CN112924413A - 预测酒糟成分的方法 - Google Patents
预测酒糟成分的方法 Download PDFInfo
- Publication number
- CN112924413A CN112924413A CN202110113942.0A CN202110113942A CN112924413A CN 112924413 A CN112924413 A CN 112924413A CN 202110113942 A CN202110113942 A CN 202110113942A CN 112924413 A CN112924413 A CN 112924413A
- Authority
- CN
- China
- Prior art keywords
- data
- vinasse
- model
- content
- moisture content
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000003595 spectral effect Effects 0.000 claims description 66
- 239000008107 starch Substances 0.000 claims description 59
- 229920002472 Starch Polymers 0.000 claims description 58
- 235000019698 starch Nutrition 0.000 claims description 58
- 238000012549 training Methods 0.000 claims description 37
- 238000001228 spectrum Methods 0.000 claims description 24
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 13
- 238000009614 chemical analysis method Methods 0.000 claims description 9
- 239000000203 mixture Substances 0.000 claims description 5
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000002329 infrared spectrum Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000000855 fermentation Methods 0.000 description 2
- 230000004151 fermentation Effects 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012360 testing method Methods 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
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (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 Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及酒糟成分检测技术领域,本发明预测酒糟成分的方法通过建立模型,计算预测值,再利用预测值与光谱数据结合建立模型,计算预测值,多次迭代,得到更加精准的数学模型,通过模型对光谱数据进行计算,获得酒糟样品水分含量和淀粉含量,解决了酒厂采用近红外光谱仪对酒糟成分检测时因红外光谱仪性能导致检测结果准确率低的问题,本发明适用于对酒糟成分的预测。
Description
技术领域
本发明涉及酒糟成分检测技术领域,特别涉及预测酒糟成分的方法。
背景技术
酒糟是酿酒环节的必要产物,酒糟类物质主要是由谷物发酵而成,成分含有大量含氢基团,包含C-H、S-H、O-H和N-H等,在酒糟的发酵过程中,酒糟中水分、淀粉、酸度和糖等物质成分的含量将直接影响酒品质量,是衡量酒糟是否适宜及酒糟发酵过程是否正常的主要依据。然而酒糟是一种固液混合物,颗粒大小不一,组分分布不均,挥发十分严重,给成分分析造成了极大的困扰。
近年来,酒厂开始使用近红外光谱仪检测酒糟主要成分,近红外光谱仪受光源、检测器、使用方法、环境条件等影响,精度、灵敏度、稳定性、重现性、波长范围、分辨率等指标都有明显的性能降低,进而造成酒糟组分含量预测准确率低,严重的阻碍了近红外光谱检测技术在酒糟分析行业的发展。
发明内容
本发明所解决的技术问题:提供预测酒糟成分的方法解决酒厂采用近红外光谱仪对酒糟成分检测时因红外光谱仪性能导致检测结果准确率低的问题。
本发明解决上述技术问题采用的技术方案:预测酒糟成分的方法包括以下步骤:
S01、采集酒糟样品光谱数据;
S02、利用模型M对光谱数据进行训练,得到水分含量;
S03、将所述光谱数据和水分含量组成新的数据,利用模型M1进行训练,所述模型M1用于计算淀粉含量,获得预测淀粉含量;
S04、将所述光谱数据和预测淀粉含量组成新的数据,利用模型M2进行训练,获得预测水分含量。
进一步的,模型M的建立方法包括以下步骤:
