CN111693486A - 一种减小品牌对掺杂尿素牛奶判别模型影响的同步近红外相关切谱检测方法 - Google Patents
一种减小品牌对掺杂尿素牛奶判别模型影响的同步近红外相关切谱检测方法 Download PDFInfo
- Publication number
- CN111693486A CN111693486A CN202010314843.4A CN202010314843A CN111693486A CN 111693486 A CN111693486 A CN 111693486A CN 202010314843 A CN202010314843 A CN 202010314843A CN 111693486 A CN111693486 A CN 111693486A
- Authority
- CN
- China
- Prior art keywords
- milk
- spectrum
- infrared
- urea
- dimensional
- 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
- 239000008267 milk Substances 0.000 title claims abstract description 153
- 210000004080 milk Anatomy 0.000 title claims abstract description 153
- 235000013336 milk Nutrition 0.000 title claims abstract description 153
- 239000004202 carbamide Substances 0.000 title claims abstract description 60
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 title claims abstract description 58
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 49
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 238000005520 cutting process Methods 0.000 title claims abstract description 18
- 238000001228 spectrum Methods 0.000 claims abstract description 113
- 239000011159 matrix material Substances 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000002329 infrared spectrum Methods 0.000 claims description 26
- 238000002474 experimental method Methods 0.000 claims description 23
- 239000000843 powder Substances 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010521 absorption reaction Methods 0.000 claims description 4
- 238000012850 discrimination method Methods 0.000 claims description 3
- 238000005100 correlation spectroscopy Methods 0.000 claims 1
- 230000003595 spectral effect Effects 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 4
- 235000013305 food Nutrition 0.000 abstract description 4
- 238000011160 research Methods 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000000985 reflectance spectrum Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000002019 doping agent Substances 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000000936 intestine Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
