CN111912823A - 一种多成分农药残留荧光检测分析方法 - Google Patents
一种多成分农药残留荧光检测分析方法 Download PDFInfo
- Publication number
- CN111912823A CN111912823A CN202010611796.XA CN202010611796A CN111912823A CN 111912823 A CN111912823 A CN 111912823A CN 202010611796 A CN202010611796 A CN 202010611796A CN 111912823 A CN111912823 A CN 111912823A
- Authority
- CN
- China
- Prior art keywords
- fluorescence
- fluorescence spectrum
- partial
- analysis method
- detection analysis
- 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
- 239000000447 pesticide residue Substances 0.000 title claims abstract description 23
- 238000004458 analytical method Methods 0.000 title claims abstract description 17
- 238000001917 fluorescence detection Methods 0.000 title claims abstract description 15
- 238000002189 fluorescence spectrum Methods 0.000 claims abstract description 53
- 239000000575 pesticide Substances 0.000 claims abstract description 33
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 235000012055 fruits and vegetables Nutrition 0.000 claims description 15
- 238000009499 grossing Methods 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 12
- 238000010238 partial least squares regression Methods 0.000 claims description 7
- 238000000513 principal component analysis Methods 0.000 claims description 7
- 230000003595 spectral effect Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000007788 liquid Substances 0.000 claims description 4
- 238000005507 spraying Methods 0.000 claims description 4
- 239000012153 distilled water Substances 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 235000013305 food Nutrition 0.000 description 6
- 235000013405 beer Nutrition 0.000 description 5
- 238000002790 cross-validation Methods 0.000 description 5
- 239000000243 solution Substances 0.000 description 4
- VMFXMTJCTSYHCF-HHQUSWFZSA-N [(2r,3r,4s,5r)-5-(hexylamino)-4-hydroxy-2-(hydroxymethyl)-6-[(7-hydroxy-4-oxo-1,3a,5,6,7,7a-hexahydroimidazo[4,5-c]pyridin-2-yl)amino]oxan-3-yl] carbamate Chemical compound CCCCCCN[C@@H]1[C@H](O)[C@@H](OC(N)=O)[C@@H](CO)OC1\N=C\1NC(C(=O)NCC2O)C2N/1 VMFXMTJCTSYHCF-HHQUSWFZSA-N 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 235000015203 fruit juice Nutrition 0.000 description 3
