | 一种物质含量分析方法 |
| CN106645091A (zh) * | 2017-02-15 | 2017-05-10 | 西派特（北京）科技有限公司 | 基于拉曼光谱的物质定性检测方法 |
| CN110384507B (zh) * | 2019-07-16 | 2022-03-18 | 西安石油大学 | 一种基于嘴唇光学无创测量血糖浓度的检测方法 |
-
2020
- 2020-05-28 CN CN202010470413.1A patent/CN111458309B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015165394A1 (zh) * | 2013-05-31 | 2015-11-05 | 欧普图斯(苏州)光学纳米科技有限公司 | 面向多行业检测的激光拉曼光谱智能化辨识方法及系统 |
| WO2018018838A1 (zh) * | 2016-07-27 | 2018-02-01 | 华中科技大学 | 一种基于拉曼光谱分析的煤质快速检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 光谱技术在水产品鲜度评价中的应用;高亚文等;核农学报(第11期);第2210-2217页 * |
| 应用近红外光谱和拉曼光谱建立主成分分析模式识别法鉴别不同厂家阿法骨化醇软胶囊;耿颖等;中国药师;21(第07期);第1181-1184页 * |
| 运用拉曼近红外光谱融合技术快速鉴定植物油的种类;陈阳等;食品安全导刊(第20期);第41页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111458309A (zh) | 2020-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lohumi et al. | Raman imaging from microscopy to macroscopy: Quality and safety control of biological materials | |
| Sikirzhytski et al. | Multidimensional Raman spectroscopic signatures as a tool for forensic identification of body fluid traces: a review | |
| CN104568778A (zh) | 一种基于高光谱成像的纺织品成分鉴别方法 | |
| CN101975788B (zh) | 低场核磁共振鉴别食用油品质的方法 | |
| US9581553B2 (en) | Examination method for distinguishing between natural diamond and synthetic CVD/HPHT diamonds | |
| US10969952B2 (en) | Color and texture match ratings for optimal match selection | |
| Ryabchykov et al. | Fusion of MALDI spectrometric imaging and Raman spectroscopic data for the analysis of biological samples | |
| KR20150131046A (ko) | 현미경 이미지의 이미지 품질 평가 | |
| CN104977258B (zh) | 基于二维相关光谱的茶叶/化妆品等品质检测方法 | |
| McLaughlin et al. | A modified Raman multidimensional spectroscopic signature of blood to account for the effect of laser power | |
| CN104251839A (zh) | 南疆红枣建模用南疆红枣样品成分的光谱分离检测方法 | |
| CN104730004B (zh) | 基于紫外漫反射光谱的纺织纤维的鉴别方法 | |
| CN106951458A (zh) | 一种产品本体溯源鉴真防伪方法及系统 | |
| CN115184283B (zh) | 一种中药饮片的智能筛选方法及系统 | |
| JP6831094B2 (ja) | 未知試料判定方法、未知試料判定装置及び未知試料判定プログラム | |
| JP2015135318A (ja) | データ処理装置、データ表示システム、試料データ取得システム、及びデータ処理方法 | |
| CN111458309B (zh) | 一种基于近红外-拉曼联用的植物油定性方法 | |
| KR20110072098A (ko) | 디지털 병리학의 이미지 표준화 방법 | |
| US9546961B1 (en) | Method of rapid identification of natural and synthetic diamonds using third-order Raman spectra | |
| Li et al. | Methyl green and nitrotetrazolium blue chloride co-expression in colon tissue: A hyperspectral microscopic imaging analysis | |
| CN107643269B (zh) | 交叉字迹时序鉴别方法、系统及计算装置 | |
| CN105277494A (zh) | 一种工业酒精和食用酒精的光谱检测法 | |
| EP1235066B1 (de) | Verfahren zur analytischen Untersuchung einer Bierprobe | |
| CN105738313B (zh) | 一种基于近红外光谱技术鉴别动物血液的方法及应用 | |
| RU2439560C1 (ru) | Способ компьютерного определения изменения окраски текстильных полотен при оценке ее устойчивости к физико-химическим воздействиям |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200903 Address after: 200120 Minsheng Road 1208, Shanghai, Pudong New Area Applicant after: Shanghai Customs Animal, Plant and Food Inspection and Quarantine Technology Center Applicant after: SHANGHAI OCEANHOOD OPTO-ELECTRONICS TECH Co.,Ltd. Address before: 200120 Minsheng Road 1208, Shanghai, Pudong New Area Applicant before: Shanghai Customs Animal, Plant and Food Inspection and Quarantine Technology Center |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |