CN112730643B - 基于可视化融合技术表征腐乳风味的方法及装置 - Google Patents

基于可视化融合技术表征腐乳风味的方法及装置 Download PDF

Info

Publication number
CN112730643B
CN112730643B CN202011415170.8A CN202011415170A CN112730643B CN 112730643 B CN112730643 B CN 112730643B CN 202011415170 A CN202011415170 A CN 202011415170A CN 112730643 B CN112730643 B CN 112730643B
Authority
CN
China
Prior art keywords
bean curd
fermented bean
taste
color
sample
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
Application number
CN202011415170.8A
Other languages
English (en)
Other versions
CN112730643A (zh
Inventor
黄星奕
张晓瑞
王成全
任晓锋
田潇瑜
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.)
Jiangsu University
Original Assignee
Jiangsu 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 Jiangsu University filed Critical Jiangsu University
Priority to CN202011415170.8A priority Critical patent/CN112730643B/zh
Publication of CN112730643A publication Critical patent/CN112730643A/zh
Application granted granted Critical
Publication of CN112730643B publication Critical patent/CN112730643B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/04—Preparation or injection of sample to be analysed
    • G01N30/06—Preparation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/86—Signal analysis
    • G01N30/8675—Evaluation, i.e. decoding of the signal into analytical information
    • 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
    • G01N33/0001—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00 by organoleptic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30128—Food products

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Library & Information Science (AREA)
  • Quality & Reliability (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了基于可视化融合技术表征腐乳风味的方法及装置，属于发酵豆制品风味表征及品质检测技术领域。选取不同品牌腐乳作为样本，采用GC‑MS确定腐乳的特征气味物质，按照化学方法测定样本的理化指标。根据腐乳的气味和滋味物质筛选色敏材料，构建腐乳风味表征的色敏传感器阵列。将腐乳样品的气味物质和滋味物质分别与可视化色敏传感器阵列进行反应后，获取反应前后的图像，将嗅觉及味觉可视化信息进行数据层融合并经过特征提取，利用模式识别算法建立相应的定性判别和定量预测模型，从而实现对腐乳风味的表征。本发明中的方法具有操作简单、可视化的特点，可以实现对腐乳的风味表征及品质快速检测。该发明中的装置具有结构简单、易组装的优点。