- RMOGWMIKYWRTKW-UONOGXRCSA-N (S,S)-paclobutrazol Chemical compound C([C@@H]([C@@H](O)C(C)(C)C)N1N=CN=C1)C1=CC=C(Cl)C=C1 RMOGWMIKYWRTKW-UONOGXRCSA-N 0.000 description 2
- 239000005740 Boscalid Substances 0.000 description 2
- 239000005985 Paclobutrazol Substances 0.000 description 2
- 239000005663 Pyridaben Substances 0.000 description 2
- WYEMLYFITZORAB-UHFFFAOYSA-N boscalid Chemical compound C1=CC(Cl)=CC=C1C1=CC=CC=C1NC(=O)C1=CC=CN=C1Cl WYEMLYFITZORAB-UHFFFAOYSA-N 0.000 description 2
- 229940118790 boscalid Drugs 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000004811 liquid chromatography Methods 0.000 description 2
- DWFZBUWUXWZWKD-UHFFFAOYSA-N pyridaben Chemical compound C1=CC(C(C)(C)C)=CC=C1CSC1=C(Cl)C(=O)N(C(C)(C)C)N=C1 DWFZBUWUXWZWKD-UHFFFAOYSA-N 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 235000015205 orange juice Nutrition 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance 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
- G01N21/62—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
- 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
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明提出了一种多成分农药残留荧光检测分析方法，包括：建立与农药的种类数相对应数量的偏最小二乘模型，所述偏最小二乘模型以荧光光谱数据为输入，以农药的浓度为输出；采用建模集对每个偏最小二乘模型进行交叉训练，得到训练好的偏最小二乘模型，采用荧光光谱仪获取待检测的水样的荧光光谱数据，将该荧光光谱数据输入至所有的偏最小二乘模型中，得到检测分析结果，实现多成分农药的检测。
Description
技术领域
本发明涉及农药残留的荧光检测分析方法，具体涉及一种多成分农药残留的定量荧光检测分析方法。
背景技术
为了解决全球饥饿问题，农药被广泛甚至过度使用来实现农作物的丰收。近几十年，随着人们对食品安全问题的重视，农作物上的农药残留成了人们日常生活中重点关注的一个问题。
传统的农药残留检测技术如液相色谱仪、质谱仪等技术不仅需要对样品进行复杂前处理，而且检测时间比较长。考虑到这些技术对检测样品存在破坏性，无法实现食品的大规模检测。
荧光光谱技术由于具有无损性、非接触性、检测速度快等优点，在食品安全、生物医学等领域受到越来越多的关注。目前，荧光光谱技术在农药残留检测上的应用主要基于比尔朗伯定律。由于比尔朗伯定律要求溶液的浓度较低，另外各成分的荧光峰相互独立，所以传统的荧光光谱检测仍然存在以下缺点：(1)高浓度溶液需要稀释，对样品有损坏；(2)不能用于检测成分相近的农药。
发明内容
发明目的：为了解决传统荧光光谱技术存在的缺点，本发明采用基于偏最小二乘法的多成分农药残留定量荧光检测分析方法，该方法的提出为实现果蔬大规模的农药残留在线检测提供了可能性，对食品安全检测有着重要的现实应用前景。
为了达到上述发明目的，本发明所采用的技术方案是：一种多成分农药残留荧光检测分析方法，包括以下步骤：
步骤1：将不同种类的不同浓度的农药同体积喷洒于果蔬表面，静置后，将果蔬置于等量的蒸馏水中，静置后取出，得到各个种类农药对应的水样；
步骤2：通过荧光光谱仪获取步骤1得到的水样的荧光光谱数据，采用液相色谱仪获取步骤1得到的水样中各种类农药的浓度数据；
步骤3：对步骤2得到的荧光光谱进行预处理，得到经预处理后的荧光光谱数据，将经预处理后的荧光光谱数据和步骤2中的浓度数据构建得到建模集；
