CN113310929A - 高温灭菌奶中掺加豆粉及其掺加比例的光谱鉴定方法 - Google Patents

高温灭菌奶中掺加豆粉及其掺加比例的光谱鉴定方法 Download PDF

Info

Publication number
CN113310929A
CN113310929A CN202110503724.8A CN202110503724A CN113310929A CN 113310929 A CN113310929 A CN 113310929A CN 202110503724 A CN202110503724 A CN 202110503724A CN 113310929 A CN113310929 A CN 113310929A
Authority
CN
China
Prior art keywords
milk
samples
temperature sterilized
screening
modeling
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.)
Withdrawn
Application number
CN202110503724.8A
Other languages
English (en)
Inventor
张淑君
罗雪路
王海童
苏俊东
上官爱哨
孙玉梅
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.)
Huazhong Agricultural University
Original Assignee
Huazhong Agricultural 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 Huazhong Agricultural University filed Critical Huazhong Agricultural University
Priority to CN202110503724.8A priority Critical patent/CN113310929A/zh
Publication of CN113310929A publication Critical patent/CN113310929A/zh
Withdrawn legal-status Critical Current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
    • G01N21/17—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
    • G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
    • 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
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明属于奶品分析技术领域，具体涉及高温灭菌奶中掺加豆粉及其掺加比例的光谱鉴定方法。步骤为：1)取高温灭菌奶中掺加不同比例豆粉后再制的牛奶样本；2)在中红光谱范围内，对样本进行扫描获得中红外光谱数据；3)对原始中红外光谱进行预处理，去除异常值；4)将预处理后的数据集按照分层抽样的原则划分为训练集和测试集；5)筛选建模光谱波段；6)在训练集上，使用最近邻等算法，通过10折交叉验证建立高温灭菌奶中掺加豆粉及其掺加比例的鉴别模型，使用准确性、kappa系数对鉴别模型进行评估和筛选；7)最优模型的验证与应用。本发明使用了更少的波点建模，减少了运算成本，提高了鉴别的速率和准确性。