Description

基于可视化融合技术表征腐乳风味的方法及装置
技术领域
本发明涉及一种基于可视化融合技术的腐乳风味表征方法及装置，属于发酵豆制品风味表征及品质快速检测技术领域。应用此方法可以实现腐乳品牌的快速判别及腐乳风味的表征。
背景技术
腐乳是指以大豆为主要原料，经过磨浆、制坯、培菌、发酵而制成的调味和佐餐制品。作为我国一种具有浓郁地域特色的传统发酵大豆制品，拥有独特的香气和滋味，而且质地细腻柔滑，富含各种丰富的营养物质。深受国内外人民的喜爱，被称为“中国干酪(Chinese Cheese)”。由于是以大豆为原料，经过微生物发酵作用而成，所以营养成分与大豆相似，但却比大豆更容易被人体吸收。腐乳中含有大量的磷、钙、B族维生素、游离氨基酸、游离脂肪酸、以及醇和有机酸，多肽，单糖等营养物质，有益于人体的健康。作为一种调味和佐餐的发酵豆制品，腐乳的风味是其非常重要的感官特性，主要是指气味和滋味。风味的好坏能够决定消费者是否接受和购买。实现腐乳风味的表征和品质的快速检测，对于改进腐乳的生产工艺，促进腐乳产业的规范化发展具有重要的意义。
当前，我国对于腐乳风味的检测主要依据SB/T 10170-2007中，采用理化指标和人工感官评定对腐乳风味品质进行评价，但传统的化学检测方法预处理复杂，耗时、无法实现快速检测，并使用大量的有毒化学试剂，易对实验人员身体有一定的损害。人工感官评定存在主观性强，难以量化的缺点。因此，随着传统食品现代化的发展，采用快速化、多信息融合的技术实现腐乳等传统发酵制品的风味表征和品质快速化检测具有重要的意义。
近些年来，在食品风味的检测中，模拟人类嗅觉和味觉的电子鼻和电子舌等技术得到了发展。经过相关文献检索发现，目前采用的电子鼻和电子舌系统较多为商业化通用仪器，价格比较昂贵，其传感器大都靠物理吸附的方式，即通过范德华力(一种较弱的分子间作用力)作用，因此，像此类传统的传感器会存在选择性差、灵敏度低、检测范围窄、容易受到空气湿度的影响等缺点。可视化技术是一种新型的食品风味检测方法，该技术是将可视化传感器与待测样品的气味和滋味成分发生反应，从而使传感器色敏单元的颜色会发生改变，通过数据分析实现对样品的定性和定量。相比于电子鼻和电子舌技术，可视化技术具有更加直观，快捷，传感器制作简单等优点。并且，其传感器不仅利用色敏材料与待测样本之间弱的范德华力，还引入了金属键、极性键等较强的化学键。目前，可视化在食品及农产品检测领域得到了一定的发展，但较多的集中在采用嗅觉可视化对食品挥发性气味成分的检测中，如专利号：201010262347.5，一种基于嗅觉可视化检测鱼新鲜度的方法及装置；专利号：20181157350.3，一种基于嗅觉可视化阵列得腊肠快速分级方法；单一传感技术来检测，往往无法全面反应产品的信息。专利号：201310123159.8，一种基于嗅觉和味觉传感器融合的镇江香醋储藏时间鉴别方法，在单一传感技术检测的基础上进行了改进，采用了多信息传感融合，但对气味和滋味采用了不同类型的传感器，不利于开发一体化设备。专利号；201710540958.3，一种可视化味觉、嗅觉融合传感器的制作方法，提出了将嗅觉和味觉传感器一体化的构思。但在对半固体类样品测定过程中，气味和滋味信息的获取，样品所呈现的状态不同，因此，该传感器在实际应用过程中会存在一些难度。为了方便应用于实际生产过程中，开发一体化风味检测仪器，并考虑到人体自身的嗅觉和味觉器官也是单独分别获取信息的，因此本发明在此基础上进行了改进，分别采用嗅觉可视化和味觉可视化检测样本的嗅觉和味觉信息，然后采用数据融合的方法，实现对样本的风味表征和品质检测。同时，设计了集嗅觉检测和味觉检测于一体的可视化风味检测装置。
经过检索相关文献及专利，腐乳的研究集中在工艺改进及微生物方面的研究，利用可视化融合技术对腐乳风味的表征及品质的快速检测还鲜有报道。
本发明针对上述的现实问题，开发一种基于可视化融合技术的腐乳风味表征方法，利用自制的可视化检测装置，结合多信息传感技术融合实现对腐乳风味表征及品质快速检测。对于推进我国传统酿造食品的品质检测和风味表征以及工业化机械化的发展，具有重要的意义。本发明不仅对相关部门和企业制定腐乳风味评判方法具有重要的指导意义，而且对我国未来腐乳产业的发展影响深远。
发明内容
为了克服现有检测技术的不足，本发明旨在提供一种基于可视化融合技术的腐乳风味表征的方法及装置，该方法和装置具有检测速度快，成本低，检测精度高、检测范围宽的特点。可以实现腐乳品牌的快速判别和腐乳风味的表征。
本发明所采用的方案概述为：