步骤4：建立与农药的种类数相对应数量的偏最小二乘回归模型，所述偏最小二乘回归模型以荧光光谱数据为输入，以农药的浓度数据为输出；采用建模集对每个偏最小二乘回归模型进行交叉训练，得到训练好的偏最小二乘回归模型；
步骤5：采用荧光光谱仪获取待检测的水样的荧光光谱数据，将该荧光光谱数据输入至所有的偏最小二乘回归模型中，得到检测分析结果。
进一步的，步骤3中所述的预处理包括：
采用窗口移动平滑算法对荧光光谱进行平滑处理；
对经过平滑处理后的荧光光谱进行归一化处理；
采用主成分分析法对经过归一化处理后的荧光光谱进行聚类分析，并计算欧氏距离值，将欧氏距离值大于阈值的荧光光谱所对应的水样剔除。
进一步的，所述采用窗口移动平滑算法表示为：
其中，xλ,new是指平滑后在波长λ处的荧光强度，2m+1指的是窗口大小，λ为出射波长，i为光谱仪的光谱采样间隔，xλ+i为在波长λ+i处的荧光强度。
进一步的，所述归一化处理表示为：
其中，xλ,nor为归一化后的荧光强度。
进一步的，所述欧式距离的计算公式为：
式中，x0和y0是主成分分析中第一主成分和第二主成分图中聚类的几何中心，x和y为各样本在第一主成分和第二主成分图中的坐标。
进一步的，所述预处理还包括：
通过设置波长范围，对步骤2得到的荧光光谱数据中的水峰和散射峰去除；
将去除水峰和散射峰的荧光光谱数据进行平滑处理。
进一步的，所述波长范围的设置包括：
通过对步骤2得到的荧光光谱进行主成分分析，根据聚类后的欧式距离的最小值来得到波长范围。
有益效果：本发明具有以下优点：
1、由于本发明的方法不需要线性拟合，所以不要求溶液必须满足比尔朗伯定律，从而解决了稀释问题，真正意义上实现了农药残留的无损非接触检测，可以实现食品的大规模检测，保障食品安全；
2、本发明根据农药的种类数建立相应的模型个数，利用一个模型实现一种农药的预测，实现了多种类农药残留的检测，避免传统荧光检测中比尔朗伯定律受荧光峰重叠的影响，解决了传统基于比尔朗伯定律的荧光光谱检测技术无法同时检测成分相同的农药的缺点；
3、本发明提供的检测方法不需要对样品进行复杂的前处理，可以实现在线农药残留检测。
附图说明：
图1为实施例中四种农药的荧光光谱图；
图2为建立偏最小二乘模型时主成分的占比图；
图3为建模集进行留一交叉验证时，各样品中中生菌素的实际浓度与预测浓度的对比；
图4为测试集带入4个模型时，各样品中中生菌素(图4(a))、多效唑(图4(b))、啶酰菌胺(图4(c))和哒螨灵(图4(d))的实际浓度与预测浓度的对比。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面结合实施例和附图进一步阐明本发明。
实施例1：
挑选部分果蔬，进行不同浓度的农药喷洒，静置一小时，清洗果蔬取得水样，对水样进行荧光光谱的采集；对上述相同水样利用液相色谱进行理化指标测定，得到各种农药成分的浓度；对所获得的荧光光谱进行前处理，包括波长范围的选择，平滑，归一化；利用所获得的光谱数据及相对应的农药浓度进行主成分分析，剔除异常样品；对剔除异常样品后的光谱-浓度数据根据农药种类建立多个偏最小二乘模型并进行交叉验证，得到最佳的建模集及模型参数；将光谱数据带入模型，得到预测浓度，将得到的预测浓度与实际理化指标进行对比，分析模型的准确率，实现多成分农药的检测。
现对上述步骤进行详细说明。
步骤1：挑选部分果蔬，将其用清水洗净至水样的荧光光谱没有农药的特征峰，配置不同浓度的农药，喷洒5mL于果蔬表面，静置一小时后将果蔬置于100mL的蒸馏水中，静置半小时取出，得到水样，利用荧光光谱仪和液相色谱仪测定水样的荧光光谱和各农药成分的浓度。本步骤中农药残留检测的是果蔬清洗后的水样，而非果蔬本身，采集到的数据包括两部分：荧光光谱数据和理化指标，其中利用液相色谱测得的理化指标将作为金标用于建立偏最小二乘模型。
步骤2：观察水样的荧光光谱数据，通过对荧光光谱进行主成分分析，根据聚类后的欧式距离
的最小值来得到最佳的波长范围，基于该最佳的波长范围，将水样的荧光光谱数据的水峰和散射峰去除。
步骤3：根据下式，利用窗口移动算法对经过步骤2处理的荧光光谱进行平滑处理：
其中，xλ,new为平滑后在波长λ处的荧光强度，2m+1为窗口大小。
步骤4：根据下式对经过平滑处理后的荧光光谱进行归一化处理；
步骤5：对样品光谱进行主成分分析，并通过判断欧氏距离值
是否大于阈值来剔除异常样品；
步骤6：利用剔除异常样品后的建模集中的荧光光谱数据和浓度数据构成自变量X＝{x1,…,xp}和因变量的数据表Y＝{y1,…,yq}，在自变量X与因变量Y中把成分t1和u1提取出来，同时要满足数据表的变异信息被t1和u1尽可能地携带，还要满足t1和u1的相关性是最大值。第一轮提取t1和u1后，自变量X对t1进行回归运算，因变量Y对u1进行回归运算。若回归方程的精度是满意的，那么成分被确定下来；不是满意的，则运算后的残余信息用于提取出第二轮的成分t2和u2，再次重复上面的回归操作，把上面的过程迭代起来，直到精度达到满足的要求。若最后对自变量X共提取了m个成分t1,…,tm，再通过实施Y对t1,…,tm的回归，最后都可转化为Y对原变量x1,…,xp的回归方程，完成对偏最小二乘的回归建模。多种类农药预测所建立的偏最小二乘回归模型的个数必须大于或等于样品中的农药的种类数，将建模集中的光谱数据必须代入每一个偏最小二乘回归模型，得到该偏最小二乘回归模型所对应的农药的浓度，对每个偏最小二乘回归模型进行交叉验证，交叉验证的过程为：留一个样本，其它样本建模，将留出来的样本带入模型得到预测值，留另一个样本，其它所有样本进行建模，将留出来的样本带入模型中得到预测值，依次类推，得到建模集中所有样本的预测值，将误差大的样本从建模集中剔除，最终确定各偏最小二乘回归模型的最佳的模型参数和建模集。