S201、采集多个酒糟样品光谱数据,并分别使用化学分析方法得到训练集酒糟样品的水分含量和淀粉含量;
S202、将水分含量作为标定值,光谱数据作为响应数据,利用步骤S201中的酒糟样品光谱数据、水分含量和淀粉含量进行数学建模,得到光谱模型M。
进一步的,步骤S03中所述的模型M1和步骤S04中所述的模型M2的建立方法包括以下步骤:
S301、采集多个酒糟样品光谱数据,并分别使用化学分析方法得到训练集酒糟样品的水分含量和淀粉含量;
S302、将酒糟样品的水分含量作为标定值,淀粉含量和光谱数据作为响应数据,进行数学建模,得到光谱模型M';
S303、将酒糟样品的淀粉含量和光谱数据一一对应结合,组成新的数据,利用M'进行训练,获得新的水分含量;
S304、将酒糟样品的淀粉含量作为标定值,新的水分含量和光谱数据作为响应数据,进行数学建模,得到光谱模型M11;
S305、将新的水分含量和光谱数据一一对应结合,组成新的数据,利用M11进行训练,得到新的淀粉含量;
S306、将水分含量作为标定值,新的淀粉含量和光谱数据作为响应数据,进行数学建模,得到光谱模型M21;
S307、将新的淀粉含量和光谱数据一一对应结合,组成新的数据,利用M21进行训练,获得新的水分含量;
S308、n次重复步骤S304至S307后,获得M1n+1和M2n+1;
S309、M1=M1n+1,M2=M2n+1。
进一步的,光谱数据是多个波长点上的光强数值。
本发明的有益效果:本发明预测酒糟成分的方法通过建立模型,计算预测值,再利用预测值与光谱数据结合建立模型,计算预测值,多次迭代,得到更加精准的数学模型,通过模型对光谱数据进行计算,获得酒糟样品水分含量和淀粉含量,降低了近红外光谱检测仪性能对预测结果的影响,解决了酒厂采用近红外光谱仪对酒糟成分检测时因红外光谱仪性能导致检测结果准确率低的问题。利用本发明,酒厂可以采用便携式近红外光谱仪对酒糟成分进行检测,其结果接近化学分析法的分析结果,本发明相比于现有技术精准度更高,成本更低。
附图说明
图1是本发明预测酒糟成分的方法过程示意图。
具体实施方式
本发明预测酒糟成分的方法通过建立模型,计算预测值,再利用预测值与光谱数据结合建立模型,计算预测值,多次迭代,得到更加精准的数学模型,降低了近红外光谱检测仪性能对预测结果的影响,包括以下步骤:
S01、采集酒糟样品光谱数据;
S02、利用模型M对光谱数据进行训练,得到水分含量;
S03、将所述光谱数据和水分含量组成新的数据,利用模型M1进行训练,所述模型M1用于计算淀粉含量,获得预测淀粉含量;
S04、将所述光谱数据和预测淀粉含量组成新的数据,利用模型M2进行训练,获得预测水分含量。
进一步的,模型M的建立方法包括以下步骤:
S201、采集多个酒糟样品光谱数据,并分别使用化学分析方法得到训练集酒糟样品的水分含量和淀粉含量;
S202、将水分含量作为标定值,光谱数据作为响应数据,利用步骤S201中的酒糟样品光谱数据、水分含量和淀粉含量进行数学建模,得到光谱模型M。
进一步的,步骤S03中所述的模型M1和步骤S04中所述的模型M2的建立方法包括以下步骤:
S301、采集多个酒糟样品光谱数据,并分别使用化学分析方法得到训练集酒糟样品的水分含量和淀粉含量;
S302、将酒糟样品的水分含量作为标定值,淀粉含量和光谱数据作为响应数据,进行数学建模,得到光谱模型M';
S303、将酒糟样品的淀粉含量和光谱数据一一对应结合,组成新的数据,利用M'进行训练,获得新的水分含量;
S304、将酒糟样品的淀粉含量作为标定值,新的水分含量和光谱数据作为响应数据,进行数学建模,得到光谱模型M11;
S305、将新的水分含量和光谱数据一一对应结合,组成新的数据,利用M11进行训练,得到新的淀粉含量;
S306、将水分含量作为标定值,新的淀粉含量和光谱数据作为响应数据,进行数学建模,得到光谱模型M21;
S307、将新的淀粉含量和光谱数据一一对应结合,组成新的数据,利用M21进行训练,获得新的水分含量;
S308、n次重复步骤S304至S307后,获得M1n+1和M2n+1;
S309、M1=M1n+1,M2=M2n+1。
进一步的,光谱数据是多个波长点上的光强数值。
本发明的一个实施例如下:
首先建立数学模型M、M1和M2,模型建立过程包括以下步骤:
第一步:采集k个酒糟样品光谱数据,并分别使用化学分析方法得到训练集酒糟样品的水分含量WK和淀粉含量SK;
具体的,将酒糟样品平整放入酒糟工装中并向下压实使得酒糟表面平整且厚度大于3厘米以便于保持测试样品拥有一定厚度并且测试面尽可能平整,进而减小样品本身给测试数据带来的误差,使用便携式近红外光谱仪对酒糟样品进行检测,多次测量取平均值作为光谱数据,因为便携式近红外光谱仪包含X个波长点,所以其近红外光谱数据实际表示为X个波长点上的光强,其检测到的光谱数据为PK={TK1,TK2,……TKX},其中TKX表示第K个酒糟样品的第X个波长点上的光强。
第二歩:将酒糟样品的水分含量作为标定值,光谱数据作为响应数据,结合第一步中的酒糟样品光谱数据、水分含量和淀粉含量进行数学建模,得到光谱模型M;
具体的,模型M以光谱数据作为输入数据,水分含量作为预测数据。
第三歩:将酒糟样品的水分含量作为标定值,淀粉含量和光谱数据作为响应数据,进行数学建模,得到光谱模型M';
具体的,模型M’以WK和SDK={SK,TK1,TK2,…,TKX}作为原始数据建立模型,其中K表示第K个酒糟样品,X表示第X个波长点上的光强,M’是以淀粉含量和光谱数据作为输入数据,其预测结果为水分含量。
