CN112345511A - 一种黄芪有机氯农药残留检测方法 - Google Patents

一种黄芪有机氯农药残留检测方法 Download PDF

Info

Publication number
CN112345511A
CN112345511A CN202011310841.4A CN202011310841A CN112345511A CN 112345511 A CN112345511 A CN 112345511A CN 202011310841 A CN202011310841 A CN 202011310841A CN 112345511 A CN112345511 A CN 112345511A
Authority
CN
China
Prior art keywords
raman spectrum
pesticide residue
astragalus membranaceus
astragalus
detecting
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
Application number
CN202011310841.4A
Other languages
English (en)
Inventor
田天
刘再群
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Normal University
Original Assignee
Anhui Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui Normal University filed Critical Anhui Normal University
Priority to CN202011310841.4A priority Critical patent/CN112345511A/zh
Publication of CN112345511A publication Critical patent/CN112345511A/zh
Pending legal-status Critical Current

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
    • G01N21/62—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本说明书一个或多个实施例提供一种黄芪有机氯农药残留检测方法，包括以下步骤：(1)黄芪拉曼光谱信息的获取；(2)黄芪光谱信息的样本划分；(3)一维卷积神经网络光谱特征提取；(4)极限学习机有机氯农药残留预测模型构建。本发明采用1D‑CNN—ELM结合拉曼光谱技术进行黄芪机氯农药残留分析模型的构建，提出一种新的1D‑CNN结构能够提取更多、更有效的特征信息，且可以有效避免过拟合等问题，配合ELM来实现农药残留的预测，非常适用于黄芪有机氯农药残留的快速、精准预测。