- 239000011573 trace mineral Substances 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
- G01N21/359—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
- G01N21/17—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
- G01N21/3577—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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Crystallography & Structural Chemistry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于检测方法领域,涉及掺伪牛奶的检测,尤其是一种减小品牌对掺杂尿素牛奶判别模型影响的同步近红外相关切谱检测方法,相对于一般的建模思路,仅让研究体系共有的信息,即掺杂物尿素和不同品牌牛奶固有组分信息进入模型,从而降低了品牌对判别模型的影响,提高了判别正确率;本发明,利用同步近红外相关谱在特征谱带处的切谱进行建模分析,不仅可减小牛奶品牌对模型的影响,提高了判别正确率,而且相对整个同步二维相关谱矩阵,特征数据少,建模效率高;本发明所用的方法简易、科学、分析效率和判别正确率高,可推广到其它食品掺假检测中。
Description
技术领域
本发明属于检测方法领域,涉及掺伪牛奶的检测,尤其是一种减小品牌对掺杂尿素牛奶 判别模型影响的同步近红外相关切谱检测方法。
背景技术
奶是人们生命的最初阶段的唯一食物。随着社会的快速发展和人民生活水平的提高,牛 奶日益成为了大家平时生活中的日常饮品。牛奶,微量元素十分丰富,牛奶具有润肠、润燥 的功能,也有延缓面部衰老,减缓人们大脑衰老的功能,因此受到广大消费者欢迎。但是, 有很多不法商贩,为了获取暴利,往往会在牛奶中添加一些不同于牛奶固有组分的掺杂物, 这些掺杂牛奶直接危害人体健康,存在很大的安全隐患,甚至导致部分饮用者中毒。因此, 就需要发展一种快速便捷的掺杂牛奶的检测方法,为消费者喝放心奶保驾护航。
二维相关谱技术可以更有效地提取复杂体系中待分析组分微弱的、变化的特征信息,已 被用于掺伪食品的检测中。中国发明专利申请公开号CN104316491A公开了一种牛奶中掺 尿素的同步-异步二维近红外相关谱检测方法;中国发明专利申请公开号CN103792198A公 开了一种牛奶中掺三聚氰胺的中红外-近红外相关谱判别方法。但无论是常规一维光谱技 术,还是上述两个发明专利公开的二维相关谱建立数学模型的流程一般为:选择有代表性 的样品—采集光谱并预处理—选择合适算法提取特征信息—采用模式识别建立模型—对未 知样品进行判别。但由于待分析样品的差异性(不同品牌、产地、生产批次等引起),往 往会造成所建模型的实用性和稳定性较差。针对这一问题研究者提出了通过积累大量样品 扩展模型、局域建模等多种方法来解决这个问题。这些方法基本都是针对建模样品的选择 上(流程第一步)进行研究对模型进行优化。这些方法操作起来比较复杂,而且也没有从 本质上解决问题。
事实上,数学模型预测样品的效果决定于建模所直接用的数据,即所提取的特征信息(流 程的第三步)。因此,针对现有技术中存在的不足,本发明提供一种减小品牌对掺杂尿素牛 奶判别模型影响的同步近红外相关切谱检测方法,从特征近红外光谱信息提取入手,如何有 效地仅提取掺伪组分所引起的变化特征信息,而忽略由于样本差异性所引起的变化信息,仅 让掺伪组分所引起的变化信息进入模型(对于未知样品,采用同样地方法进行提取),从而 降低由于不同品牌、产地、生产批次等因素引起样本差异性对模型的影响,该方法未见国内 外相关文献报道。
发明内容
一种减小品牌对掺杂尿素牛奶判别模型影响的同步近红外相关切谱检测方法,其特征在 于:包括如下步骤:
步骤1:准备实验用纯尿素粉末、不同品牌纯牛奶以及不同品牌不同浓度的掺杂尿素牛 奶;
步骤2:分别扫描实验用纯尿素粉末、不同品牌纯牛奶以及不同品牌不同浓度的掺杂尿 素牛奶的近红外漫反射光谱,分别得到实验用纯尿素粉末、不同品牌纯牛奶以及不同品牌不 同浓度掺杂尿素的牛奶一维近红外光谱数据;
步骤3:确定步骤2中纯尿素粉末的特征近红外波带:A1、A2、A3、A4、A5和A6;
