CN111735808B - 一种白芨霉变检测方法 - Google Patents
一种白芨霉变检测方法 Download PDFInfo
- Publication number
- CN111735808B CN111735808B CN202010702985.8A CN202010702985A CN111735808B CN 111735808 B CN111735808 B CN 111735808B CN 202010702985 A CN202010702985 A CN 202010702985A CN 111735808 B CN111735808 B CN 111735808B
- Authority
- CN
- China
- Prior art keywords
- bletilla striata
- sample
- detection
- gas sensor
- value
- 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
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
- G01N21/75—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
Landscapes
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Plasma & Fusion (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
本发明公开了一种白芨霉变检测方法。该方法包括:S1:向检测气室通入洁净空气进行清洗;S2:检测气室清洗完后,将纳米级TiO2粉末喷涂至被测白芨样品表面,采用紫外光照射被测白芨样品;S3:将被测白芨样品产生的挥发性气体吸入检测气室,检测气室内的气体传感器阵列与挥发性气体接触产生响应信号;S4:数据采集装置对气体传感器阵列产生的响应信号进行采样并将采样值发送到计算机;S5:计算机对接收到的采样值进行处理,判断被测白芨样品是否霉变。本发明能够快速准确的检测出白芨是否霉变,提高了工作效率。
Description
技术领域
本发明涉及白芨检测技术领域,尤其涉及一种白芨霉变检测方法。
背景技术
白芨为兰科植物白芨的干燥块茎,别名良姜、紫兰。随着我国中医药事业的发展,白芨在临床上的应用日益广泛,用药量迅速增加,占中药饮片销售量比重逐年上升。然而,白芨根茎经过烘干或者冻干加工之后,成为白芨干品,经过分装和包装之后进入物流运输、储藏和零售环节。运输和储藏过程中,由于温湿度等环境因素导致白芨极易发生霉变,而霉变是直接影响白芨药效的主要因素,俗称“霉药不治病”,药材品质下降、失去药效、甚至导致药物中毒和致肿瘤等问题,这是长期困扰着中药学领域的难点之一。因此,市场对于采后干燥处理后白芨品质快速精准检测技术有着迫切的需求。
通常,食材、药材品质检测方法包括理化检验、感官品评和仪器检验等方法。理化检验能够检测样品物理化学指标(微生物、硬度、弹性等)情况,依照相关国家标准准确评被测样品的品质质量情况,但是理化检验存在明显不足,如样品前处理难度大、检测有损、时间长等。感官品评法依据人的感觉器官对被测样品的色泽、风味、滋味、硬度等进行综合评判,但不同品评人员由于个体的差异对同一被测样品有一定的品评偏差。仪器分析技术往往依靠大型分析测试仪器,如气相色谱-质谱联用(GC-MS)、高效液相色谱(HPLC)等,该方法能够准确检测样品中某些成分的含量,但是该方法对操作人员的熟练程度有较高的要求,而且大型分析仪器价格非常昂贵,也无法开展现场快速检测。
发明内容
本发明为了解决上述技术问题,提供了一种白芨霉变检测方法,其能够快速准确的检测出白芨是否霉变,提高了工作效率。
为了解决上述问题,本发明采用以下技术方案予以实现:
本发明的一种白芨霉变检测方法,包括以下步骤:
S1:向检测气室通入洁净空气进行清洗;
S2:检测气室清洗完后,将纳米级TiO2粉末喷涂至被测白芨样品表面,采用紫外光照射被测白芨样品;
S3:将被测白芨样品产生的挥发性气体吸入检测气室,检测气室内的气体传感器阵列与挥发性气体接触产生响应信号;
S4:数据采集装置对气体传感器阵列产生的响应信号进行采样并将采样值发送到计算机;
S5:计算机对接收到的采样值进行处理,判断被测白芨样品是否霉变。
在本技术方案中,被测白芨样品的检测时间为45秒。纳米级TiO2粉末与紫外光相互作用,产生如下反应:
2HO2→O2+H2O2,
HO2+h+→H++OH,
反应产生的具有氧化性的离子与被测白芨样品表面的水和其它物质发生反应,产生与被测白芨样品品质属性相关联的挥发性物质。