步骤7：采集测试集样品数据，将测试集样品的光谱数据带入已建立的偏最小二乘回归模型中进行预测，将检测值与理化值进行对比，进行模型改善。
实施例2：
本实施例通过对果汁中加入一定浓度的农药模拟现实生活中的果蔬残留，通过采集果汁样品的荧光光谱，建立光谱-农药浓度模型，实现了对果汁中多种农药残留的检测。具体步骤如下：步骤1：建模集数据的选定：挑选橙汁(汇源)作为样品，配置不同浓度的中生菌素、多效唑、啶酰菌胺和哒螨灵，浓度范围分别为：0-0.0305075mg/mL，0-0.0284407mg/mL，0-0.014747mg/mL，0-0.0033391mg/mL，共计151个样品。
步骤2：观察样品的荧光光谱数据，选择波长范围为260nm-500nm，将水峰和散射峰去除如图1所示。
步骤3：利用窗口移动算法对荧光光谱进行平滑，计算方法为：
其中xλ,new是指平滑后在波长λ处的荧光强度，2m+1指的是窗口大小(m＝2)。
步骤4：根据下式对荧光光谱进行归一化；
步骤5：利用主成分分析法进行异常样品检测，如图2所示，在本实施例中，因为前7个主成分占比达99％，故选7个主成分。
步骤6：利用剔除异常样品后的建模集建立多模型，并对每个模型进行交叉验证，确定最佳的模型参数和最佳的建模集；如图3所示，由于在交叉验证中原始建模集中的第43号和51号样品的预测值与真实值的偏离较大，将第43号和51号样品从建模集中剔除。
步骤7：采集测试集样品数据，将测试集样品的光谱数据带入已建立的模型中进行预测，将检测值与理化值进行对比如图4所示。
Claims (7)
1.一种多成分农药残留荧光检测分析方法，其特征在于：包括以下步骤：
步骤1：将不同种类的不同浓度的农药同体积喷洒于果蔬表面，静置后，将果蔬置于等量的蒸馏水中，静置后取出，得到各个种类农药对应的水样；
步骤2：通过荧光光谱仪获取步骤1得到的水样的荧光光谱数据，采用液相色谱仪获取步骤1得到的水样中各种类农药的浓度数据；
步骤3：对步骤2得到的荧光光谱进行预处理，得到经预处理后的荧光光谱数据，将经预处理后的荧光光谱数据和步骤2中的浓度数据构建得到建模集；
步骤4：建立与农药的种类数相对应数量的偏最小二乘回归模型，所述偏最小二乘回归模型以荧光光谱数据为输入，以农药的浓度数据为输出；采用建模集对每个偏最小二乘回归模型进行交叉训练，得到训练好的偏最小二乘回归模型；
步骤5：采用荧光光谱仪获取待检测的水样的荧光光谱数据，将该荧光光谱数据输入至所有的偏最小二乘回归模型中，得到检测分析结果。
2.根据权利要求1所述的一种多成分农药残留荧光检测分析方法，其特征在于：步骤3中所述的预处理包括：
采用窗口移动平滑算法对荧光光谱进行平滑处理；
对经过平滑处理后的荧光光谱进行归一化处理；
采用主成分分析法对经过归一化处理后的荧光光谱进行聚类分析，并计算欧氏距离值，将欧氏距离值大于阈值的荧光光谱所对应的水样剔除。
3.根据权利要求2所述的一种多成分农药残留荧光检测分析方法，其特征在于：所述采用窗口移动平滑算法表示为：
其中，xλ,new是指平滑后在波长λ处的荧光强度，2m+1指的是窗口大小，λ为出射波长，i为光谱仪的光谱采样间隔，xλ+i为在波长λ+i处的荧光强度。
4.根据权利要求2所述的一种多成分农药残留荧光检测分析方法，其特征在于：所述归一化处理表示为：
其中，xλ,nor为归一化后的荧光强度。
5.根据权利要求2所述的一种多成分农药残留荧光检测分析方法，其特征在于：所述欧式距离的计算公式为：
式中，x0和y0是主成分分析中第一主成分和第二主成分图中聚类的几何中心，x和y为各样本在第一主成分和第二主成分图中的坐标。
6.根据权利要求2所述的一种多成分农药残留荧光检测分析方法，其特征在于：所述预处理还包括：
通过设置波长范围，对步骤2得到的荧光光谱数据中的水峰和散射峰去除；
将去除水峰和散射峰的荧光光谱数据进行平滑处理。
7.根据权利要求6所述的一种多成分农药残留荧光检测分析方法，其特征在于：所述波长范围的设置包括：
通过对步骤2得到的荧光光谱进行主成分分析，根据聚类后的欧式距离的最小值来得到波长范围。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010611796.XA CN111912823A (zh) | 2020-06-30 | 2020-06-30 | 一种多成分农药残留荧光检测分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010611796.XA CN111912823A (zh) | 2020-06-30 | 2020-06-30 | 一种多成分农药残留荧光检测分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111912823A true CN111912823A (zh) | 2020-11-10 |