Description

高温灭菌奶中掺加豆粉及其掺加比例的光谱鉴定方法
技术领域
本发明属于奶品分析技术领域，具体涉及一种高温灭菌奶中掺加豆粉及其掺加比例的光谱鉴定方法。
背景技术
牛奶富含脂肪，蛋白质，维生素和矿物质等营养物质且配比均衡是人类饮食中的重要组成部分。中国的乳业与国家的经济增长同步发展，液态奶是中国市场上奶制品的主要类型，其中超过90％的原料奶被加工成液态奶；高温灭菌奶(UHT)占在我国液态奶消费量的50％以上(Yang,Zhang et al.2020)。因为豆粉价格较低、与牛奶的蛋白质含量类似，故豆粉常被用于牛奶的掺杂物。牛奶掺假现象会导致消费者利益和消费信心受损，有些掺假还会引起过敏反应等健康问题；牛奶掺假还会损害牛奶生产者的品牌和声誉。因此，有必要建立高温灭菌奶和高温灭菌奶掺假的快速高效的鉴定。
Qiangqiang Li等人基于核磁共振的牛奶代谢物分析方法对牛奶中掺豆奶的掺假现象进行了鉴别，该方法的灵敏度阈值为2％(v/v)，该方法需要去除牛奶中的脂肪，利用化学试剂使蛋白变性等一系列复杂的处理(Li,Yu et al.2017)，该方法对技术、时间、化学试剂、仪器和操作人员均有较高的要求。
中红外光谱是物质的在中红外区的吸收光谱，一般将2.5-25μm的红外波段划为中红外区。由于基频振动是红外活性振动中吸收最强的振动，因此中红外光谱广泛应用于物质的定性和定量分析。中红外光谱分析是近年来快速发展起来的一种快速、无损、无公害、可多组分同时分析的现代技术。已有研究表明，基于中红外光谱，可以检测和定量水牛奶中的豆奶成分，并可以达到较好的效果(Jaiswal,Jha et al.2015)。由中红外光谱仪输出的数据为n×1060的矩阵(n为样本量)，数据庞大，且不难避免数据不完整、不一致、极易受到噪声(错误或异常值)侵扰，低质量的数据将导致效果较差的数据挖掘结果，因此需要一些方法对输出的数据进行预处理。这些方法通常包括数据标准化，处理缺失值，去除噪声，异常值和特征选择等，故可以利用中红外光谱MIR建立高温灭菌奶中掺加豆粉及其掺加比例的光谱鉴定方法。
发明内容
本发明的目的在于克服现有技术的缺陷，提供一种高温灭菌奶中掺加豆粉及其掺加比例的光谱鉴定方法。
本发明为了确定最佳的预处理和建模算法组合，对光谱数据使用了包括不处理在内的5种预处理方法，结合二种建模方法，共建立了10个高温灭菌奶掺加豆粉的鉴别模型。通过对光谱数据进行Pearson相关性检验和相关性的显著性分析筛选出建模使用的特征光谱。所建立的最佳模型在测试集和验证集中的准确率均可达到1。
本发明的技术方案如下所述：
一种高温灭菌奶中掺加豆粉及其掺加比例的光谱鉴定方法，所述方法包括以下步骤：
1)奶样选取
采集四个商购品牌各15个生产批次的高温灭菌奶和同一批次的商购豆粉；按以下方法配制豆奶：用豆粉加适当比例的开水冲调而成，使豆奶中的蛋白含量至3.17g/100g；将冲调后得到的豆奶按照七个体积百分比(0％、2％、5％、10％、20％、50％、100％)分别掺加到高温灭菌奶中，七个掺假比例高温灭菌奶编号分别为1、2、3、4、5、6和7，七个模拟掺假牛奶的样本数均为120个，共840个检测样本。
2)中红外光谱采集
采用乳成分检测仪对步骤1)的检测样本进行扫描，通过相连的计算机输出每个样本对应的透光率；
3)数据预处理
将原始光谱数据由透光率(T)转化为吸光度(A),去除异常值；
4)划分数据集
从840个样本随机抽取140个样本作为外部验证集，剩余700个样本作为建模数据集，建模数据集按照分层抽样原则划分为训练集和测试集，两者分别占数据集的80％和20％；
5)确定建模光谱波段
筛选高温灭菌奶、掺加了不同比例豆奶的高温灭菌牛奶以及豆奶的差异波段，并去除水的吸收区域；
6)建立模型与筛选最优模型
以训练集的中红外光谱作为输入值，以高温灭菌奶中掺加不同比例豆粉所对应的类别作为输出值，使用不同光谱预处理方法和不同建模算法组合建立模型，使用准确率和kappa系数进行评估和筛选，筛选出最优模型；
7)最优模型的验证与应用
另取高温灭菌奶及添加不同比例豆粉的高温灭菌奶的样本，使用筛选出的最优模型对样本进行鉴别，评估其应用性能；
其中：