根据气相色谱-质谱联用技术(Gas Chromatography-Mass Spectrometer，GC-MS)对多产地不同品牌腐乳的挥发性气体进行了检测，并对特征性气体成分进行了分析，筛选出了相应的色敏材料，从而构建气味色敏传感器阵列。根据SB/T 10170-2007中的方法，对腐乳的总酸、氨基酸态氮、食盐进行测定，采用3,5-二硝基水杨酸(DNS)显色法对还原糖进行测定。根据腐乳的特征滋味性物质，筛选相应的味觉传感器色敏材料，构建相应的味觉传感器。样品气体成分与滋味物质分别与相应的色敏传感器充分反应后，通过自制的可视化装置和传感器阵列采集传感器阵列反应前后的图像，反应前后传感器中每个敏感单元的红绿蓝(Red、Green、Blue，RGB)三通道的灰度均值经过特征提取后，组成被测样本的气味和滋味特征矩阵。所获得的气味和滋味特征矩阵采用数据融合处理方法建立判别模型，实现不同产地不同品牌腐乳的判别和腐乳风味的表征。
本发明采用的技术方案如下：一种基于可视化融合技术的腐乳风味表征方法，按照下述步骤进行：
步骤1：样品的选取及预处理
样品选择市场上有代表性的红方腐乳作为研究对象。在反应前，腐乳样品用研钵研磨至均匀且无明显粗颗粒。
步骤2：采用GC-MS检测腐乳样品中的挥发性风味物质，根据各物质的含量和阈值，确定腐乳的主体特征挥发性风味物质；根据行业标准(SB/T 10170-2007)采用化学分析方法测定代表腐乳滋味的理化指标的含量。
步骤3：根据特征性气味物质和滋味物质进行可视化色敏材料的筛选、可视化色敏传感器的制备；
步骤4：利用自制的可视化装置和传感器阵列分别对不同品牌腐乳的挥发性气体成分和滋味物质进行检测，并利用相机获取色敏传感器阵列与样品反应前后的图像；
步骤5：对采集到的嗅觉传感信息和味觉传感信息，采用图像处理方法进行数据预处理和特征变量的提取，共同形成代表腐乳风味的特征矩阵，进一步采用多种模式识别算法对数据层融合后的特征矩阵进行数据处理，从而构建腐乳风味的表征模型，实现对不同品牌腐乳进行判别和相应理化指标的定量预测。
其中步骤1中，气味成分检测的样本为1g研磨均匀的腐乳。滋味成分的检测是称取3g样品用去离子水定容至100mL，并用滤纸过滤后待测。
其中步骤2中，利用GC-MS技术确定腐乳的特征性挥发性风味物质，具体实施步骤如下进行：
称取3g研磨均匀的样品，加入3mL去离子水，加入3μL邻二氯苯作为内标，放入15mL萃取瓶中，于60℃恒温水浴中平衡10分钟。通过固相微萃取(solid-phasemicroextraction，SPME)的方式萃取挥发性成分。将萃取头从瓶盖的橡胶垫插入样品的顶空部分，推出纤维头距液面1.5cm左右，顶空吸附40min，搅拌转速250rpm，完成萃取操作；抽出纤维头，将萃取头插入GC-MS仪器的进样口，推出纤维头，于250℃下解吸5min后取下萃取头，完成样品的进样；
步骤2中，使用Agilent 6890-5973质谱联用仪，相关实验条件设定，色谱条件：DB-WAX型色谱柱(60m*0.25mm*0.25μm)，载气流量为1.0mL/min，不分流，进样口温度为250℃，柱温：初始温度为40℃，保持5min，再以4℃/min的速度升温至130℃，保持1min，最后以10℃/min的速度升温至220℃，保持5min。质谱条件：离子源温度230℃，接口温度是250℃。电离方式：电轰击电离(EI)；电子能量70eV；质谱扫描范围为m/z 40-350，通过电化学工作站采集并处理数据。将GC-MS所得结果与谱图库进行比对，结合相关文献对腐乳中的挥发性气味物质谱图进行解析来确定腐乳的特征气味物质。
步骤2中，确定的挥发性物质主要有乙醇、乙酸乙酯、己酸乙酯、辛酸乙酯、十六酸乙酯、苯甲醛、苯乙醛、苯乙醇等，主要是酯类和醇类物质。
步骤2中，代表腐乳滋味的理化指标主要包括；总酸(酸味)、氨基酸态氮(鲜味)、食盐(咸味)、还原糖(甜味)。
其中步骤3中，根据步骤2确定出的腐乳挥发性特征物质，筛选出对这些气体敏感的色敏材料，主要包括卟啉及其衍生物、pH指示剂共16种色敏材料。具体为：其中包括8种卟啉类化合物，具体为：四苯基卟啉、四苯基卟啉铁、四苯基卟啉钴、四甲氧基苯基卟啉钴、3-甲基苯基卟啉、四苯基卟啉铜、5,10,15,20-四(五氟苯基)卟啉氯化铁、四苯基卟啉锌；以及8种pH指示剂，甲基红、溴甲酚紫、溴甲酚绿、溴邻苯三酚红、中性红、溴酚蓝、四溴酚蓝、甲酚红。
其中步骤3中，根据步骤2代表腐乳滋味的相应指标，结合查阅的相关文献，筛选出对滋味物质敏感的色敏材料，主要包括卟啉及其衍生物，几乎不溶于水的pH指示剂共16种色敏材料，具体为：四苯基卟啉、四苯基卟啉铁、四苯基卟啉钴、四甲氧基苯基卟啉钴、3-甲基苯基卟啉、四苯基卟啉铜、氯化5，10,15,20-四苯基卟啉锰、5,10,15,20-四(五氟苯基)卟啉氯化铁、四苯基卟啉锌、甲基红、溴甲酚绿、溴甲酚紫、中性红、溴酚蓝、四溴酚蓝、甲酚红。将所筛选的色敏材料溶于二氯甲烷或氯仿等有机溶剂中，pH指示剂使用无水乙醇作为溶剂，配置成2mg/mL的溶液。
可视化色敏传感器阵列的制备，按照下述步骤进行：配制好的色敏材料放于黑暗环境中进行保存，使用时，采用微量毛细管将2μL的色敏材料固定到4cm×4cm的反相硅胶板(或聚偏二氟乙烯膜PVDF)上，制成气味色敏传感器。味觉传感器则采用混合纤维素酯作为基板材料。等色敏材料在基底材料上挥发至稳定后，将色敏传感器阵列保存于密封袋中进行保存，以备后续实验使用。