Family
ID=73226252
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010611796.XA Pending CN111912823A (zh) | 2020-06-30 | 2020-06-30 | 一种多成分农药残留荧光检测分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111912823A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113916860A (zh) * | 2021-11-02 | 2022-01-11 | 淮阴工学院 | 一种基于荧光光谱的农药残留种类识别方法 |
| CN117809070A (zh) * | 2024-03-01 | 2024-04-02 | 唐山市食品药品综合检验检测中心(唐山市农产品质量安全检验检测中心、唐山市检验检测研究院) | 一种用于蔬菜农药残留检测的光谱数据智能处理方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103729650A (zh) * | 2014-01-17 | 2014-04-16 | 华东理工大学 | 近红外光谱建模样本的选择方法 |
| CN104964946A (zh) * | 2015-03-19 | 2015-10-07 | 复旦大学 | 基于近红外光谱分析的蔬菜水果农药化肥残留检测装置及检测方法 |
| CN204705516U (zh) * | 2015-06-24 | 2015-10-14 | 吕斐 | 食品农药残留检测仪 |
| CN107817223A (zh) * | 2017-10-20 | 2018-03-20 | 华东理工大学 | 快速无损实时预测原油性质模型的构建方法及其应用 |
| CN207439787U (zh) * | 2017-12-08 | 2018-06-01 | 台州智子科技有限公司 | 一种用于水果检测的食品农药检测装置 |
| CN108267438A (zh) * | 2018-04-27 | 2018-07-10 | 中国农业大学 | 一种残留混合农药的拉曼光谱信号分析方法 |
| CN109520950A (zh) * | 2018-12-20 | 2019-03-26 | 淮阴工学院 | 一种对光谱偏移不敏感的化学成分光谱检测方法 |
-
2020
- 2020-06-30 CN CN202010611796.XA patent/CN111912823A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103729650A (zh) * | 2014-01-17 | 2014-04-16 | 华东理工大学 | 近红外光谱建模样本的选择方法 |
| CN104964946A (zh) * | 2015-03-19 | 2015-10-07 | 复旦大学 | 基于近红外光谱分析的蔬菜水果农药化肥残留检测装置及检测方法 |
| CN204705516U (zh) * | 2015-06-24 | 2015-10-14 | 吕斐 | 食品农药残留检测仪 |
| CN107817223A (zh) * | 2017-10-20 | 2018-03-20 | 华东理工大学 | 快速无损实时预测原油性质模型的构建方法及其应用 |
| CN207439787U (zh) * | 2017-12-08 | 2018-06-01 | 台州智子科技有限公司 | 一种用于水果检测的食品农药检测装置 |
| CN108267438A (zh) * | 2018-04-27 | 2018-07-10 | 中国农业大学 | 一种残留混合农药的拉曼光谱信号分析方法 |
| CN109520950A (zh) * | 2018-12-20 | 2019-03-26 | 淮阴工学院 | 一种对光谱偏移不敏感的化学成分光谱检测方法 |
Non-Patent Citations (6)
| Title |
|---|
| RENDONG JI等: "Multiple kinds of pesticide residue detection using fluorescence spectroscopy combined with partial least-squares models", 《APPLIED OPTICS》 * |
| 张玉荣等: "基于近红外光谱技术测定小麦蛋白质模型的建立", 《粮食与饲料工业》 * |
| 李蔚博等: "化学计量学-同步荧光光谱法同时测定速灭威、残杀威和呋喃丹", 《分析试验室》 * |