步骤2)中采集中红外光谱时，将步骤1)的检测样本分别倒入直径3.5cm，高9cm的圆柱形采样管中，保证液面高度大于6cm，然后将其在42℃水浴锅中水浴15-20min，再将固体光纤探头伸到液体中吸样检测；
步骤3)中根据A＝log10(1/T)将透射率T转换为吸光度(A)，使用马氏距离和乳脂乳蛋白的百分含量去除异常值，其中，保留光谱马氏距离≤3、乳脂和乳蛋白百分含量在平均值±3.5个标准差范围内的数据；
步骤5)中使用的筛选差异波段的方法为Pearson相关性检验和相关性的显著性检验，去除的水吸收区域为3587.94-2970.66cm-1和1716.81-1543.2cm-1；得到建模波段925.92-1396.596cm-1、1412.028-1539.342cm-1和1720.668-2966.802cm-1三个波段；
步骤6)中使用的光谱预处理方法为一阶微分(Diff)、标准正态变量变换(SNV)、多元散射校正(MCS)和卷积平滑(Savitzy-Golay，SG)，使用的建模算法为随机森林(RF)和支持向量机(SVM)；最佳的预处理方法和算法组合为MSC与支持向量机的组合。
本发明的有益效果在于：
本发明的发明点在于：本发明得到925.92-1396.596cm-1、1412.028-1539.342cm-1和1720.668-2966.802cm-1三个优选光谱波段。
本发明采用简便的光谱筛选方法，使用了更少的波点进行建模，减少了运算成本；共建立了10个鉴别模型，从中筛选得到一个最优模型，利用该模型，提高了高温灭菌奶中掺加豆粉及其掺加比例的鉴别速率和准确性。
附图说明
图1：本发明建模波段的光谱图，即不同类别奶样在建模波段的吸光值图。图1中横坐标为光谱波数，纵坐标为吸光度。实线为类别1(0％)、实线加×标记为类别2(2％)、实线加▼标记为类别3(5％)、实线加竖线标记为类别4(10％)、实线加正方形标记为类别5(20％)、实线加正五边形标记为类别6(50％)、实线加平行四边形标记为类别7(100％)。图1(a)为所有建模波段(925.92-1396.596cm-1、1412.028-1539.342cm-1、1720.668-2966.802cm-1)的总体吸光值图，图1(b)、图1(c)、图1(d)分别为925.92-1396.596cm-1、1412.028-1539.342cm-1、1720.668-2966.802cm-13个建模波段的吸光值放大图。
图2：本发明最佳模型的测试集的混淆矩阵，横坐标为预测标签，纵坐标为真实标签，矩阵中预测标签和真实标签重合的方格为正确分类。
图3：本发明最优模型的测试集分类概率，横坐标为预测概率，纵坐标为预测的类别，圆形的点为鉴定正确类别，正方形的点为鉴定错误类别，三角形的点为正方形的点的真实类别；如图3中所以的点都为圆形的点，即没有出现错误分类，图中最左边的圆形点代表被分为3类的概率为0.67，且为正确分类。
具体实施方式
实施例1：模型的建立
仪器与设备：选用FOSS公司生产的MilkoScanTM7RM乳成分检测仪(按产品使用说明书操作)。
具体步骤如下：
(1)采集奶样
采集四个商购品牌各15个生产批次的高温灭菌奶及同一批次的商购豆粉；自制豆奶：用豆粉加适当比例的开水冲调而成，使豆奶中的蛋白含量至3.17g/100g。将冲调后得到的豆奶按照七个体积百分比(0％、2％、5％、10％、20％、50％、100％)的梯度分别掺加到高温灭菌奶中，得到模拟掺假牛奶的样本，七个掺假比例高温灭菌奶编号分别为1、2、3、4、5、6和7，七个掺假牛奶的样本数平均数为120个，共计840个检测样本。
(2)采集中红外光谱
将奶样分别倒入直径3.5cm，高9cm的圆柱形样本管中，保证液面高度大于6cm，然后将其在42℃水浴锅中水浴15-20min，再将固体光纤探头伸到液体中吸样检测，通过其软件得到样本的透光率。
(3)数据预处理
从840个检测样本随机抽取140个检测样本作为外部验证集，剩余700个检测样本作为建模数据集，对建模数据集的700个检测样本牛奶的MIR计算马氏距离，保留光谱马氏距离≤3，乳脂和乳蛋白百分含量在3个标准差范围内的数据，表1为该过程的样本量变化统计，除去18个异常样本，得到有效样本682个，将其按分层抽样法分为训练集(n＝545)和测试集(n＝137)。试验设计见表1。