其中步骤4中，腐乳样品的挥发性气体和滋味物质的检测，反应前后图像获取，可按照下述步骤进行：反应前利用相机采集传感器反应前的图像，然后将腐乳样品放置在样品室的样品烧杯中，通过真空泵将腐乳挥发性气味物质传输进反应室，气味色敏传感器与腐乳样品进行充分反应后，采集传感器反应后的图像。检测腐乳的滋味物质时，先将味觉传感器与去离子水反应，采集反应前后图像变化，作为空白对照。然后，通过液体泵将经过处理的腐乳滋味物质提取液与味觉色敏传感器经过充分反应，采集反应后的图像。
其中所述步骤5中，传感器阵列的图像特征提取，可按照下述步骤进行：相机采集到的反应前后的每幅图像为RGB三通道彩色图像，利用计算机将图像分别分解为三幅单通道灰度图像，分别对应原始图像的R通道、G通道以及B通道；利用图像处理算法定位敏感单元的位置，将传感器阵列反应前后各敏感单元的灰度均值作差，得到灰度均值的差值，这些差值即为敏感单元的特征值，如，ΔR＝Ra-Rb，ΔG＝Ga-Gb,ΔB＝Ba-Bb。其中，下标为a表示反应后的值，下标为b表示反应前的值。根据步骤3的筛选方法，嗅觉传感器由p个色敏材料组成，味觉可视化传感器由q个色敏材料组成，嗅觉传感器获得了3p个特征变量，嗅觉传感器获得了3q个特征变量。所有敏感单元的特征值组合后即得到特征矩阵。
其中所述步骤5中，可视化数据的融合按照下述步骤进行：
多传感器信息融合技术具有数据层、特征层和决策层三种不同的层次。在这三个层次中，传感器融合过程在原始数据层面融合效果较好。本发明采用度量相同的传感器，因此选择先在原始数据层融合后，再通过各种模式识别算法进行判别。
经过图像特征提取后，每个样品得到了气味和滋味两方面的信息，嗅觉可视化传感器阵列数据提取之后，得到样品的气味信息特征矩阵S；味觉可视化传感器阵列数据提取之后，得到样品的滋味信息矩阵T，将嗅觉和味觉信息进行数据层融合，得到同时含有腐乳气味和滋味信息的特征矩阵F。
其中所述步骤5中，可视化数据的融合算法为：首先，将气味信息特征矩阵S和滋味信息特征矩阵T通过数据层融合形成了同时包含气味信息和滋味信息的融合矩阵F。假设S和T是m×n矩阵，其中，m代表样品数，n代表特征变量数，其数值主要根据步骤3中，嗅觉和味觉传感器选择的色敏材料数目来确定，气味信息矩阵中n＝3p，滋味信息矩阵中n＝3q。融合矩阵F是由矩阵S和T组成的m×r矩阵，其中r＝3p+3q(r代表嗅觉和味觉融合后的特征变量数、p代表嗅觉传感器的色敏单元个数、q代表味觉传感器的色敏单元个数)。然后，特征矩阵F利用主成分分析(PCA)进行数据降维后，可以得到含有腐乳气味和滋味特征信息的特征矩阵E。最后，采用K-最近邻法(KNN)、支持向量机(SVM)模式识别算法实现对不同品牌腐乳的定性判别。利用偏最小二乘法(PLS)实现对理化指标的定量预测。
本发明一种基于可视化融合技术的腐乳风味表征的装置，该装置主要包括样品样品室、反应室、发光二极管(Light Emitting Diode，LED)环形光源、色敏传感器阵列、卡槽以及电荷耦合器件(Charge Coupled Device，CCD)工业相机和计算机。其中，样品室是为样品的集气过程以及样品提取液提供一个合适环境，包括对温度和湿度等条件的设置。反应室的材质和设计对于实验的好坏至关重要，其外壳采用不锈钢加工而成，上方使用透光性好的光学玻璃与壳体紧密结合，反应室两侧设有与外界联通的管道，可通过真空泵和液体泵来控制气体和液体的进出。反应室还设有放置传感器的凹槽，大小与色敏传感器相符，位置位于相机视野中，可以获得稳定的图像数据。CCD工业相机位于反应室的上方，可通过可调支架进行固定安装，并且相机与计算机相连接，用于获取反应前后的色敏传感器阵列的特征图像。其中，计算机可以利用相应的模式识别方法对数据进行处理。同时上述提及的LED环形光源分布置反应室内端顶部，用于为图像采集提供稳定的光源。
本发明的有益效果：本发明提出的一种基于可视化融合技术的腐乳风味表征方法，目前尚未见报道，是将可视化融合技术应用于传统发酵食品检测的一种积极探索。并且，本发明与理化检测分析和人工感官评价相比具有操作简单方便、直观可视化、结果相对客观的特点，对于腐乳等传统发酵制品的风味检测和质量控制具有实际意义。
附图说明
图1是一种基于可视化融合技术的腐乳风味表征的装置图
1.样品室；2.烧杯；3.导轨；4.图像采集室；5.CCD相机；6.数据采集卡7.恒温加热装置；8.样品；9.微型真空泵(液体泵)；10.透明光学玻璃板；11.色敏传感器；12.反应室；13.活性炭过滤器；14.LED环形光源；15.计算机
图2是反应室的俯视图
图3是不同品牌腐乳的单一气味信息PCA分类结果
图4是不同品牌腐乳的单一味觉信息PCA分类结果
图5是不同品牌腐乳的可视化融合信息PCA分类结果