步骤4:对步骤2中不同品牌纯牛奶的近红外光谱计算其平均谱,得到不同品牌纯牛奶 的平均近红外光谱;
步骤5:根据步骤4中不同品牌纯牛奶平均近红外光谱,确定不同品牌牛奶共有的特征 波带:B1、B2、B3和B4;
步骤6:将步骤4中得到的不同品牌纯牛奶一维近红外平均谱数据与实验用不同品牌纯 牛奶一维近红外光谱数据进行同步二维相关计算得到实验用不同品牌纯牛奶同步二维近红外 相关谱;将步骤4中得到的不同品牌纯牛奶一维近红外平均谱数据与实验用不同品牌掺杂尿 素牛奶一维近红外光谱数据进行二维相关计算得到实验用不同品牌掺杂尿素牛奶同步二维近 红外相关谱;
步骤7:对步骤6中得到的不同品牌纯牛奶和不同品牌掺杂尿素牛奶的同步二维近红外 相关谱在步骤3确定的尿素特征波带:A1、A2、A3、A4、A5、A6和步骤4确定的牛奶固有组分特征波段:B1、B2、B3、B4处进行切谱,得到所有样品的特征切谱C1、C2、C3、C4、C5、 C6、C7、C8、C9、C10;
步骤8:将步骤7中得到的样品特征切谱按行排列,得到所有样品的特征切谱矩阵X;
步骤9:将步骤8得到的所有样品的特征光谱矩阵X与类别变量矩阵Y采用多维偏最小 二乘判别法建立判别模型;
步骤10:将未知样品奶进行近红外漫反射光谱扫描得到未知样品奶一维近红外光谱数 据,将实验用不同品牌纯牛奶一维近红外平均谱数据与未知样品奶一维近红外光谱数据进行 同步二维相关谱计算,得未知样品奶同步二维近红外相关谱,根据步骤6,在A1、A2、A3、 A4、A5、A6和B1、B2、B3、B4处对未知样品奶同步二维近红外相关谱进行相切,得到未知 样品的特征切谱,并根据步骤8对其按行排列,得到未知样品的特征切谱矩阵R,并将其代 入步骤8中的判别模型,得到未知样品奶是否掺杂尿素。
进一步的,步骤6中对所有样品近红外光谱提取了掺杂物-尿素的特征吸收。
进一步的,步骤6中对所有样品近红外光谱提取了不同品牌牛奶共有组分的信息。
进一步的,步骤7中对各切谱按行排,得到特征切谱矩阵X为三维矩阵。
本发明的优点及有益效果是:
1、本发明的一种减小品牌对掺杂尿素牛奶判别模型影响的同步近红外相关切谱检测方 法,相对于一般的建模思路,仅让研究体系共有的信息,即掺杂物尿素和不同品牌牛奶固有 组分信息进入模型,从而降低了品牌对判别模型的影响,提高了判别正确率。
2、本发明的一种减小品牌对掺杂尿素牛奶判别模型影响的同步近红外相关切谱检测方 法,是利用同步近红外相关谱在特征谱带处的切谱进行建模分析,所以相对整个同步二维相 关谱矩阵,特征数据少,建模效率高。
3、本发明的方法简易、科学、分析效率和判别正确率高,可推广到其它食品掺假检测中。
附图说明
图1纯尿素粉末的一维近红外漫反射光谱;
图2四个品牌纯牛奶的平均一维近红外漫反射谱;
图3纯牛奶同步二维近红外相关谱;
图4掺杂尿素牛奶同步二维近红外相关谱;
图5同步近红外相关谱模型对四个品牌牛奶未知样品的预测结果。
具体实施方式
下面结合实施例,对本发明进一步说明,下述实施例是说明性的,不是限定性的,不能 以下述实施例来限定本发明的保护范围。下面以牛奶中掺杂尿素判别为实施例,结合附图对 本发明的一种减小品牌对掺杂尿素牛奶判别模型影响的同步近红外相关切谱检测方法进行详 细说明。
一种减小品牌对掺杂尿素牛奶判别模型影响的同步近红外相关切谱检测方法,本发明的 创新在于,包括如下步骤:
步骤1:准备实验用纯尿素粉末,蒙牛、光明、三元和完达山四个品牌的纯牛奶和掺杂 尿素牛奶;
本实施例中,取一定量的尿素粉末加入到少量纯牛奶中,搅拌、摇匀,再倒入到500ml 容量瓶内,重复多次,最后用纯牛奶定容,通过充分摇匀,并且用超声波震动使得尿素在牛 奶中充分溶解,得到10mg/ml浓度的掺杂尿素牛奶。依据低浓度分布紧和高浓度分布松的原 则每个品牌分别配置40个掺杂尿素牛奶样品(0.1-10mg/ml),共160个掺杂尿素牛奶。同 时配置四个品牌纯牛奶样品各40个,共160个纯牛奶样品。
步骤2:在4000-11000cm-1范围分别扫描实验用纯尿素粉末、四个品牌纯牛奶以及不同 浓度的掺杂尿素牛奶的近红外漫反射光谱,分别得到实验用纯尿素粉末、不同品牌纯牛奶以 及不同浓度掺杂尿素牛奶在4000-11000cm-1范围的一维近红外光谱数据;
本实施例中,采用美国珀金埃尔默公司生产的傅里叶变换近红外光谱仪,对制备的尿素 粉末、不同品牌纯牛奶以及不同浓度掺杂尿素牛奶进行漫反射光谱扫描,得到每一样品的近 红外漫反射光谱。
仪器参数设置如下:仪器自带积分球附件,扫描范围4000-11000cm-1,分辨率为8cm-1, 每个样品扫描32次,取平均光谱。图1是纯尿素粉末在4000-11000cm-1范围的一维近红外 漫反射光谱图。
步骤3:确定步骤2中纯尿素粉末的特征波带:4510cm-1、5020cm-1、6542cm-1、6820cm-1、 7698cm-1、9718cm-1;