表1剔除异常值时的样本量变化
Figure BDA0003057473700000041
表2常规乳成分的描述性统计
Figure BDA0003057473700000051
将光谱数据由透光率(T)转化为吸光度(A)，并去除水的吸收区域，对光谱数据进行Pearson相关性检验，并对相关性进行显著性分析，最终选择925.92-1396.596cm-1、1412.028-1539.342cm-1和1720.668-2966.802cm-1进行建模。图1为建模波段的光谱。
将数据集分为训练集(n＝545)、测试集(n＝137)和验证集(n＝139)。
分别采用一阶微分(Diff)、标准正态变量变换(SNV)、多元散射校正(MCS)和SG卷积平滑对光谱数据进行预处理，同时也与不使用预处理的数据进行比较。
(4)鉴定模型的建立
使用随机森林(RF)和支持向量机(SVM)算法利用训练集数据建立分类模型，并对测试集中的样本进行预测。在不同预处理下，RF和SVM算法的建模结果如表3所示。
表3不同预处理下RF和SVM的建模结果
Figure BDA0003057473700000061
(5)最优模型的筛选和确定
在该判别模型中，准确率为正确判断占所有判断的概率，其值越接近1越好。Kappa系数常用于一致性检验，也用于衡量分类的精度，其值越接近1越好。由表3中结果可知，SVM模型在分类训练中均取得优秀的结果，说明该5个模型均能准确鉴别训练集和测试集的两类目标。对数据进行不同预处理会不同程度地增加运算难度，增加运算时长。因此，本发明选择MSC与支持向量机的组合建立的模型为最优模型。
利用选择的最优分类模型，预测测试集中的137个样本。以混淆矩阵衡量模型在测试集的性能，结果如图2所示。由图2可知，本实施例中测试集没有出现错分类情况，说明模型在测试集上具有良好的分类效果。
图3为测试集中类别分类的概率，例如图3中最左侧的圆形点表示该样本被分为3类的概率为0.67，且为正确分类。由图3可知，测试集中的所有样本均被正确分类，且大部分样本被正确分类的概率>0.90。
实施例2：本发明模型的应用
采用实施例1的测定光谱和数据预处理等方法，对140个检测样本进行了测定和处理，使用筛选出的最优模型来进行鉴定，结果如表4所示。
表4本发明模型的应用结果
类别 真实样本个数 鉴定样本个数 准确率
1 20 20 1.00
2 20 20 1.00
3 20 20 1.00
4 20 20 1.00
5 20 20 1.00
6 20 20 1.00
7 19+1(异常值) 19 1.00
本发明在对139个检测样本鉴定的结果与真实情况完全相符合，判别准确率达到100％。参考文献：
1.Jaiswal,P.,S.N.Jha,A.Borah,A.Gautam,M.K.Grewal and G.Jindal(2015)."Detection and quantification of soymilk in cow-buffalo milk using AttenuatedTotal Reflectance Fourier Transform Infrared spectroscopy(ATR-FTIR)."FoodChem 168:41-47.
2.Li,Q.,Z.Yu,D.Zhu,X.Meng,X.Pang,Y.Liu,R.Frew,H.Chen and G.Chen(2017)."The application of NMR-based milk metabolite analysis in milkauthenticity identification."J Sci Food Agric 97(9):2875-2882.
3.Yang,Y.,L.Zhang,K.A.Hettinga,S.W.Erasmus and S.M.van Ruth(2020)."Prevalence of Milk Fraud in the Chinese Market and its Relationship withFraud Vulnerabilities in the Chain."Foods 9(6)。