图6是基于数据层融合的可视化融合对腐乳品牌判别的KNN结果
图7是基于特征层融合的可视化融合对腐乳品牌判别的KNN结果
图8是基于可视化融合技术的总酸含量的PLS模型预测结果
具体实施方式：
下面结合附图和实施例，对本发明的具体实施方式做进一步详细的描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本发明基于可视化融合技术的腐乳风味表征的装置，由样品室1、图像采集室4、反应室12、传感器阵列11、CCD工业相机5、计算机15等组成。样品8放置于样品烧杯2中，样品烧杯2位于恒温加热装置7上方，可以用来调节样品合适的温度。样品烧杯2顶端一边通过活性炭过滤器13连接外界，保持压强稳定。另一端与微型真空泵或液体泵9连接，用来将腐乳的挥发性气体或滋味物质提取液传输到反应室12中。色敏传感器11位于反应室12中开设的凹槽中，并能与挥发性气体或滋味物质充分反应。反应室12上方顶盖是透明光学玻璃板10，便于CCD相机5采集反应前后的图像并传输于计算机15进行数据处理。环形LED光源14位于CCD相机5和反应室12之间，提供稳定的光照。
实施例1：一种基于可视化融合技术的腐乳风味表征方法，主要包括以下步骤：
(1)实施样本选择市场有代表性的6种红方腐乳，分别是产地为北京的王致和和老才臣腐乳，产地为浙江的咸亨腐乳，产地为江苏的三和四美、新中腐乳，产地为上海的鼎丰小红乳。每种品牌3个批次，每个批次6个样本，共计108个样本。
(2)GC-MS确定特征性气味物质过程如下：称取3g研磨均匀的样品，加入3mL去离子水，加入3μL邻二氯苯作为内标，放入15mL萃取瓶中，放入60℃恒温水浴中10分钟。将萃取头从瓶盖的橡胶垫插入样品的顶空部分，推出纤维头距液面1.5cm左右，顶空吸附40min，搅拌转速250rpm，完成萃取操作；抽出纤维头，将萃取头插入GC-MS的气相色谱进样口，推出纤维头，于250℃下解吸5min后取下萃取头，完成样品的进样；使用Agilent 6890-5973质谱联用仪，相关实验条件设定，色谱条件：DB-WAX型色谱柱(60m*0.25mm*0.25μm)，载气He流量为1.0mL/min，不分流，进样口温度为250℃，柱温：初始温度为40℃，保持5min，再以4℃/min的速度升温至130℃，保持1min，最后以10℃/min的速度升温至220℃，保持5min。质谱条件：离子源温度230℃，接口温度是250℃。电离方式：EI；电子能量70eV；质谱扫描范围为m/z 40-350，通过电化学工作站采集并处理数据。将GC-MS所得结果与谱图库进行比对，结合相关文献对腐乳中的挥发性气味物质谱图进行解析来确定腐乳的特征气味物质。
(3)采用腐乳行业标准SB/T 10170-2007中的方法，测定腐乳样品的总酸、氨基酸态氮、食盐和还原糖的含量。总酸和氨基酸态氮的检测方法为甲醛滴定法，食盐的检测方法为硝酸银滴定法，还原糖的检测方法为3,5-二硝基水杨酸(DNS)显色法。
(4)根据确定出的腐乳挥发性特征物质，筛选出对这些气体敏感的色敏材料，主要包括卟啉及其衍生物、pH指示剂共16种色敏材料。具体为：其中包括8种卟啉类化合物，具体为：四苯基卟啉、四苯基卟啉铁、四苯基卟啉钴、四甲氧基苯基卟啉钴、3-甲基苯基卟啉、四苯基卟啉铜、5,10,15,20-四(五氟苯基)卟啉氯化铁、四苯基卟啉锌；以及8种pH指示剂，甲基红、溴甲酚紫、溴甲酚绿、溴邻苯三酚红、中性红、溴酚蓝、四溴酚蓝、甲酚红。将所筛选的色敏材料溶于二氯甲烷或氯仿等有机溶剂中，将pH指示剂使用无水乙醇作为溶剂，配置成2mg/mL的溶液。可视化色敏传感器阵列的制备：配置好的色敏材料放于黑暗环境中进行保存，使用时，利用微量毛细管将2μL的色敏材料固定到4cm×4cm的反相硅胶板上，等色敏材料在基底材料上挥发至稳定后，用于接下来的实验。
(5)根据腐乳的滋味性物质，筛选出对滋味物质敏感的色敏材料，包括卟啉及其衍生物、pH指示剂共计16种，通过毛细管将其固定在亲水性混合纤维素酯膜上。
(6)将色敏传感器放置在反应室的凹槽中，打开环形LED光源，计算机控制相机采集色敏传感器反应前的图像。
(7)检测腐乳的挥发性气体成分时，打开真空泵，充分将反应室中排除干扰气体。样品放置在样品室中的烧杯中，通过真空泵将样品的挥发性气体通过管道输入到反应室中，与色敏传感器充分反应，控制相机采集色敏传感器与样品挥发性气体反应后的图像，并将图像传输给计算机。
(8)检测腐乳的滋味物质时，先将味觉传感器与去离子水反应，采集反应后图像，作为空白对照。通过液体泵，将腐乳滋味提取液充分与味觉传感器反应，获取反应后的图像。