Description

一种黄芪有机氯农药残留检测方法
技术领域
本说明书一个或多个实施例涉及农药残留检测领域，尤其涉及一种黄芪有机氯农药残留检测方法。
背景技术
中药作为传统药物，在中国有着上千年的使用历史。随着中药产品的影响力越来越大，中药材更是受到国际高度关注。近年来受到国际贸易中绿色、技术等贸易壁垒的影响，中药产品的出口贸易现状不容乐观。其中，农药残留是影响中药材质量安全的主要因素，同时也是严重制约我国中药产品走向国际市场的重要原因，直接影响了中药在国际市场上的竞争力。
黄芪具有补气升阳，固表止汗，利水消肿，生津养血，行滞通痹，托毒排脓，敛疮生肌的功效。不管是用于治病还是用于保健，都越来越受到广大人民的喜爱，保证其质量安全，至关重要。我国中药走向国际市场，受到农药残留问题严重阻碍作用，规范中药材种植和管理关键措施，建立有效的农药残留量测定方法，以此来规范中药种植源头的农药残留。
目前，用于测定食品和中药材中有机氯农药的方法主要为气相色谱法和气相色谱-质谱联用法，但是其实验过程较为复杂、检测费用昂贵且对环境要求较高，无法得到广泛应用和实现黄芪有机氯农药残留的快速检测。因此，开发一种黄芪有机氯农药残留的快速检测方法，实现有机氯农药残留的快速、精准、无损检测，对于掌握黄芪农药残留具有重要的意义，同时对于其他中药的农药残留检测研究具有一定的参考价值。
发明内容
有鉴于此，本说明书一个或多个实施例的目的在于提出一种黄芪有机氯农药残留检测方法，能够实现有机氯农药残留的快速、精准、无损检测。
基于上述目的，本说明书一个或多个实施例提供了一种黄芪有机氯农药残留检测方法，包括以下步骤：
A：获取黄芪的拉曼光谱信息；
B：对获取的黄芪的光谱信息进行样本划分；
C：利用一维卷积神经网络从划分的黄芪光谱信息样本中提取拉曼光谱特征；
D：利用提取的拉曼光谱特征构建极限学习机有机氯农药残留预测模型；
E：通过构建的极限学习机有机氯农药残留预测模型输出检测结果。
优选地，在步骤A中，利用拉曼光谱技术获取含有不同含量有机氯农药残留黄芪的拉曼光谱信息，得到黄芪的拉曼光谱数据集。
优选地，利用拉曼光谱技术获取含有不同含量有机氯农药残留黄芪的拉曼光谱信息，得到黄芪的拉曼光谱数据集包括：
选用ACCUMAN SR-510Pro便携式拉曼光谱仪对含有不同含量有机氯农药残留的黄芪进行拉曼光谱的采集，黄芪的拉曼光谱数据，其光谱范围设定为200-2000cm-1。
优选地，在步骤B中，采用随机抽样法将获取的黄芪的拉曼光谱信息按照一定的比例划分为独立的训练集和测试集。
优选地，训练集和测试集的划分比例为训练集80％，测试集20％。
优选地，在步骤C中，用于提取拉曼光谱特征的一维卷积神经网络是一种包含三个一维卷积单元的网络结构，所述用于提取拉曼光谱特征的一维卷积神经网络还包括卷积层、标准化层、池化层和全连接层。
优选地，标准化层使用Keras中的批量标准化层BatchNormalization，其输出尺寸与输入一致；
所述卷积层使用Keras中的1D卷积层Conv1D，卷积核尺寸为3，卷积核数量为8；
所述池化层使用Keras中的1D最大池化MaxPooling1D，池化尺寸为2；
所述全连接层使用Keras中的Dense对输入进行展平、点乘操作。
优选地，在步骤D中，利用一维卷积神经网络提取的拉曼光谱特征在训练集上构建极限学习机有机氯农药残留预测模型，利用测试集来测试预测的效果，验证模型性能。
从上面所述可以看出，本说明书一个或多个实施例提供的黄芪有机氯农药残留检测方法，采用拉曼光谱技术获取含有不同含量有机氯农药残留黄芪的拉曼光谱信息并进行残留预测解决现有黄芪有机氯农药残留检测方法存在的不足；提出一种新的一维卷积神经网络结构能够提取更多、更有效的特征信息，且可以有效避免过拟合等问题，配合极限学习机来实现农药残留的预测，非常适用于黄芪有机氯农药残留的快速、精准预测。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书一个或多个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施案例黄芪有机氯农药残留检测方法的流程图；
图2是本发明实施案例用于提取拉曼光谱特征的一维卷积神经网络的结构简图；
图3是本发明实施案例第一1D Conv Block单元结构图；
图4是本发明实施案例第二1D Conv Block单元结构图；
图5是本发明实施案例第三1D Conv Block单元结构图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，对本公开进一步详细说明。
需要说明的是，除非另外定义，本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
本发明在Windows 10环境下进行，采用Keras进行分析，并将TensorFlow作为其后端。
本说明书一个或多个实施例为了解决现在技术的全部或者部分不足提供了一种黄芪有机氯农药残留检测方法，所述的表征方法包括如下步骤：
(A)获取黄芪的拉曼光谱信息；
(B)对获取的黄芪的光谱信息进行样本划分；
(C)利用一维卷积神经网络从划分的黄芪光谱信息样本中提取拉曼光谱特征；
(D)利用提取的拉曼光谱特征构建极限学习机有机氯农药残留预测模型；
(E)通过构建的极限学习机有机氯农药残留预测模型输出检测结果；
为使本发明的目的、技术方案和有点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。本发明实施例提供的黄芪有机氯农药残留检测方法，所述检测方法包括的步骤如图1所示：
101：黄芪拉曼光谱信息的获取，拉曼检测模块选用海洋光学的ACCUMAN(SR-510Pro)便携式拉曼光谱仪，对含有不同含量有机氯农药残留的黄芪进行拉曼光谱的采集，黄芪的拉曼光谱数据，其光谱范围设定为200-2000cm-1。
102：黄芪光谱信息的样本划分，采用随机抽样法将黄芪的拉曼光谱数据按照训练集80％和测试集20％的比例划分为独立的训练集和测试集。
103：卷积神经网络的图像特征提取，用于提取拉曼光谱特征的一维卷积神经网络(1D-CNN)是一种包含三个一维卷积单元(1D Conv Block)的网络结构，主要包含标准化层、卷积层、池化层、全连接层等，其结构简图如图2所示，具体说明如下：
201：标准化层使用Keras中的批量标准化层BatchNormalization，其输出尺寸与输入一致；
202：卷积层使用Keras中的1D卷积层Conv1D，卷积核尺寸为3，卷积核数量为8；
203：池化层使用Keras中的1D最大池化MaxPooling1D，池化尺寸为2；
204：第一1D Conv Block单元使用Keras中的卷积层和池化层构成，其结构如图3所示，具体说明如下：
301：卷积层使用Keras中的1D卷积层Conv1D，卷积核尺寸为3，卷积核数量为8；
302：池化层使用Keras中的1D最大池化MaxPooling1D，池化尺寸为2；
205：第二1D Conv Block单元使用Keras中的卷积层和池化层构成，其结构如图4所示，具体说明如下：
401：卷积层使用Keras中的1D卷积层Conv1D，卷积核尺寸为3，卷积核数量为16；
402：池化层使用Keras中的1D最大池化MaxPooling1D，池化尺寸为2；
206：第三1D Conv Block单元使用Keras中的卷积层和池化层构成，其结构如图5所示，具体说明如下：
501：卷积层使用Keras中的1D卷积层Conv1D，卷积核尺寸为3，卷积核数量为32；
502：池化层使用Keras中的1D最大池化MaxPooling1D，池化尺寸为2；
特别地，在1D Conv Block模块的三个1D Conv Block单元中，所有卷积层的padding方式设置为same。
207：全连接层使用Keras中的Dense对输入进行展平、点乘操作；
208：输出的1D-CNN提取得到的黄芪的拉曼光谱特征将作为ELM的输入，用于构建模型和测试模型。
104：极限学习机有机氯农药残留预测模型构建，利用1D-CNN提取的拉曼光谱特征在训练集上构建ELM农药残留预测模型，确定ELM农药残留预测模型的核心参数(隐含层神经元数目)，然后利用测试集来测试预测的效果，验证模型性能。
通过构建的极限学习机有机氯农药残留预测模型输出检测结果。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本说明书一个或多个实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本说明书一个或多个实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本说明书一个或多个实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本说明书一个或多个实施例。因此，这些描述应被认为是说明性的而不是限制性的。
本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (8)