第四步:将酒糟样品的淀粉含量SK和光谱数据PK一一对应结合,组成新的数据,利用M’进行训练,获得新的水分含量WK1;
具体的,将第K个酒糟样品的光谱数据PK={TK1,TK2,……TKX}和其通过化学分析法得到的淀粉含量SK结合,组成新的数据SDK={SK,PK}={SK,TK1,TK2,…,TKX},利用M’进行训练,获得新的水分含量WK1,得到所有酒糟样品的新的水分含量WK1,WK1表示第K个酒糟样品第1次预测的水分含量。
第五步:将酒糟样品的淀粉含量作为标定值,新的水分含量WK1和光谱数据PK作为响应数据,进行数学建模,得到光谱模型M11;
具体的,模型M11以SK和WDK={WK,TK1,TK2,…,TKX}作为原始数据建立模型,其中K表示第K个酒糟样品,X表示第X个波长点上的光强,M11是以水分含量和光谱数据作为输入数据,其预测结果为淀粉含量。
第六步:将新的水分含量WK1和光谱数据PK一一对应结合,组成新的数据,利用M11进行训练,得到新的淀粉含量SK1;
具体的,将第K个酒糟样品的光谱数据PK={TK1,TK2,……TKX}和其通过M'进行训练得到的水分含量WK1结合,组成新的数据WDK={WK1,PK}={WK1,TK1,TK2,…,TKX},利用M11进行训练,获得新的淀粉含量SK1,SK1表示第K个酒糟样品第1次预测的淀粉含量。
第七步:将水分含量作为标定值,新的淀粉含量SK1和光谱数据PK作为响应数据,进行数学建模,得到光谱模型M21;
具体的,模型M21以WK和SDK={SK,TK1,TK2,…,TKX}作为原始数据建立模型,其中K表示第K个酒糟样品,X表示第X个波长点上的光强,M21是以淀粉含量和光谱数据作为输入数据,其预测结果为水分含量。
第八步:将新的淀粉含量SK1和光谱数据PK一一对应结合,组成新的数据,利用M21进行训练,获得新的水分含量WK2;
具体的,将第K个酒糟样品的光谱数据PK={TK1,TK2,……TKX}和其通过M11训练得到的淀粉含量SK1结合,组成新的数据SDK={SK1,PK}={SK1,TK1,TK2,…,TKX},利用M21进行训练,获得新的水分含量WK2,WK2表示第K个酒糟样品第2次预测的水分含量。
第九歩:n次重复第五歩至第八步后,获得M1n+1和M2n+1;
具体的,第一次重复时,第五步中新的水分含量选用第八步中获得的WK2,第五歩至第八步中获得结果相应增加1。重复次数n越多,利用获得的模型M1n+1和M2n+1计算预测值准确度越高。
第十歩:M1=M1n+1,M2=M2n+1。
预测酒糟成分的方法,其过程如附图1所示,包括以下步骤:
S01、采集酒糟样品光谱数据;
具体的,光谱数据为P={T1,T2,……TX}。
S02、利用模型M对光谱数据进行训练,得到水分含量;
具体的,利用M获得的水分含量为W1。
S03、将所述光谱数据和水分含量组成新的数据,利用模型M1进行训练,所述模型M1用于计算淀粉含量,获得预测淀粉含量;
具体的,新的数据为WD={W1,P}={W1,T1,T2,…,TX},利用M1进行训练,获得预测淀粉含量PS。
S04、将所述光谱数据和预测淀粉含量组成新的数据,利用模型M2进行训练,获得预测水分含量。
具体的,新的数据为SD={S1,P}={S1,T1,T2,…,TX},利用M2进行训练,获得预测水分含量PW。
酒厂采用本发明预测酒糟成分的方法,只需要在建立模型时,通过红外光谱仪测试多个酒糟样品的光谱数据,通过化学分析法获得所有样品的水分含量和淀粉含量,模型建立完成后,只需要通过光谱数据就可以通过模型获得精准度高的水分含量和淀粉含量预测值。
Claims (4)
1.预测酒糟成分的方法,其特征在于,包括以下步骤:
S01、采集酒糟样品光谱数据;
S02、利用模型M对光谱数据进行训练,得到水分含量;
S03、将所述光谱数据和水分含量组成新的数据,利用模型M1进行训练,所述模型M1用于计算淀粉含量,获得预测淀粉含量;
S04、将所述光谱数据和预测淀粉含量组成新的数据,利用模型M2进行训练,获得预测水分含量。
2.根据权利要求1所述的预测酒糟成分的方法,其特征在于,步骤S02中,所述模型M的建立方法包括以下步骤:
S201、采集多个酒糟样品光谱数据,并分别使用化学分析方法得到训练集酒糟样品的水分含量和淀粉含量;
S202、将水分含量作为标定值,光谱数据作为响应数据,利用步骤S201中的酒糟样品光谱数据、水分含量和淀粉含量进行数学建模,得到光谱模型M。
3.根据权利要求1或2所述的预测酒糟成分的方法,其特征在于,步骤S03中所述的模型M1和步骤S04中所述的模型M2的建立方法包括以下步骤:
S301、采集多个酒糟样品光谱数据,并分别使用化学分析方法得到训练集酒糟样品的水分含量和淀粉含量;
S302、将酒糟样品的水分含量作为标定值,淀粉含量和光谱数据作为响应数据,进行数学建模,得到光谱模型M';
S303、将酒糟样品的淀粉含量和光谱数据一一对应结合,组成新的数据,利用M'进行训练,获得新的水分含量;
S304、将酒糟样品的淀粉含量作为标定值,新的水分含量和光谱数据作为响应数据,进行数学建模,得到光谱模型M11;
S305、将新的水分含量和光谱数据一一对应结合,组成新的数据,利用M11进行训练,得到新的淀粉含量;
S306、将水分含量作为标定值,新的淀粉含量和光谱数据作为响应数据,进行数学建模,得到光谱模型M21;