(9)计算机对采集的图像，进行中值滤波、阈值分割、特征区域提取，获取色敏传感器上每个敏感单元与腐乳样品反应前后的R、G、B灰度均值。并将反应前后的值做差值得到ΔR＝Ba-Bb，ΔG＝Ga-Gb,ΔB＝Ba-Bb。所得的差值即为传感器的响应值，根据前面所提及到的，嗅觉传感器由p个色敏材料组成，味觉可视化传感器由q个色敏材料组成，每个敏感单元包含RGB三个通道的值，嗅觉传感器获得了3p个特征变量，嗅觉传感器获得了3q个特征变量，将嗅觉和味觉信息进行数据层融合，共有3p+3q个特征变量组成表征不同品牌腐乳风味的融合特征矩阵。经过图像特征提取后，每个样品得到了气味和滋味两方面的信息。嗅觉可视化传感器阵列数据提取之后，得到样品的气味信息特征矩阵S；味觉可视化传感器阵列数据提取之后，得到样品的滋味信息矩阵T，将气味和滋味信息进行数据层融合，得到同时含有腐乳气味和滋味信息的特征矩阵F。在本实施例中，S、T均为m×n的矩阵，其中m代表样品数，n代表特征变量数，代表气味信息的矩阵S中，n＝3p；代表滋味信息的矩阵T中，n＝3q。矩阵F为由矩阵S和矩阵T组成的m×r的矩阵,其中r＝3p+3q。在本实施例中，m＝108，p＝16，q＝16，n＝48，r＝96。
Figure BDA0002819917460000121
Figure BDA0002819917460000131
首先，将矩阵S、T、F数据分别经过PCA方法处理，得出基于气味和滋味特征融合方法的分类效果(如图5)要明显好于单一气味特征(如图3)和单一滋味特征(如图4)。说明融合技术要明显好于单一技术。
其次，对于可视化数据采用了数据层融合技术后进行相应模式识别，具体按照下述步骤进行：数据层融合矩阵F，经过PCA处理后，选择前w个主成分数据组成了新的特征矩阵E，在本实施例中，前10个主成分贡献率达到了94.15％，前20个主成分贡献率达到了97.47％，可以代表绝大部分的信息，为了与传统的特征层融合相比较，此处w取20。
Figure BDA0002819917460000132
然后，对矩阵E按照2：1比例采用随机分组算法分组，选择其中的2/3作为训练集，1/3作为测试集构建预测模型。采用KNN、SVM模式识别算法对腐乳进行分类判别。其中，KNN是一种根据待识样本在特征空间中K个最邻近样本中的多数样本的类别来进行分类的方法。本质在于取未知样本x的K个近邻，看这K个近邻属于哪一类，就把x归为哪一类。设M个样本中，M1个来自a1类，M2个来自a2类，…，Mc个来自ac类，若k1，k2，…，kc分别是K个近邻中属于a1，a2，…，ac类的样本数，则定义判别函数为gi(x)＝ki，i＝1，2，…，c。决策规则为，若gj(x)＝maxki，则x∈aj。
SVM模式识别算法在解决小样本、非线性及高维模式识别中具有很大的优势。模型的核函数选择采用了径向基函数K(x,xi)＝exp(-g||x-xi||2),g＞0，采用网格寻优算法和5折交叉验证法优化惩罚参数c，核函数参数g。
根据以上原理和步骤，通过数据层数据融合后，在KNN模型中，当PCs＝11，K＝2时，预测集识别准确率达到了98.96％(图6)。在SVM模型中，当c＝0.0039，g＝0.125时，预测集的识别准确率为100％；而通过特征层数据融合后，在KNN模型中，当PCs＝11，K＝2时，预测集识别准确率只达到73.96％，当PCs＝20时，预测集识别准确率才能达到98.96％(图7)，在SVM模型中，当c＝0.0039，g＝0.0039时，预测集的识别准确率为100％，结果表明，对于度量相同的可视化传感器数据融合，采用数据层融合可以保留更多的样本信息，建模效果要比通过特征层融合的较好。同时，KNN模型和SVM模型能够很好地实现对腐乳的定性判别。
(11)代表腐乳滋味信息的四个理化指标，组成了4×m的特征矩阵Y，Y＝(Y1，Y2，Y3，Y4)，其中m代表样本数，Y1，Y2，Y3，Y4均为1×m矩阵，分别存放总酸、氨基酸态氮、食盐、还原糖含量的数据。将可视化融合数据与代表腐乳滋味的理化指标建立偏最小二乘回归(PLS)定量预测模型。偏最小二乘法(PLS)是一种多对多线性回归建模的方法，当两组变量的个数很多，且存在多重相关性，而观测数据的数量(样本量)又较少时，用偏小二乘回归建立的模型具有传统的经典回归分析等方法所没有的优点。其中，总酸含量预测模型中，训练集R2c＝0.9295，RMSECV＝0.0564，预测集R2p＝0.7610，RMSEP＝0.1050；氨基酸态氮含量、食盐含量、还原糖含量等建立的模型，也都实现了较好的预测。表明通过可视化融合技术对腐乳的相关理化指标含量进行定量预测是可行的。以总酸含量预测结果图为例(如图8)。
(12)利用未知样本对该方法进行验证实验，调用已经建立好的腐乳品牌判别模型，将数据输入模型，即可对未知腐乳样本进行品牌判别和相应理化指标含量预测，从而实现利用可视化融合技术对腐乳风味的表征。以上结果表明，本研究建立的基于可视化融合技术的腐乳风味表征方法是可行且有效的。
上述实施例仅为明晰本发明检测过程所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围之中。