1.一种黄芪有机氯农药残留检测方法，其特征在于，包括以下步骤：
A：获取黄芪的拉曼光谱信息；
B：对获取的黄芪的光谱信息进行样本划分；
C：利用一维卷积神经网络从划分的黄芪光谱信息样本中提取拉曼光谱特征；
D：利用提取的拉曼光谱特征构建极限学习机有机氯农药残留预测模型；
E：通过构建的极限学习机有机氯农药残留预测模型输出检测结果。
2.根据权利要求1所述的黄芪有机氯农药残留检测方法，其特征在于：所述的步骤A中，利用拉曼光谱技术获取含有不同含量有机氯农药残留黄芪的拉曼光谱信息，得到黄芪的拉曼光谱数据集。
3.根据权利要求1所述的黄芪有机氯农药残留检测方法，其特征在于，所述利用拉曼光谱技术获取含有不同含量有机氯农药残留黄芪的拉曼光谱信息，得到黄芪的拉曼光谱数据集包括：
选用ACCUMAN SR-510 Pro便携式拉曼光谱仪对含有不同含量有机氯农药残留的黄芪进行拉曼光谱的采集，黄芪的拉曼光谱数据，其光谱范围设定为200-2000cm-1。
4.根据权利要求1所述的黄芪有机氯农药残留检测方法，其特征在于：所述的步骤B中，采用随机抽样法将获取的黄芪的拉曼光谱信息按照一定的比例划分为独立的训练集和测试集。
5.根据权利要求4所述的黄芪有机氯农药残留检测方法，其特征在于，训练集和测试集的划分比例为训练集80％，测试集20％。
6.根据权利要求1所述的黄芪有机氯农药残留检测方法，其特征在于：所述的步骤C中，用于提取拉曼光谱特征的一维卷积神经网络是一种包含三个一维卷积单元的网络结构，所述用于提取拉曼光谱特征的一维卷积神经网络还包括卷积层、标准化层、池化层和全连接层。
7.根据权利要求4所述的黄芪有机氯农药残留检测方法，其特征在于，所述标准化层使用Keras中的批量标准化层BatchNormalization，其输出尺寸与输入一致；
所述卷积层使用Keras中的1D卷积层Conv1D，卷积核尺寸为3，卷积核数量为8；
所述池化层使用Keras中的1D最大池化MaxPooling1D，池化尺寸为2；
所述全连接层使用Keras中的Dense对输入进行展平、点乘操作。
8.根据权利要求1所述的黄芪有机氯农药残留检测方法，其特征在于：所述的步骤D中，利用一维卷积神经网络提取的拉曼光谱特征在训练集上构建极限学习机有机氯农药残留预测模型，利用测试集来测试预测的效果，验证模型性能。
CN202011310841.4A 2020-11-20 2020-11-20 一种黄芪有机氯农药残留检测方法 Pending CN112345511A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011310841.4A CN112345511A (zh) 2020-11-20 2020-11-20 一种黄芪有机氯农药残留检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011310841.4A CN112345511A (zh) 2020-11-20 2020-11-20 一种黄芪有机氯农药残留检测方法

Publications (1)