作为优选,所述气体传感器阵列包括十个气体传感器,分别为:用于检测硫化物的第一气体传感器,用于检测氢气的第二气体传感器,用于检测氨气的第三气体传感器,用于检测酒精、甲苯、二甲苯的第四气体传感器,用于检测碳氢组分气体的第五气体传感器,用于检测甲烷、丙烷、丁烷的第六气体传感器,用于检测丙烷、丁烷的第七气体传感器,用于检测氮氧化物的第八气体传感器,用于检测二氧化碳的第九气体传感器,用于检测TVOC气体的第十气体传感器。
第一气体传感器为TGS-825传感器,第二气体传感器为TGS-821传感器,第三气体传感器为TGS-826传感器,第四气体传感器为TGS-822传感器,第五气体传感器为TGS-842传感器,第六气体传感器为TGS-813传感器,第七气体传感器为TGS-2610传感器,第八气体传感器为TGS-2201传感器,第九气体传感器为TGS-4161传感器,第十气体传感器为TP-401传感器。
作为优选,所述步骤S5中判断被测白芨样品是否霉变的方法包括以下步骤:
其中,x(t)为模型因子轨迹函数,ξ(t)为调谐信号,t为时间,k为激励强度,V(x,t)为四势阱势函数,a、b、c、d都为常数,
由公式(1)、(2)计算得到:
如果SNR特征值的绝对值位于没有霉变白芨样品对应的阈值范围内,则被测白芨样品没有霉变,
如果SNR特征值的绝对值位于轻微霉变白芨样品对应的阈值范围内,则被测白芨样品轻微霉变,
如果SNR特征值的绝对值位于中度霉变白芨样品对应的阈值范围内,则被测白芨样品中度霉变,
如果SNR特征值的绝对值位于重度霉变白芨样品对应的阈值范围内,则被测白芨样品重度霉变。
作为优选,取得不同霉变程度的白芨样品对应阈值范围的方法如下:
预先取得M个没有霉变的白芨样品、M个轻微霉变的白芨样品、M个中度霉变的白芨样品,M≥100,分别对这些白芨样品进行检测,得到相应的SNR特征值的绝对值,SNR特征值的绝对值记为Peab,M个没有霉变的白芨样品检测结果中最大的Peab值为D1,M个轻微霉变的白芨样品检测结果中最大的Peab值为D2,M个中度霉变的白芨样品检测结果中最大的Peab值为D3,没有霉变白芨样品对应的阈值范围为Peab≤D1,轻微霉变白芨样品对应的阈值范围为D1<Peab≤D2,中度霉变白芨样品对应的阈值范围为D2<Peab≤D3,重度霉变白芨样品对应的阈值范围为D3<Peab。
作为优选,所述步骤S2中的紫外光的波长为350~388nm。
作为优选,确定紫外光波长为350~388nm的方法包括以下步骤:
以检测气室通入被测白芨样品产生的挥发性气体的时间为X轴、气体传感器产生的响应信号为Y轴建立直角坐标系,气体传感器在检测过程中产生响应曲线,响应信号的平均值为mean,响应信号的最大值为max,响应信号的最小值为min,响应上升速率 T为响应信号从最小值上升到最大值所需要的时间,折半上升速率t1为响应信号从最小值上升到平均值所需要的时间;
以(0,min)、(tl,min)、(t1,mean)三点构建直角三角形,以(0,min)、(T,min)、(T,max)三点构建直角三角形,点(0,min)、(T,min)构成的直线与点(0,min)、(T,max)构成的直线的夹角为β,点(0,min)、(T,max)构成的直线与点(0,min)、(t1,mean)构成的直线的夹角为α,为了提高检测准确度需使气体传感器产生的响应曲线满足以下条件:α≈β;
由于speh=tan(α+β),spe=tanβ,min≈0,
采用不同波长紫外光照射没有霉变的被测白芨样品进行检测,采用不同波长紫外光照射轻微霉变的被测白芨样品进行检测,采用不同波长紫外光照射中度霉变的被测白芨样品进行检测;
所以紫外光波长为350~388nm
被测白芨样品的检测时间为45s,即T=45s。波长为350~388nm的紫外光照射没有霉变/轻微霉变/中度霉变的被测白芨样品,气体传感器在检测过程中产生响应曲线最优,确保检测特征信息在整个响应曲线上的均衡分布。波长<350nm的紫外光由于能量太大,会对被测白芨样品表面产生不可恢复的损伤,进而导致被测白芨样品显著变性,产生检测误差。
作为优选,所述步骤S3中采用探头将样品瓶顶部空间的被测白芨样品产生的挥发性气体吸入检测气室。
作为优选,所述检测气室的出气口排出的气体输入到尾气处理装置进行处理。
作为优选,所述步骤S3持续的时间为45s。
本发明的有益效果是:能够快速准确的检测出白芨是否霉变及霉变程度,提高了工作效率。
附图说明
图1是实施例的流程图;
图2是实施例的检测系统的结构示意图;
图3是气体传感器产生的响应曲线的示意图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:本实施例的一种白芨霉变检测方法,如图1所示,包括以下步骤:
S1:向检测气室通入洁净空气进行清洗;