Claims (1)

1.一种基于可视化融合技术的腐乳风味表征方法，其特征在于按照下述步骤进行：
步骤1：样品的选取及预处理
样品选择市场上有代表性的红方腐乳作为研究对象；在反应前，腐乳样品用研钵研磨至均匀且无明显粗颗粒；
步骤2：采用GC-MS检测腐乳样品中的挥发性风味物质，根据各物质的含量和阈值，确定腐乳的主体特征挥发性风味物质；根据行业标准SB/T 10170-2007采用化学分析方法测定代表腐乳滋味的理化指标的含量；
步骤3：根据特征性气味物质和滋味物质进行可视化色敏材料的筛选、可视化色敏传感器的制备；
步骤4：利用自制的可视化装置和传感器阵列分别对不同品牌腐乳的挥发性气体成分和滋味物质进行检测，并利用相机获取色敏传感器阵列与样品反应前后的图像；
步骤5：对采集到的嗅觉传感信息和味觉传感信息，采用图像处理方法进行数据预处理和特征变量的提取，共同形成代表腐乳风味的特征矩阵，进一步采用多种模式识别算法对数据层融合后的特征矩阵进行数据处理，从而构建腐乳风味的表征模型，实现对不同品牌腐乳进行判别和相应理化指标的定量预测；
其中步骤1中，气味成分检测的样本为1g研磨均匀的腐乳；滋味成分的检测是称取3g样品用去离子水定容至100mL，并用滤纸过滤后待测；
其中步骤2中，利用GC-MS技术确定腐乳的特征性挥发性风味物质，具体实施步骤如下进行：
称取3g研磨均匀的样品，加入3mL去离子水，加入3μL邻二氯苯作为内标，放入15mL萃取瓶中，于60℃恒温水浴中平衡10分钟；通过固相微萃取(solid-phase microextraction，SPME)的方式萃取挥发性成分；将萃取头从瓶盖的橡胶垫插入样品的顶空部分，推出纤维头距液面1.5cm左右，顶空吸附40min，搅拌转速250rpm，完成萃取操作；抽出纤维头，将萃取头插入GC-MS仪器的进样口，推出纤维头，于250℃下解吸5min后取下萃取头，完成样品的进样；
步骤2中，使用Agilent 6890-5973质谱联用仪，相关实验条件设定，色谱条件：DB-WAX型色谱柱60m*0.25mm*0.25μm，载气流量为1.0mL/min，不分流，进样口温度为250℃，柱温：初始温度为40℃，保持5min，再以4℃/min的速度升温至130℃，保持1min，最后以10℃/min的速度升温至220℃，保持5min；质谱条件：离子源温度230℃，接口温度是250℃；电离方式：电轰击电离(EI)；电子能量70eV；质谱扫描范围为m/z 40-350，通过电化学工作站采集并处理数据；将GC-MS所得结果与谱图库进行比对，结合相关文献对腐乳中的挥发性气味物质谱图进行解析来确定腐乳的特征气味物质；
步骤2中，确定的挥发性物质包括酯类和醇类物质，具体包括乙醇、乙酸乙酯、己酸乙酯、辛酸乙酯、十六酸乙酯、苯甲醛、苯乙醛和苯乙醇；
步骤2中，代表腐乳滋味的理化指标包括：酸表征酸味、氨基酸态氮表征鲜味、食盐表征咸味、还原糖表征甜味；
其中步骤3中，根据步骤2确定出的腐乳挥发性特征物质，筛选出对这些气体敏感的色敏材料，包括卟啉类化合物、pH指示剂共16种色敏材料；具体为：8种卟啉类化合物，四苯基卟啉、四苯基卟啉铁、四苯基卟啉钴、四甲氧基苯基卟啉钴、3-甲基苯基卟啉、四苯基卟啉铜、5,10,15,20-四(五氟苯基)卟啉氯化铁、四苯基卟啉锌；以及8种pH指示剂，甲基红、溴甲酚紫、溴甲酚绿、溴邻苯三酚红、中性红、溴酚蓝、四溴酚蓝、甲酚红；
其中步骤3中，根据步骤2代表腐乳滋味的相应指标，结合查阅的相关文献，筛选出对滋味物质敏感的色敏材料，包括卟啉类化合物，几乎不溶于水的pH指示剂共16种色敏材料，具体为：四苯基卟啉、四苯基卟啉铁、四苯基卟啉钴、四甲氧基苯基卟啉钴、3-甲基苯基卟啉、四苯基卟啉铜、氯化5，10,15,20-四苯基卟啉锰、5,10,15,20-四(五氟苯基)卟啉氯化铁、四苯基卟啉锌、甲基红、溴甲酚绿、溴甲酚紫、中性红、溴酚蓝、四溴酚蓝、甲酚红；将所筛选的色敏材料溶于二氯甲烷或氯仿有机溶剂中，配置成2mg/mL的溶液；
可视化色敏传感器阵列的制备，按照下述步骤进行：配制好的色敏材料放于黑暗环境中进行保存，使用时，采用微量毛细管将2μL的色敏材料固定到4cm×4cm的反相硅胶板或聚偏二氟乙烯膜PVDF上，制成气味色敏传感器；味觉传感器则采用混合纤维素酯作为基板材料；等色敏材料在基底材料上挥发至稳定后，将色敏传感器阵列保存于密封袋中进行保存，以备后续实验使用；
其中步骤4中，腐乳样品的挥发性气体和滋味物质的检测，反应前后图像获取，按照下述步骤进行：反应前利用相机采集传感器反应前的图像，然后将腐乳样品放置在样品室的样品烧杯中，通过真空泵将腐乳挥发性气味物质传输进反应室，气味色敏传感器与腐乳样品进行充分反应后，采集传感器反应后的图像；检测腐乳的滋味物质时，先将味觉传感器与去离子水反应，采集反应前后图像变化，作为空白对照；然后，通过液体泵将经过处理的腐乳滋味物质提取液与味觉色敏传感器经过充分反应，采集反应后的图像；
其中所述步骤5中，传感器阵列的图像特征提取，按照下述步骤进行：相机采集到的反应前后的每幅图像为RGB三通道彩色图像，利用计算机将图像分别分解为三幅单通道灰度图像，分别对应原始图像的R通道、G通道以及B通道；利用图像处理算法定位敏感单元的位置，将传感器阵列反应前后各敏感单元的灰度均值作差，得到灰度均值的差值，这些差值即为敏感单元的特征值，即，△R＝Ra-Rb，△G＝Ga-Gb,△B＝Ba-Bb；其中，下标为a表示反应后的值，下标为b表示反应前的值；根据步骤3的筛选方法，嗅觉传感器由p个色敏材料组成，味觉可视化传感器由q个色敏材料组成，嗅觉传感器获得了3p个特征变量，嗅觉传感器获得了3q个特征变量；所有敏感单元的特征值组合后即得到特征矩阵；
其中所述步骤5中，可视化数据的融合按照下述步骤进行：
多传感器信息融合技术具有数据层、特征层和决策层三种不同的层次；在这三个层次中，传感器融合过程在原始数据层面融合效果较好；由于采用度量相同的传感器，因此选择先在原始数据层融合后，再通过各种模式识别算法进行判别；
经过图像特征提取后，每个样品得到了气味和滋味两方面的信息，嗅觉可视化传感器阵列数据提取之后，得到样品的气味信息特征矩阵S；味觉可视化传感器阵列数据提取之后，得到样品的滋味信息矩阵T，将嗅觉和味觉信息进行数据层融合，得到同时含有腐乳气味和滋味信息的特征矩阵F；
其中所述步骤5中，可视化数据的融合算法为：首先，将气味信息特征矩阵S和滋味信息特征矩阵T通过数据层融合形成了同时包含气味信息和滋味信息的融合矩阵F；假设S和T是m×n矩阵，其中，m代表样品数，n代表特征变量数，其数值根据步骤3中，嗅觉和味觉传感器选择的色敏材料数目来确定，气味信息矩阵中n＝3p，滋味信息矩阵中n＝3q；融合矩阵F是由矩阵S和T组成的m×r矩阵，其中r＝3p+3q，r代表嗅觉和味觉融合后的特征变量数、p代表嗅觉传感器的色敏单元个数、q代表味觉传感器的色敏单元个数；然后，特征矩阵F利用主成分分析(PCA)进行数据降维后，可以得到含有腐乳气味和滋味特征信息的特征矩阵E；最后，采用K-最近邻法(KNN)、支持向量机(SVM)模式识别算法实现对不同品牌腐乳的定性判别；利用偏最小二乘法(PLS)实现对理化指标的定量预测。
CN202011415170.8A 2020-12-07 2020-12-07 基于可视化融合技术表征腐乳风味的方法及装置 Active CN112730643B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011415170.8A CN112730643B (zh) 2020-12-07 2020-12-07 基于可视化融合技术表征腐乳风味的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011415170.8A CN112730643B (zh) 2020-12-07 2020-12-07 基于可视化融合技术表征腐乳风味的方法及装置