| 潘军辉等: "化学计量学-荧光光谱法同时测定四种农药", 《南昌大学学报(工科版)》 * |
| 董秉直等著: "《饮用水膜法处理新技术》", 30 September 2015, 同济大学出版社 * |
| 谭峰等: "《基于光谱技术的寒地水稻稻瘟病害分析及机理研究》", 31 January 2016, 哈尔滨工业大学出版社 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113916860A (zh) * | 2021-11-02 | 2022-01-11 | 淮阴工学院 | 一种基于荧光光谱的农药残留种类识别方法 |
| CN117809070A (zh) * | 2024-03-01 | 2024-04-02 | 唐山市食品药品综合检验检测中心(唐山市农产品质量安全检验检测中心、唐山市检验检测研究院) | 一种用于蔬菜农药残留检测的光谱数据智能处理方法 |
| CN117809070B (zh) * | 2024-03-01 | 2024-05-14 | 唐山市食品药品综合检验检测中心(唐山市农产品质量安全检验检测中心、唐山市检验检测研究院) | 一种用于蔬菜农药残留检测的光谱数据智能处理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106501470B (zh) | 利用味觉系统与电子鼻联合评价芥辣酱风味等级的方法 | |
| CN107817223A (zh) | 快速无损实时预测原油性质模型的构建方法及其应用 | |
| CN106841083A (zh) | 基于近红外光谱技术的芝麻油品质检测方法 | |
| CN112525869A (zh) | 一种农药残留的分段式检测方法 | |
| CN107632010B (zh) | 一种结合激光诱导击穿光谱对钢铁样品的定量方法 | |
| CN111912823A (zh) | 一种多成分农药残留荧光检测分析方法 | |
| CN102937575B (zh) | 一种基于二次光谱重组的西瓜糖度快速建模方法 | |
| CN106596513A (zh) | 一种基于激光诱导击穿光谱茶叶品种识别方法 | |
| CN105044024A (zh) | 一种基于近红外光谱技术对葡萄果实进行无损检测的方法 | |
| CN111474137A (zh) | 一种基于卷积神经网络的柑橘糖度无损检测方法 | |
| CN115420726B (zh) | 一种利用重构sers光谱快速识别目标物的方法 | |
| CN105738311A (zh) | 一种基于近红外光谱技术的苹果甜度无损快速检测方法 | |
| CN105223140A (zh) | 同源物质的快速识别方法 | |
| CN108827925A (zh) | 基于光纤式荧光光谱技术的食用植物油真伪快速检测方法和检测装置 | |
| CN113887563A (zh) | 一种拉曼光谱结合pls-da快速筛查生鲜乳中多种掺假物质的方法 | |
| 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 | |
| Nkansah et al. | Determination of concentration of ACQ wood preservative components by UV-Visible spectroscopy coupled with multivariate data analysis | |
| CN106485049A (zh) | 一种基于蒙特卡洛交叉验证的nirs异常样本的检测方法 | |
| CN114414524A (zh) | 快速检测航空煤油性质的方法 | |
| CN113791062A (zh) | 一种基于拉曼光谱判断固定物质类别的方法 | |
| Kumar et al. | Multidimensional scaling assisted Fourier-transform infrared spectroscopic analysis of fruit wine samples: introducing a novel analytical approach | |
| CN113933247A (zh) | 一种水果成熟度检测模型的构建方法 | |
| CN106442376B (zh) | 化验数据质量的评估方法 | |
| CN112861411A (zh) | 基于近红外光谱主成分和神经网络的生物质钠含量测量与建模方法 | |
| Sulistyo et al. | Handheld arduino-based near infrared spectrometer for non-destructive quality evaluation of siamese oranges |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201110 |