如图1所示,纯尿素粉末在4000-11000cm-1范围内存在六个明显的特征吸收波带,其位 置分别在4510cm-1、5020cm-1、6542cm-1、6820cm-1、7698cm-1和9718cm-1处,选定这六个波 带位置所对应的同步二维近红外相关谱的切谱来提取牛奶中共有的掺杂尿素相关特征信息。
步骤4:对步骤2中四个品牌纯牛奶的近红外光谱计算其平均谱,得到四个品牌纯牛奶 的平均近红外光谱;图2是四个品牌纯牛奶在4000-11000cm-1范围的一维平均近红外漫反射 光谱图。
步骤5:根据步骤4中四个品牌纯牛奶平均近红外光谱,确定牛奶固有组分的特征波带: 5170cm-1、6886cm-1、8294cm-1、10210cm-1;
如图2所示,四个品牌纯牛奶平均近红外光谱在4000-11000cm-1范围内存在四个明显的 特征吸收波带,其位置分别在5170cm-1、6886cm-1、8294cm-1和10210cm-1处,选定这4个波 带位置所对应的同步二维近红外相关谱的切谱来提取纯牛奶固有组分的相关特征信息。
步骤6:将步骤4中得到的不同品牌纯牛奶一维近红外平均谱数据与实验用不同品牌纯 牛奶一维近红外光谱数据进行同步二维相关计算得到实验用不同品牌纯牛奶同步二维近红外 相关谱;将步骤4中得到的不同品牌纯牛奶一维近红外平均谱数据与实验用不同品牌掺杂尿 素牛奶一维近红外光谱数据进行二维相关计算得到实验用不同品牌掺杂尿素牛奶同步二维近 红外相关谱;
本实施例中,对于一维动态光谱矩阵S(m×n),根据Noda理论,同步二维近红外相关 谱Φ(ν1,ν2)可表示为:
式中:m是光谱数,T表示转置,n表示在近红外波段分别采集的波长数。
本实施例中,S中都包括两个光谱(m=2),S的第一行为不同品牌纯牛奶一维近红外平 均谱,当S的第二行为第i个纯牛奶或掺杂尿素牛奶的一维近红外谱时,根据上式就可分别 得到第i个纯牛奶或掺杂尿素牛奶所对应的同步二维近红外相关谱。如图3和图4所示,分 别为纯牛奶和掺杂尿素牛奶同步二维近红外相关谱。
步骤7:对步骤6中得到的四个品牌纯牛奶和掺杂尿素牛奶的同步二维近红外相关谱在 (3)确定的尿素特征波带:4510cm-1、5020cm-1、6542cm-1、6820cm-1、7698cm-1、9718cm-1和(5)确定的牛奶固有组分特征波段:5170cm-1、6886cm-1、8294cm-1、10210cm-1处进行切 谱,得到所有样品同步二维近红外相关谱在上述10个特征波带处的切谱;
步骤8:将(7)中得到的样品特征切谱按行排列,得到所有样品的特征切谱矩阵 X(320×10×1750);
步骤9:利用特征切谱矩阵与类别变量矩阵建立包含四个品牌纯牛奶和掺杂尿素牛奶的 多维偏最小二乘判别模型;
采用浓度梯度法从160个纯牛奶和160个掺杂尿素样品中选出214个作为校正集,余下 106个样品作为独立的预测集。在校正集和预测集中,纯牛奶和掺杂尿素牛奶分别用“0”、 “1”来表示其类别属性。将特征切谱矩阵(214×10×1750)作为自变量,类别属性变量矩阵 (214×1)作为因变量,建立掺杂牛奶与纯牛奶的多维偏最小二乘判别模型,并对校正集样品进 行内部预测,其判别正确率为100%。
步骤10:利用步骤9所建立的模型,对未知奶样品进行判别。
在本实例中,通过测定未知奶样品的一维近红外漫反射光谱,采用校正模型中所用四个 品牌纯牛奶样品的一维近红外平均谱,依据式(1)计算其同步二维近红外相关谱,并在 4510cm-1、5020cm-1、6542cm-1、6820cm-1、7698cm-1、9718cm-1和5170cm-1、6886cm-1、8294cm-1、10210cm-1处对未知样品奶同步二维近红外相关谱进行相切,得到未知样品的特征切谱,并按 行进行排列,得到未知奶特征切谱矩阵(106×10×1750)。在此基础上,利用上述建立的多维偏 最小二乘判别模型对预测集样品进行外部预测。
所建模型对预测集未知样品的预测结果见图5,共有5个样品被误判,包括1个蒙牛掺 杂牛奶,2个三元纯牛奶,1个三元掺杂牛奶,1个完达山纯牛奶,判别正确率为95.3%。为了验证所申请的方法能减小品牌对模型的影响,提高了判别正确率,对于同样的校正集和预 测集样品,分别建立了基于原始一维谱的四个品牌掺杂牛奶的判别模型,采用所建模型对所 有的样品进行预测,并与基于同步二维近红外相关切谱的多维偏最小二乘判别模型的预测结 果作比较,如表1所示。
表1基于同步二维近红外相关切谱和原始一维谱模型的预测结果比较
表1的结果表明:同步二维近红外相关切谱的判别模型对四个品牌牛奶的判别正确率优 于原始一维谱模型。这是由于同步二维近红外相关切谱中仅包含了四个品牌牛奶共有的特征 信息:掺杂物尿素和牛奶固有组分,降低了不同品牌牛奶差异性信息对模型的影响。因此基 于同步二维近红外相关切谱和多维偏最小二乘法可对掺杂尿素牛奶与纯牛奶样品进行较好判 别。