Publication Number Publication Date
CN112345511A true CN112345511A (zh) 2021-02-09

Family

ID=74365275

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011310841.4A Pending CN112345511A (zh) 2020-11-20 2020-11-20 一种黄芪有机氯农药残留检测方法

Country Status (1)

Country Link
CN (1) CN112345511A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113569962A (zh) * 2021-07-30 2021-10-29 昆明理工大学 一种基于TFL-ResNet的残药智能识别方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110348538A (zh) * 2019-07-18 2019-10-18 安徽理工大学 一种多光谱光谱信息和1d-cnn的煤矸识别方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110348538A (zh) * 2019-07-18 2019-10-18 安徽理工大学 一种多光谱光谱信息和1d-cnn的煤矸识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
冯德建 等: "农药中非登记成分检测方法研究进展及相关标准分析", 中国测试, vol. 44, no. 11, pages 1 *
桂江生;顾敏;吴子娴;包晓安;: "基于高光谱图像的西兰花表面多种农药残留检测", 浙江大学学报(农业与生命科学版), no. 05 *
翁士状 等: "动态表面增强拉曼光谱在敌瘟磷快速定量分析中的应用", 光谱学与光谱分析, vol. 38, no. 2, pages 2 *
赵勇;荣康;谈爱玲;: "基于一维卷积神经网络的雌激素粉末拉曼光谱定性分类", 光谱学与光谱分析, no. 12 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113569962A (zh) * 2021-07-30 2021-10-29 昆明理工大学 一种基于TFL-ResNet的残药智能识别方法

Similar Documents

Publication Publication Date Title
CN107677647B (zh) 基于主成分分析和bp神经网络的中药材产地鉴别方法
Yang et al. Integration of SIMCA and near-infrared spectroscopy for rapid and precise identification of herbal medicines
Wong et al. Differentiating Puerariae Lobatae Radix and Puerariae Thomsonii Radix using HPTLC coupled with multivariate classification analyses
EP3907493A1 (en) Chemical pattern recognition method for evaluating quality of traditional chinese medicine based on medicine effect information
Cheng et al. Infrared spectroscopic studies of Chinese medicines
CN106841083A (zh) 基于近红外光谱技术的芝麻油品质检测方法
Dong et al. Deep learning for geographical discrimination of Panax notoginseng with directly near-infrared spectra image
Sun et al. Identification of genuine and adulterated pinellia ternata by mid-infrared (MIR) and near-infrared (NIR) spectroscopy with partial least squares-discriminant analysis (PLS-DA)
CN112161965B (zh) 检测中药药性的方法、装置、计算机设备和存储介质
Wang et al. Authentication of Dendrobium species using Near-Infrared and Ultraviolet–Visible spectroscopy with chemometrics and data fusion
Lei et al. Identification of different bran-fried Atractylodis Rhizoma and prediction of atractylodin content based on multivariate data mining combined with intelligent color recognition and near-infrared spectroscopy
Wang et al. Application of a data fusion strategy combined with multivariate statistical analysis for quantification of puerarin in Radix puerariae
CN112345511A (zh) 一种黄芪有机氯农药残留检测方法
Sun et al. Discrimination of Polygoni Multiflori radix and Cynanchi Auriculati radix using ultra‐high performance liquid chromatography fingerprints and chemical pattern recognition
CN101664495A (zh) 一种中药六味地黄丸生产过程的近红外光谱在线检测方法
Si et al. Nondestructive qualitative and quantitative analysis of Yaobitong capsule using near-infrared spectroscopy in tandem with chemometrics
Zhang et al. Quantitative real-time release testing of rhubarb based on near-infrared spectroscopy and method validation
Ding et al. Quality assessment of traditional Chinese medicine based on data fusion combined with machine learning: A review
CN107607485A (zh) 一种鉴别三叶青产地的方法
Zhang et al. Discrimination of geographical origin and adulteration of radix astragali using fourier transform infrared spectroscopy and chemometric methods
Zhang et al. Recent trends of machine learning applied to multi-source data of medicinal plants
CN109507123A (zh) 一种基于紫外可见漫反射光谱及化学模式识别的当归及其相似品的鉴别方法
Liu et al. Chemical fingerprinting of wild germplasm resource of Ophiopogon japonicus from Sichuan basin, China by RP-HPLC coupled with hierarchical cluster analysis
Li et al. Non-targeted analytical technology in herbal medicines: applications, challenges, and perspectives
CN116541750A (zh) 一种薏苡仁产地的鉴别方法、终端设备及存储介质

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