S307、将新的淀粉含量和光谱数据一一对应结合,组成新的数据,利用M21进行训练,获得新的水分含量;
S308、n次重复步骤S304至S307后,获得M1n+1和M2n+1;
S309、M1=M1n+1,M2=M2n+1。
4.根据权利要求1或2所述的预测酒糟成分的方法,其特征在于,步骤S01中,所述光谱数据是多个波长点上的光强数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110113942.0A CN112924413A (zh) | 2021-01-27 | 2021-01-27 | 预测酒糟成分的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110113942.0A CN112924413A (zh) | 2021-01-27 | 2021-01-27 | 预测酒糟成分的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112924413A true CN112924413A (zh) | 2021-06-08 |
Family
ID=76167258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110113942.0A Pending CN112924413A (zh) | 2021-01-27 | 2021-01-27 | 预测酒糟成分的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112924413A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113724803A (zh) * | 2021-09-02 | 2021-11-30 | 四川启睿克科技有限公司 | 一种有效提升酒糟样品预测准确率的方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101226147A (zh) * | 2008-01-16 | 2008-07-23 | 浙江大学 | 一种气体浓度定量分析仪 |
CN102435713A (zh) * | 2010-09-21 | 2012-05-02 | 成都中医药大学 | 中药品质自动检测系统 |
CN103308463A (zh) * | 2013-06-28 | 2013-09-18 | 中国农业大学 | 一种近红外光谱特征谱区选择方法 |
EP2861984A1 (en) * | 2012-06-17 | 2015-04-22 | Physical Logic AG | Method and system for use in monitoring biological material |
US20170130186A1 (en) * | 2014-07-02 | 2017-05-11 | Biogen Ma Inc. | Cross-scale modeling of bioreactor cultures using raman spectroscopy |
CN107356556A (zh) * | 2017-07-10 | 2017-11-17 | 天津工业大学 | 一种近红外光谱定量分析的双集成建模方法 |
CN108801975A (zh) * | 2018-08-03 | 2018-11-13 | 四川长虹电器股份有限公司 | 一种微型化近红外光谱仪检测酒糟成分的光谱预处理方法 |
CN109724940A (zh) * | 2019-02-26 | 2019-05-07 | 宜宾五粮液股份有限公司 | 利用近红外光谱仪检测酒糟成分含量的方法及系统 |
CN111398213A (zh) * | 2020-04-08 | 2020-07-10 | 四川虹微技术有限公司 | 一种判断酒醅模型合格性的方法 |
CN111855595A (zh) * | 2020-08-24 | 2020-10-30 | 四川长虹电器股份有限公司 | 一种基于黑白校准板的光谱数据校准方法 |
-
2021
- 2021-01-27 CN CN202110113942.0A patent/CN112924413A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101226147A (zh) * | 2008-01-16 | 2008-07-23 | 浙江大学 | 一种气体浓度定量分析仪 |
CN102435713A (zh) * | 2010-09-21 | 2012-05-02 | 成都中医药大学 | 中药品质自动检测系统 |
EP2861984A1 (en) * | 2012-06-17 | 2015-04-22 | Physical Logic AG | Method and system for use in monitoring biological material |
CN103308463A (zh) * | 2013-06-28 | 2013-09-18 | 中国农业大学 | 一种近红外光谱特征谱区选择方法 |
US20170130186A1 (en) * | 2014-07-02 | 2017-05-11 | Biogen Ma Inc. | Cross-scale modeling of bioreactor cultures using raman spectroscopy |