上述参照实施例对一种减小品牌对掺杂尿素牛奶判别模型影响的同步近红外相关切谱检 测方法的详细描述,是说明性的而不是限定性的,应该说明的是,在不脱离本发明的核心的 情况下,任何简单的变形、修改或者其他本领域技术人员能够不花费创造性劳动的等同替换 均落入本发明的保护范围。
Claims (4)
1.一种减小品牌对掺杂尿素牛奶判别模型影响的同步近红外相关切谱检测方法,其特征在于:包括如下步骤:
步骤1:准备实验用纯尿素粉末、不同品牌纯牛奶以及不同品牌不同浓度的掺杂尿素牛奶;
步骤2:分别扫描实验用纯尿素粉末、不同品牌纯牛奶以及不同品牌不同浓度的掺杂尿素牛奶的近红外漫反射光谱,分别得到实验用纯尿素粉末、不同品牌纯牛奶以及不同品牌不同浓度掺杂尿素的牛奶一维近红外光谱数据;
步骤3:确定步骤2中纯尿素粉末的特征近红外波带:A1、A2、A3、A4、A5和A6;
步骤4:对步骤2中不同品牌纯牛奶的近红外光谱计算其平均谱,得到不同品牌纯牛奶的平均近红外光谱;
步骤5:根据步骤4中不同品牌纯牛奶平均近红外光谱,确定不同品牌牛奶共有的特征波带:B1、B2、B3和B4;
步骤6:将步骤4中得到的不同品牌纯牛奶一维近红外平均谱数据与实验用不同品牌纯牛奶一维近红外光谱数据进行同步二维相关计算得到实验用不同品牌纯牛奶同步二维近红外相关谱;将步骤4中得到的不同品牌纯牛奶一维近红外平均谱数据与实验用不同品牌掺杂尿素牛奶一维近红外光谱数据进行二维相关计算得到实验用不同品牌掺杂尿素牛奶同步二维近红外相关谱;
步骤7:对步骤6中得到的不同品牌纯牛奶和不同品牌掺杂尿素牛奶的同步二维近红外相关谱在步骤3确定的尿素特征波带:A1、A2、A3、A4、A5、A6和步骤4确定的牛奶固有组分特征波段:B1、B2、B3、B4处进行切谱,得到所有样品的特征切谱C1、C2、C3、C4、C5、C6、C7、C8、C9、C10;
步骤8:将步骤7中得到的样品特征切谱按行排列,得到所有样品的特征切谱矩阵X;
步骤9:将步骤8得到的所有样品的特征光谱矩阵X与类别变量矩阵Y采用多维偏最小二乘判别法建立判别模型;
步骤10:将未知样品奶进行近红外漫反射光谱扫描得到未知样品奶一维近红外光谱数据,将实验用不同品牌纯牛奶一维近红外平均谱数据与未知样品奶一维近红外光谱数据进行同步二维相关谱计算,得未知样品奶同步二维近红外相关谱,根据步骤6,在A1、A2、A3、A4、A5、A6和B1、B2、B3、B4处对未知样品奶同步二维近红外相关谱进行相切,得到未知样品的特征切谱,并根据步骤8对其按行排列,得到未知样品的特征切谱矩阵R,并将其代入步骤8中的判别模型,得到未知样品奶是否掺杂尿素。
2.根据权利要求1所述的一种减小品牌对掺杂尿素牛奶判别模型影响的同步近红外相关切谱检测方法,其特征在于:步骤6中对所有样品近红外相关谱提取了掺杂物-尿素的特征吸收。
3.根据权利要求1或2所述的一种减小品牌对掺杂尿素牛奶判别模型影响的同步近红外相关切谱检测方法,其特征在于:步骤6中对所有样品近红外相关谱提取了不同品牌牛奶共有组分的信息。
4.根据权利要求1或2或3所述的一种减小品牌对掺杂尿素牛奶判别模型影响的同步近红外相关切谱检测方法:步骤7中对各切谱按行排,得到特征切谱矩阵X为三维矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010314843.4A CN111693486B (zh) | 2020-04-21 | 2020-04-21 | 一种减小品牌对掺杂尿素牛奶判别模型影响的同步近红外相关切谱检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010314843.4A CN111693486B (zh) | 2020-04-21 | 2020-04-21 | 一种减小品牌对掺杂尿素牛奶判别模型影响的同步近红外相关切谱检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111693486A true CN111693486A (zh) | 2020-09-22 |
CN111693486B CN111693486B (zh) | 2022-01-14 |
Family