S2:检测气室清洗完后,将纳米级TiO2粉末喷涂至被测白芨样品表面,采用紫外光照射被测白芨样品;
S3:将被测白芨样品产生的挥发性气体吸入检测气室,检测气室内的气体传感器阵列与挥发性气体接触产生响应信号;
S4:数据采集装置对气体传感器阵列产生的响应信号进行采样并将采样值发送到计算机;
S5:计算机对接收到的采样值进行处理,判断被测白芨样品是否霉变。
本实施例的检测方法采用图2所示的检测系统进行检测。步骤S3持续的时间为45s。纳米级TiO2粉末与紫外光相互作用,产生如下反应:
2HO2→O2+H2O2,
HO2+h+→H++OH,
反应产生的具有氧化性的离子与被测白芨样品表面的水和其它物质发生反应,产生与被测白芨样品品质属性相关联的挥发性物质。
气体传感器阵列包括十个气体传感器,分别为:用于检测硫化物的TGS-825传感器,用于检测氢气的TGS-821传感器,用于检测氨气的TGS-826传感器,用于检测酒精、甲苯、二甲苯的TGS-822传感器,用于检测碳氢组分气体的TGS-842传感器,用于检测甲烷、丙烷、丁烷的TGS-813传感器,用于检测丙烷、丁烷的TGS-2610传感器,用于检测氮氧化物的TGS-2201传感器,用于检测二氧化碳的TGS-4161传感器,用于检测TVOC气体的TP-401传感器。
步骤S5中判断被测白芨样品是否霉变的方法包括以下步骤:
其中,x(t)为模型因子轨迹函数,ξ(t)为调谐信号,t为时间,k为激励强度,V(x,t)为四势阱势函数,a、b、c、d都为常数,
由公式(1)、(2)计算得到:
k1为非线性特征提取模型达到最大值时刻激励强度k的瞬时值;
如果SNR特征值的绝对值位于没有霉变白芨样品对应的阈值范围内,则被测白芨样品没有霉变,
如果SNR特征值的绝对值位于轻微霉变白芨样品对应的阈值范围内,则被测白芨样品轻微霉变,
如果SNR特征值的绝对值位于中度霉变白芨样品对应的阈值范围内,则被测白芨样品中度霉变,
如果SNR特征值的绝对值位于重度霉变白芨样品对应的阈值范围内,则被测白芨样品重度霉变。
取得不同霉变程度的白芨样品对应阈值范围的方法如下:
预先取得100个没有霉变的白芨样品、100个轻微霉变的白芨样品、100个中度霉变的白芨样品,分别对这些白芨样品进行检测,得到相应的SNR特征值的绝对值,SNR特征值的绝对值记为Peab,100个没有霉变的白芨样品检测结果中最大的Peab值为84.5dB,100个轻微霉变的白芨样品检测结果中最大的Peab值为88.5dB,100个中度霉变的白芨样品检测结果中最大的Peab值为92.5dB,没有霉变白芨样品对应的阈值范围为Peab≤84.5dB,轻微霉变白芨样品对应的阈值范围为84.5dB<Peab≤88.5dB,中度霉变白芨样品对应的阈值范围为88.5dB<Peab≤92.5dB,重度霉变白芨样品对应的阈值范围为92.5dB<Peab。
步骤S2中的紫外光的波长为350~388nm。
确定紫外光波长为350~388nm的方法包括以下步骤:
如图3所示,以检测气室通入被测白芨样品产生的挥发性气体的时间为X轴、气体传感器产生的响应信号为Y轴建立直角坐标系,气体传感器在检测过程中产生响应曲线,响应信号的平均值为mean,响应信号的最大值为max,响应信号的最小值为min,响应上升速率T为响应信号从最小值上升到最大值所需要的时间,折半上升速率t1为响应信号从最小值上升到平均值所需要的时间;
以(0,min)、(t1,min)、(t1,mean)三点构建直角三角形,以(0,min)、(T,min)、(T,max)三点构建直角三角形,点(0,min)、(T,min)构成的直线与点(0,min)、(T,max)构成的直线的夹角为β,点(0,min)、(T,max)构成的直线与点(0,min)、(tl,mean)构成的直线的夹角为α,为了提高检测准确度需使气体传感器产生的响应曲线满足以下条件:α≈β;
由于speh=tan(α+β),spe=tanβ,min≈0,
采用不同波长紫外光照射没有霉变的被测白芨样品进行检测,采用不同波长紫外光照射轻微霉变的被测白芨样品进行检测,采用不同波长紫外光照射中度霉变的被测白芨样品进行检测;
得到如下结果:对没有霉变的被测白芨样品使用波长为350~388nm的紫外光照射,对轻微霉变的被测白芨样品使用波长为350~388nm的紫外光照射,对中度霉变的被测白芨样品使用波长为350~388nm的紫外光照射,在这三种情况下每个气体传感器产生的响应曲线都满足
所以紫外光波长为350~388nm。
被测白芨样品的检测时间为45s,即T=45s。波长为350~388nm的紫外光照射没有霉变/轻微霉变/中度霉变的被测白芨样品,气体传感器在检测过程中产生响应曲线最优,确保检测特征信息在整个响应曲线上的均衡分布。波长<350nm的紫外光由于能量太大,会对被测白芨样品表面产生不可恢复的损伤,进而导致被测白芨样品显著变性,产生检测误差。