CN107356556A (zh) * | 2017-07-10 | 2017-11-17 | 天津工业大学 | 一种近红外光谱定量分析的双集成建模方法 |
CN108801975A (zh) * | 2018-08-03 | 2018-11-13 | 四川长虹电器股份有限公司 | 一种微型化近红外光谱仪检测酒糟成分的光谱预处理方法 |
CN109724940A (zh) * | 2019-02-26 | 2019-05-07 | 宜宾五粮液股份有限公司 | 利用近红外光谱仪检测酒糟成分含量的方法及系统 |
CN111398213A (zh) * | 2020-04-08 | 2020-07-10 | 四川虹微技术有限公司 | 一种判断酒醅模型合格性的方法 |
CN111855595A (zh) * | 2020-08-24 | 2020-10-30 | 四川长虹电器股份有限公司 | 一种基于黑白校准板的光谱数据校准方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113724803A (zh) * | 2021-09-02 | 2021-11-30 | 四川启睿克科技有限公司 | 一种有效提升酒糟样品预测准确率的方法 |
CN113724803B (zh) * | 2021-09-02 | 2024-03-12 | 四川启睿克科技有限公司 | 一种有效提升酒糟样品预测准确率的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103134767B (zh) | 一种红外光谱校正鉴定白酒品质的方法 | |
CN110672546A (zh) | 一种基于便携式近红外光谱仪的酒糟模型建模方法 | |
CN107748146A (zh) | 一种基于近红外光谱检测的原油属性快速预测方法 | |
CN108169165B (zh) | 基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法 | |
CN101216419A (zh) | 一种快速检测黄酒品质指标的方法 | |
CN108020526A (zh) | 一种丁羟推进剂药浆组分近红外检测方法 | |
CN111398213A (zh) | 一种判断酒醅模型合格性的方法 | |
CN103018195A (zh) | 近红外光谱测定pbx炸药中pctfe含量的方法 | |
CN111879725B (zh) | 一种基于权重系数的光谱数据修正方法 | |
CN105486655A (zh) | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 | |
CN108801975A (zh) | 一种微型化近红外光谱仪检测酒糟成分的光谱预处理方法 | |
CN109829534B (zh) | 露天煤矿排土场群落稳定性的评价方法、装置和系统 | |
CN108613943B (zh) | 一种基于光谱形态转移的近红外单籽粒作物成分检测方法 | |
CN112924413A (zh) | 预测酒糟成分的方法 | |
CN104655607A (zh) | 一种浮选泡沫层硫化锑矿物品位检测方法 | |
CN115144363A (zh) | 一种采用近红外光谱测定硝酸含量的方法 | |
CN201503392U (zh) | 基于近红外光谱的手持式土壤养分无损测量装置 | |
CN111896497B (zh) | 一种基于预测值的光谱数据修正方法 | |
CN106442474A (zh) | 一种基于偏最小二乘法的水泥生料三率值测量方法 | |
CN105354347A (zh) | 一种菱镁矿矿石品级分类建模方法 | |
CN101140225B (zh) | 一种利用声光可调滤光器近红外光谱仪检测香料中铅的方法 | |
CN106644807B (zh) | 一种用于测定大曲中黑白黄块曲比例的模型及方法 | |
CN115728290A (zh) | 一种土壤中铬元素的检测方法、系统、设备及存储介质 | |
CN113075197A (zh) | 一种白胡椒粉中玉米粉掺假含量的快速检测方法 | |
CN113724803B (zh) | 一种有效提升酒糟样品预测准确率的方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220119 Address after: 644007 No. 150 Minjiang West Road, Yibin, Sichuan Applicant after: WULIANGYE GROUP Co.,Ltd. Applicant after: SICHUAN CHANGHONG ELECTRIC Co.,Ltd. Address before: 621000, No. 35 Mian Xing Dong Road, hi tech Zone, Sichuan, Mianyang Applicant before: SICHUAN CHANGHONG ELECTRIC Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210608 |