Claims (1)

1.一种高温灭菌奶中掺加豆粉及其掺加比例的光谱鉴定方法，其特征在于，所述方法包括以下步骤：
1)奶样的制备
采购四个品牌各15个生产批次的高温灭菌奶，用以下方法配制豆奶：取商购的豆粉加适当开水冲调，使豆奶中的蛋白含量至3.17g/100g；将豆奶按体积百分比为0％、2％、5％、10％、20％、50％、100％的梯度分别掺加到高温灭菌奶中，得到模拟掺假牛奶的检测样本；
2)中红外光谱采集
采用乳成分检测仪对步骤1)的检测样本进行扫描，通过相连的计算机输出每个样本对应的透光率；
3)数据预处理
将原始光谱数据由透光率转化为吸光度,去除异常值；
4)划分数据集
从840个样本中随机抽取140个样本作为外部验证集，剩余700个样本作为建模数据集，建模数据集按照分层抽样的原则划分为训练集和测试集，两者分别占建模数据集的80％和20％；
5)确定建模光谱波段
筛选高温灭菌奶、掺加不同比例豆奶的高温灭菌牛奶以及豆奶的差异波段，并去除水的吸收区域；
6)建立模型与筛选最优模型
以训练集的中红外光谱作为输入值，以高温灭菌奶中掺加不同比例豆粉所对应的类别作为输出值，使用不同光谱预处理方法和不同建模算法组合建立模型，使用准确率和kappa系数进行评估和筛选，筛选出最优模型；
7)最优模型的验证与应用
另取高温灭菌奶及添加不同比例豆粉的高温灭菌奶样本，以最优模型对样本进行鉴别，评估其应用性能；
其中：
步骤2)中采集中红外光谱时，将步骤1)的检测样本分别倒入直径3.5cm，高9cm的圆柱形采样管中，保证液面高度大于6cm，然后将其在42℃水浴锅中水浴15-20min，再将固体光纤探头伸到液体中吸样检测；
步骤3)中根据A＝log10(1/T)将透射率(T)转换为吸光度(A)，使用马氏距离和乳脂乳蛋白的百分含量去除异常值，保留光谱马氏距离≤3、乳脂和乳蛋白百分含量在平均值±3.5个标准差范围内的数据；
步骤5)中使用的筛选差异波段的方法为Pearson相关性检验和相关性的显著性检验，去除的水吸收区域为3587.94-2970.66cm-1和1716.81-1543.2cm-1；筛选得到925.92-1396.596cm-1、1412.028-1539.342cm-1和1720.668-2966.802cm-1建模波段；
步骤6)中使用的光谱预处理方法为一阶微分、标准正态变量变换、多元散射校正和卷积平滑，使用的建模算法为随机森林和支持向量机；得到预处理方法和算法组合为多元散射矫正与支持向量机的组合。
CN202110503724.8A 2021-05-10 2021-05-10 高温灭菌奶中掺加豆粉及其掺加比例的光谱鉴定方法 Withdrawn CN113310929A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110503724.8A CN113310929A (zh) 2021-05-10 2021-05-10 高温灭菌奶中掺加豆粉及其掺加比例的光谱鉴定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110503724.8A CN113310929A (zh) 2021-05-10 2021-05-10 高温灭菌奶中掺加豆粉及其掺加比例的光谱鉴定方法

Publications (1)

Publication Number Publication Date
CN113310929A true CN113310929A (zh) 2021-08-27

Family

ID=77371768

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110503724.8A Withdrawn CN113310929A (zh) 2021-05-10 2021-05-10 高温灭菌奶中掺加豆粉及其掺加比例的光谱鉴定方法

Country Status (1)