本实施例中使用波长为370nm的紫外光照射被测白芨样品。
步骤S3中采用探头将样品瓶顶部空间的被测白芨样品产生的挥发性气体吸入检测气室。
检测气室的出气口排出的气体输入到尾气处理装置进行处理。
Claims (7)
1.一种白芨霉变检测方法,其特征在于,包括以下步骤:
S1:向检测气室通入洁净空气进行清洗;
S2:检测气室清洗完后,将纳米级TiO2粉末喷涂至被测白芨样品表面,采用紫外光照射被测白芨样品;
S3:将被测白芨样品产生的挥发性气体吸入检测气室,检测气室内的气体传感器阵列与挥发性气体接触产生响应信号;
S4:数据采集装置对气体传感器阵列产生的响应信号进行采样并将采样值发送到计算机;
S5:计算机对接收到的采样值进行处理,判断被测白芨样品是否霉变;
所述气体传感器阵列包括十个气体传感器,分别为:用于检测硫化物的第一气体传感器,用于检测氢气的第二气体传感器,用于检测氨气的第三气体传感器,用于检测酒精、甲苯、二甲苯的第四气体传感器,用于检测碳氢组分气体的第五气体传感器,用于检测甲烷、丙烷、丁烷的第六气体传感器,用于检测丙烷、丁烷的第七气体传感器,用于检测氮氧化物的第八气体传感器,用于检测二氧化碳的第九气体传感器,用于检测TVOC气体的第十气体传感器;
所述步骤S5中判断被测白芨样品是否霉变的方法包括以下步骤:
其中,x(t)为模型因子轨迹函数,ξ(t)为调谐信号,t为时间,k为激励强度,V(x,t)为四势阱势函数,a、b、c、d都为常数,
由公式(1)、(2)计算得到:
如果SNR特征值的绝对值位于没有霉变白芨样品对应的阈值范围内,则被测白芨样品没有霉变,
如果SNR特征值的绝对值位于轻微霉变白芨样品对应的阈值范围内,则被测白芨样品轻微霉变,
如果SNR特征值的绝对值位于中度霉变白芨样品对应的阈值范围内,则被测白芨样品中度霉变,
如果SNR特征值的绝对值位于重度霉变白芨样品对应的阈值范围内,则被测白芨样品重度霉变。
2.根据权利要求1所述的一种白芨霉变检测方法,其特征在于,取得不同霉变程度的白芨样品对应阈值范围的方法如下:
预先取得M个没有霉变的白芨样品、M个轻微霉变的白芨样品、M个中度霉变的白芨样品,M≥100,分别对这些白芨样品进行检测,得到相应的SNR特征值的绝对值,SNR特征值的绝对值记为Peab,M个没有霉变的白芨样品检测结果中最大的Peab值为D1,M个轻微霉变的白芨样品检测结果中最大的Peab值为D2,M个中度霉变的白芨样品检测结果中最大的Peab值为D3,没有霉变白芨样品对应的阈值范围为Peab≤D1,轻微霉变白芨样品对应的阈值范围为D1<Peab≤D2,中度霉变白芨样品对应的阈值范围为D2<Peab≤D3,重度霉变白芨样品对应的阈值范围为D3<Peab。
3.根据权利要求1所述的一种白芨霉变检测方法,其特征在于,所述步骤S2中的紫外光的波长为350~388nm。
4.根据权利要求3所述的一种白芨霉变检测方法,其特征在于,确定紫外光波长为350~388nm的方法包括以下步骤:
以检测气室通入被测白芨样品产生的挥发性气体的时间为X轴、气体传感器产生的响应信号为Y轴建立直角坐标系,气体传感器在检测过程中产生响应曲线,响应信号的平均值为mean,响应信号的最大值为max,响应信号的最小值为min,响应上升速率T为响应信号从最小值上升到最大值所需要的时间,折半上升速率t1为响应信号从最小值上升到平均值所需要的时间;
以(0,min)、(t1,min)、(t1,mean)三点构建直角三角形,以(0,min)、(T,min)、(T,max)三点构建直角三角形,点(0,min)、(T,min)构成的直线与点(0,min)、(T,max)构成的直线的夹角为β,点(0,min)、(T,max)构成的直线与点(0,min)、(t1,mean)构成的直线的夹角为α,为了提高检测准确度需使气体传感器产生的响应曲线满足以下条件:
由于speh=tan(α+β),spe=tanβ,min≈0,
采用不同波长紫外光照射没有霉变的被测白芨样品进行检测,采用不同波长紫外光照射轻微霉变的被测白芨样品进行检测,采用不同波长紫外光照射中度霉变的被测白芨样品进行检测;
所以紫外光波长为350~388nm。
5.根据权利要求1所述的一种白芨霉变检测方法,其特征在于,所述被测白芨样品被放置在样品瓶内,所述步骤S3中采用探头将样品瓶顶部空间的被测白芨样品产生的挥发性气体吸入检测气室。
6.根据权利要求1所述的一种白芨霉变检测方法,其特征在于,所述检测气室的出气口排出的气体输入到尾气处理装置进行处理。