ID=72476545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010314843.4A Active CN111693486B (zh) | 2020-04-21 | 2020-04-21 | 一种减小品牌对掺杂尿素牛奶判别模型影响的同步近红外相关切谱检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111693486B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130266210A1 (en) * | 2012-04-04 | 2013-10-10 | Canon Kabushiki Kaisha | Determining a depth map from images of a scene |
CN103792198A (zh) * | 2014-02-24 | 2014-05-14 | 天津农学院 | 牛奶中掺三聚氰胺的中红外-近红外相关谱判别方法 |
CN104316491A (zh) * | 2014-11-12 | 2015-01-28 | 天津农学院 | 基于同步-异步二维近红外相关谱检测牛奶掺尿素的方法 |
CN106483166A (zh) * | 2016-09-25 | 2017-03-08 | 西北农林科技大学 | 一种基于介电谱技术快速检测牛乳脂肪含量的方法 |
CN106596464A (zh) * | 2016-12-23 | 2017-04-26 | 天津农学院 | 一种奶粉中掺三聚氰胺的近红外自相关谱检测方法 |
US20190162658A1 (en) * | 2017-11-24 | 2019-05-30 | Oil Crops Research Institute, Chinese Acadamy Of Agricultural Sciences | Method for detecting multivariate adulteration of edible oil based on near-infrared spectroscopy |
-
2020
- 2020-04-21 CN CN202010314843.4A patent/CN111693486B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130266210A1 (en) * | 2012-04-04 | 2013-10-10 | Canon Kabushiki Kaisha | Determining a depth map from images of a scene |
CN103792198A (zh) * | 2014-02-24 | 2014-05-14 | 天津农学院 | 牛奶中掺三聚氰胺的中红外-近红外相关谱判别方法 |
CN104316491A (zh) * | 2014-11-12 | 2015-01-28 | 天津农学院 | 基于同步-异步二维近红外相关谱检测牛奶掺尿素的方法 |
CN106483166A (zh) * | 2016-09-25 | 2017-03-08 | 西北农林科技大学 | 一种基于介电谱技术快速检测牛乳脂肪含量的方法 |
CN106596464A (zh) * | 2016-12-23 | 2017-04-26 | 天津农学院 | 一种奶粉中掺三聚氰胺的近红外自相关谱检测方法 |
US20190162658A1 (en) * | 2017-11-24 | 2019-05-30 | Oil Crops Research Institute, Chinese Acadamy Of Agricultural Sciences | Method for detecting multivariate adulteration of edible oil based on near-infrared spectroscopy |
Non-Patent Citations (4)
Title |
---|
BAI JING等: "Application of infrared spectrometry in the determination of melamine and urea in milk powder", 《FOOD AND FERMENTATION INDUSTRIES》 * |
张婧等: "二维相关谱技术在荧光谱重叠峰解析中的应用", 《天津农学院学报》 * |
杨仁杰等: "二维相关近红外谱结合NPLS-DA判别掺杂牛奶的研究", 《光子学报》 * |
由昭红: "基于ATR-MIR和2D-COS技术的鲢鱼糜快速鉴别及其蛋白质二级结构变化原位分析", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅰ辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111693486B (zh) | 2022-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ren et al. | Using near-infrared hyperspectral imaging with multiple decision tree methods to delineate black tea quality | |