Country Link
CN (1) CN113310929A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113933334A (zh) * 2021-10-13 2022-01-14 北京工商大学 一种基于特征选择和机器学习算法的洋槐蜜真伪鉴别方法
CN117368146A (zh) * 2023-12-08 2024-01-09 苏陀科技(北京)有限公司 一种菌丝体蛋白含量的快速检测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112525850A (zh) * 2020-10-01 2021-03-19 华中农业大学 奶牛奶、马奶、骆驼奶、山羊奶和水牛奶的光谱指纹识别方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112525850A (zh) * 2020-10-01 2021-03-19 华中农业大学 奶牛奶、马奶、骆驼奶、山羊奶和水牛奶的光谱指纹识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHAO DU 等: "Genetic Analysis of Milk Production Traits and Mid-Infrared Spectra in Chinese Holstein Population", 《ANIMALS》 *
PRANITA JAISWAL ET AL.: "Detection and quantification of soymilk in cow–buffalo milk using Attenuated Total Reflectance Fourier Transform Infrared spectroscopy (ATR–FTIR)", 《FOOD CHEMISTRY》 *
张爱武 等: "p值统计量建模独立性的高光谱波段选择方法", 《红外与激光工程》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113933334A (zh) * 2021-10-13 2022-01-14 北京工商大学 一种基于特征选择和机器学习算法的洋槐蜜真伪鉴别方法
CN113933334B (zh) * 2021-10-13 2024-03-26 北京工商大学 一种基于特征选择和机器学习算法的洋槐蜜真伪鉴别方法
CN117368146A (zh) * 2023-12-08 2024-01-09 苏陀科技(北京)有限公司 一种菌丝体蛋白含量的快速检测方法
CN117368146B (zh) * 2023-12-08 2024-03-12 苏陀科技(北京)有限公司 一种菌丝体蛋白含量的快速检测方法

Similar Documents

Publication Publication Date Title
CN102735642B (zh) 一种快速无损鉴别初榨橄榄油和油橄榄果渣油的方法
CN106841083A (zh) 基于近红外光谱技术的芝麻油品质检测方法
CN113310930A (zh) 高温灭菌奶、巴氏杀菌奶和掺加高温灭菌奶的巴氏杀菌奶的光谱鉴定方法
CN113310929A (zh) 高温灭菌奶中掺加豆粉及其掺加比例的光谱鉴定方法
CN107024450A (zh) 一种基于近红外光谱技术鉴别不同品牌和段数奶粉的方法
CN113310936A (zh) 四种高温灭菌商品牛奶的快速鉴定方法
CN107219184A (zh) 一种应用于产地溯源的肉类鉴别方法及装置
CN112098357B (zh) 一种基于近红外光谱的草莓感官品质等级评价方法
CN109374548A (zh) 一种利用近红外快速测定大米中营养成分的方法
CN107121408A (zh) 食用植物油品种的快速无损鉴别方法
CN113310937A (zh) 高温灭菌牛奶、巴氏杀菌奶牛鲜奶及奶粉复原牛奶的快速鉴定方法
CN113310934A (zh) 骆驼奶中掺加奶牛奶及其掺加比例的快速鉴定方法
CN113324943A (zh) 牦牛奶及其掺加奶牛奶的快速鉴别模型
CN113324940A (zh) 特优优质奶、高蛋白特色奶、高乳脂特色奶和普通奶的光谱分级方法
CN113324942A (zh) 原料牛奶、高温灭菌奶和掺加高温灭菌奶的原料牛奶的快速鉴定模型
CN110231306A (zh) 一种无损、快速测定奇亚籽蛋白质含量的方法
CN106729798A (zh) 一种中药材灭菌系统
CN106198423A (zh) 一种基于可见‑近红外光谱分析技术鉴别火腿肠等级的方法
CN113310933A (zh) 原料水牛奶保存天数的光谱鉴定方法
CN113324939A (zh) 基于光谱的原料牛奶中掺加豆粉及其掺加比例的鉴别模型
CN113324941A (zh) 原料牛奶保存时间的快速鉴定方法
CN113310938A (zh) 一种巴氏杀菌的水牛鲜奶和奶牛鲜奶的快速鉴定方法
CN113310928A (zh) 保质期内和过期高温灭菌牛奶的快速鉴定方法
CN106932358A (zh) 一种基于pls‑da快速无损识别云芝提取物掺假的方法
CN113310932A (zh) 巴氏杀菌水牛鲜奶中掺加高温灭菌奶的快速鉴别方法

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20210827

WW01 Invention patent application withdrawn after publication