7.根据权利要求1所述的一种白芨霉变检测方法,其特征在于,所述步骤S3持续的时间为45s。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010702985.8A CN111735808B (zh) | 2020-07-21 | 2020-07-21 | 一种白芨霉变检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010702985.8A CN111735808B (zh) | 2020-07-21 | 2020-07-21 | 一种白芨霉变检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111735808A CN111735808A (zh) | 2020-10-02 |
CN111735808B true CN111735808B (zh) | 2022-09-23 |
Family
ID=72656067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010702985.8A Active CN111735808B (zh) | 2020-07-21 | 2020-07-21 | 一种白芨霉变检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111735808B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112760356B (zh) * | 2020-12-23 | 2022-06-24 | 浙江农林大学 | 一种副溶血性弧菌检测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1621844A (zh) * | 2005-01-19 | 2005-06-01 | 湖北三峡新型建材股份有限公司 | 二氧化钛薄膜自洁净玻璃光催化活性检验方法 |
CN101936912A (zh) * | 2010-08-25 | 2011-01-05 | 江苏大学 | 一种基于嗅觉可视化检测鱼新鲜度的方法及装置 |
CN102449464A (zh) * | 2009-05-29 | 2012-05-09 | 基鲁尔夫·佩德森有限公司 | 用于控制和传感受控气氛储藏与运输环境中乙烯浓度的系统 |
CN103424431A (zh) * | 2013-08-01 | 2013-12-04 | 浙江工商大学 | 一种大米霉变快速检测装置和方法 |
CN103454388A (zh) * | 2013-08-01 | 2013-12-18 | 浙江工商大学 | 白芸豆品质检测装置及检测方法 |
CN105223240A (zh) * | 2015-11-20 | 2016-01-06 | 上海应用技术学院 | 一种利用电子鼻检测蟹新鲜度的方法 |
CN105973832A (zh) * | 2016-07-27 | 2016-09-28 | 李朝林 | 一种基于紫外灯的气体中voc物质在线检测装置 |
CN109060789A (zh) * | 2018-09-04 | 2018-12-21 | 山东大学 | 一种可视化氧气指示器及其制备方法 |
CN109447130A (zh) * | 2018-09-30 | 2019-03-08 | 江苏大学 | 一种基于可视化气敏阵列的哈败腊肉检测装置与方法 |
CN110006886A (zh) * | 2019-04-24 | 2019-07-12 | 江苏大学 | 一种纳米化色敏传感器及其判别小麦霉变程度的方法 |
CN110632207A (zh) * | 2019-10-10 | 2019-12-31 | 南京财经大学 | 一种基于挥发性气体成分及其演变趋势鉴别霉菌的方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070224087A1 (en) * | 2004-07-08 | 2007-09-27 | Zhong Ding | Airborne material collection and detection method and apparatus |
GB2525854B (en) * | 2014-05-02 | 2019-08-07 | Sensorhut Ltd | Sensing methods and apparatus |
-
2020
- 2020-07-21 CN CN202010702985.8A patent/CN111735808B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1621844A (zh) * | 2005-01-19 | 2005-06-01 | 湖北三峡新型建材股份有限公司 | 二氧化钛薄膜自洁净玻璃光催化活性检验方法 |