Publications (2)

Publication Number Publication Date
CN112730643A CN112730643A (zh) 2021-04-30
CN112730643B true CN112730643B (zh) 2022-09-16

Family

ID=75598170

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011415170.8A Active CN112730643B (zh) 2020-12-07 2020-12-07 基于可视化融合技术表征腐乳风味的方法及装置

Country Status (1)

Country Link
CN (1) CN112730643B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113970546A (zh) * 2021-09-03 2022-01-25 江苏大学 基于嗅觉味觉交互作用的绿茶品质可视化传感判别方法
CN114994025A (zh) * 2022-05-11 2022-09-02 浙江大学 基于嗅觉可视化芯片的牛肉新鲜度快速检测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2529863A1 (en) * 2003-06-17 2004-12-23 Vib Vzw Peptide combos and their uses
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
CN102435694A (zh) * 2011-09-19 2012-05-02 天津春发生物科技集团有限公司 一种腐乳水溶性物质挥发性成分的分析方法
CN107389671A (zh) * 2017-07-05 2017-11-24 江苏大学 一种可视化味觉、嗅觉融合传感器的制作方法
CN109406500A (zh) * 2018-09-30 2019-03-01 江苏大学 一种基于嗅觉可视化阵列的腊肠快速分级方法
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
CN109447104A (zh) * 2018-09-10 2019-03-08 江苏大学 基于嗅觉可视化技术的食品气味手机成像检测方法
CN111563558A (zh) * 2020-05-13 2020-08-21 宿州学院 一种葡萄酒产地及品牌的快速识别方法
CN111693662A (zh) * 2020-06-11 2020-09-22 上海交通大学 基于多数据融合的干腌火腿储藏年份预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2529863A1 (en) * 2003-06-17 2004-12-23 Vib Vzw Peptide combos and their uses
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
CN102435694A (zh) * 2011-09-19 2012-05-02 天津春发生物科技集团有限公司 一种腐乳水溶性物质挥发性成分的分析方法
CN107389671A (zh) * 2017-07-05 2017-11-24 江苏大学 一种可视化味觉、嗅觉融合传感器的制作方法
CN109447104A (zh) * 2018-09-10 2019-03-08 江苏大学 基于嗅觉可视化技术的食品气味手机成像检测方法
CN109406500A (zh) * 2018-09-30 2019-03-01 江苏大学 一种基于嗅觉可视化阵列的腊肠快速分级方法
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
CN111563558A (zh) * 2020-05-13 2020-08-21 宿州学院 一种葡萄酒产地及品牌的快速识别方法
CN111693662A (zh) * 2020-06-11 2020-09-22 上海交通大学 基于多数据融合的干腌火腿储藏年份预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
低盐油腐乳发酵过程中品质和挥发性风味的分析;魏冠棉 等;《中国调味品》;20190228;第44卷(第2期);第18-23页 *

Also Published As

Publication number Publication date
CN112730643A (zh) 2021-04-30

Similar Documents

Publication Publication Date Title
CN105181912B (zh) 一种大米储藏过程中的新鲜度检测方法
Chen et al. Monitoring vinegar acetic fermentation using a colorimetric sensor array
CN109447130B (zh) 一种基于可视化气敏阵列的哈败腊肉检测装置与方法
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
CN110441423B (zh) 一种测定粮食香气成分的方法及其系统
Chen et al. Recent developments of green analytical techniques in analysis of tea's quality and nutrition
Ouyang et al. Classification of rice wine according to different marked ages using a novel artificial olfactory technique based on colorimetric sensor array
CN109406500A (zh) 一种基于嗅觉可视化阵列的腊肠快速分级方法
CN104977296B (zh) 一种新型的酒精度的检测方法及装置
CN110702815A (zh) 一种面粉储存品质的嗅觉传感检测方法
CN112730643B (zh) 基于可视化融合技术表征腐乳风味的方法及装置
CN113484309B (zh) 一种高光谱耦合纳米化比色传感器监测红茶发酵程度的方法
CN103235087B (zh) 一种基于嗅觉和味觉传感器信息融合的乌龙茶原产地的鉴别方法
CN106770862A (zh) 一种茶叶分类方法
Li et al. Colorimetric sensor array-based artificial olfactory system for sensing Chinese green tea’s quality: A method of fabrication
CN103645182A (zh) 一种采用电子舌系统鉴定白酒香型的方法
Yang et al. Rapid discrimination of beer based on quantitative aroma determination using colorimetric sensor array
CN110018203A (zh) 基于电子鼻电子舌智能感官技术的香醋风味定量表征方法
Arslan et al. Discrimination of basmati rice adulteration using colorimetric sensor array system
Huang et al. A low cost smart system to analyze different types of edible Bird's nest adulteration based on colorimetric sensor array
Wang et al. pH indicator-based sensor array in combination with hyperspectral imaging for intelligent evaluation of withering degree during processing of black tea
CN106018392B (zh) 一种新型的食醋醋龄快速检测方法
Guan et al. Analysis of volatile organic compounds from Chinese vinegar substrate during solid-state fermentation using a colorimetric sensor array
Shui et al. Pattern-based colorimetric sensor array chip for discrimination of Baijiu aromas
CN114088874B (zh) 一种基于液相可视化阵列的食醋总酸含量检测方法

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