Li et al. | Evaluating green tea quality based on multisensor data fusion combining hyperspectral imaging and olfactory visualization systems | |
CN104316491B (zh) | 基于同步‑异步二维近红外相关谱检测牛奶掺尿素的方法 | |
Sacco et al. | Characterization of Italian olive oils based on analytical and nuclear magnetic resonance determinations | |
Hu et al. | Assessing the authenticity of black pepper using diffuse reflectance mid-infrared Fourier transform spectroscopy coupled with chemometrics | |
CN102012365B (zh) | 一种基于红外光谱的茶叶发酵度识别方法 | |
Esteki et al. | Classification and authentication of tea according to their geographical origin based on FT-IR fingerprinting using pattern recognition methods | |
CN105954412A (zh) | 用于山核桃新鲜度检测的传感器阵列优化方法 | |
CN103729652A (zh) | 基于稀疏保持流形嵌入的高光谱遥感影像分类方法 | |
CN111272696A (zh) | 一种快速检测普洱茶中掺杂香精的方法 | |
CN102706813A (zh) | 基于高光谱图像的草地早熟禾品种识别方法 | |
CN111650152B (zh) | 一种减小品牌对掺杂尿素牛奶判别模型影响的异步近红外相关切谱检测方法 | |
CN112699756A (zh) | 一种基于高光谱图像的茶叶原产地识别方法和系统 | |
Luo et al. | Visualization of vibrational spectroscopy for agro-food samples using t-Distributed Stochastic Neighbor Embedding | |
CN111795943A (zh) | 基于近红外光谱技术无损检测茶叶中外源掺杂蔗糖的方法 | |
CN115905881A (zh) | 黄珍珠分类的方法以及装置、电子设备、存储介质 | |
CN111693486B (zh) | 一种减小品牌对掺杂尿素牛奶判别模型影响的同步近红外相关切谱检测方法 | |
Zhu et al. | Identification of peanut oil origins based on Raman spectroscopy combined with multivariate data analysis methods | |
Teye et al. | Nondestructive authentication of cocoa bean cultivars by FT-NIR spectroscopy and multivariate techniques | |
CN108872128B (zh) | 一种模糊非相关c均值聚类的茶叶红外光谱分类方法 | |
CN103543106A (zh) | 基于光谱成像技术的瓜子品质特征快速无损检测方法 | |
Sun et al. | Application of hyperspectral imaging technology for detecting adulterate rice | |
CN111351767B (zh) | 一种基于二维近红外相关谱应用特征切谱判别牛奶中掺杂尿素的判别方法 | |
CN111323384B (zh) | 一种基于二维近红外相关切谱判别牛奶中掺杂尿素的方法 | |
CN112485216A (zh) | 一种多源信息融合的泰国茉莉香米掺伪鉴别方法 |
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 |