CN102449464A (zh) * | 2009-05-29 | 2012-05-09 | 基鲁尔夫·佩德森有限公司 | 用于控制和传感受控气氛储藏与运输环境中乙烯浓度的系统 |
CN101936912A (zh) * | 2010-08-25 | 2011-01-05 | 江苏大学 | 一种基于嗅觉可视化检测鱼新鲜度的方法及装置 |
CN103424431A (zh) * | 2013-08-01 | 2013-12-04 | 浙江工商大学 | 一种大米霉变快速检测装置和方法 |
CN103454388A (zh) * | 2013-08-01 | 2013-12-18 | 浙江工商大学 | 白芸豆品质检测装置及检测方法 |
CN105223240A (zh) * | 2015-11-20 | 2016-01-06 | 上海应用技术学院 | 一种利用电子鼻检测蟹新鲜度的方法 |
CN105973832A (zh) * | 2016-07-27 | 2016-09-28 | 李朝林 | 一种基于紫外灯的气体中voc物质在线检测装置 |
CN109060789A (zh) * | 2018-09-04 | 2018-12-21 | 山东大学 | 一种可视化氧气指示器及其制备方法 |
CN109447130A (zh) * | 2018-09-30 | 2019-03-08 | 江苏大学 | 一种基于可视化气敏阵列的哈败腊肉检测装置与方法 |
CN110006886A (zh) * | 2019-04-24 | 2019-07-12 | 江苏大学 | 一种纳米化色敏传感器及其判别小麦霉变程度的方法 |
CN110632207A (zh) * | 2019-10-10 | 2019-12-31 | 南京财经大学 | 一种基于挥发性气体成分及其演变趋势鉴别霉菌的方法 |
Non-Patent Citations (1)
Title |
---|
基于多传感器信息融合的白芨霉变快速检测方法研究;宁景苑等;《传感技术学报》;20200531;第33卷(第5期);第650-654页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111735808A (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Martı́ et al. | Electronic noses in the quality control of alcoholic beverages | |
Buratti et al. | Monitoring of alcoholic fermentation using near infrared and mid infrared spectroscopies combined with electronic nose and electronic tongue | |
Rodríguez-Méndez et al. | Electronic noses and tongues in wine industry | |
Bhattacharyya et al. | Detection of optimum fermentation time for black tea manufacturing using electronic nose | |
Huang et al. | Nondestructive measurement of total volatile basic nitrogen (TVB-N) in pork meat by integrating near infrared spectroscopy, computer vision and electronic nose techniques | |
Legin et al. | Electronic tongue for quality assessment of ethanol, vodka and eau-de-vie | |
Cozzolino et al. | Usefulness of chemometrics and mass spectrometry-based electronic nose to classify Australian white wines by their varietal origin | |
Li et al. | Non-destructive evaluation of pork freshness using a portable electronic nose (E-nose) based on a colorimetric sensor array | |
Berna et al. | Comparison of metal oxide-based electronic nose and mass spectrometry-based electronic nose for the prediction of red wine spoilage | |
Wei et al. | Recent advances in chromatography-mass spectrometry and electronic nose technology in food flavor analysis and detection | |
Cynkar et al. | Feasibility study on the use of a head space mass spectrometry electronic nose (MS e_nose) to monitor red wine spoilage induced by Brettanomyces yeast | |
Grassi et al. | Seafood freshness: e-nose data for classification purposes | |
Cozzolino | Sample presentation, sources of error and future perspectives on the application of vibrational spectroscopy in the wine industry | |
CN111735808B (zh) | 一种白芨霉变检测方法 | |
Fan et al. | Discrimination of Malus taxa with different scent intensities using electronic nose and gas chromatography–mass spectrometry | |
Lozano et al. | Wine applications with electronic noses | |
CN111665333B (zh) | 一种白芨品质快速无损检测系统及方法 | |
Kumar et al. | Review on sensor array-based analytical technologies for quality control of food and beverages | |
Zabadaj et al. | Performance of hybrid electronic tongue and HPLC coupled with chemometric analysis for the monitoring of yeast biotransformation | |
Aishima | Correlating sensory attributes to gas chromatography–mass spectrometry profiles and e-nose responses using partial least squares regression analysis | |
Yu et al. | A recursive correction FDA method based on ICA combined with STAW of vinegar E-nose data | |
Villanueva et al. | SPME coupled to an array of MOS sensors: Reduction of the interferences caused by water and ethanol during the analysis of red wines | |
Kutyła-Olesiuk et al. | Electrochemical sensor arrays for the analysis of wine production | |
Barkó et al. | Application of principal component analysis for the characterisation of a piezoelectric sensors array | |
Guo et al. | Nondestructive estimation of total free amino acid in green tea by near infrared spectroscopy and artificial neural networks |
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 |