CN113324942A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113324942A
CN113324942A CN202110503826.XA CN202110503826A CN113324942A CN 113324942 A CN113324942 A CN 113324942A CN 202110503826 A CN202110503826 A CN 202110503826A CN 113324942 A CN113324942 A CN 113324942A
Authority
CN
China
Prior art keywords
milk
temperature sterilized
raw milk
raw
model
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Withdrawn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
CN202110503826.XA
Other languages
English (en)
Inventor
张淑君
罗雪路
陈绍祜
张震
丁芳
闫磊
闫青霞
刘婷婷
马亚宾
倪俊卿
白文娟
王丽
龚晓玲
陈平
任小丽
李春芳
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 CN202110503826.XA priority Critical patent/CN113324942A/zh
Publication of CN113324942A publication Critical patent/CN113324942A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3577Investigating 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411Classification 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (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,具体涉及一种原料牛奶、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。发明步骤为:1)取原料牛奶、高温灭菌奶和原料牛奶中掺加不同比例高温灭菌奶作为检测样本;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)筛选合适建模光谱波段;6)在训练集上使用最近邻算法,通过10折交叉验证建立原料牛奶中掺加高温灭菌奶、原料牛奶和高温灭菌奶的鉴别模型。以准确性、kappa系数对模型进行评估和筛选;7)最优模型的验证与应用。

Description

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
技术领域
本发明属于奶品分析技术领域,具体涉及一种原料牛奶中掺加高温灭菌牛奶、原料牛奶 和高温灭菌牛奶的快速鉴定模型。
背景技术
牛奶营养成分丰富,营养价值高。牛奶的高营养成分(包括蛋白质,脂肪,碳水化合物, 维生素,矿物质和必需氨基酸)都接近中性pH值和高水分活度为许多微生物的生长提供了理 想环境。生乳是微生物的良好生长环境,该环境包含多种多样且复杂的微生物种群(Quigley, O'Sullivan et al.2013)牛奶菌群的具体组成直接影响牛奶的保存及乳制品的后续发展,原 料牛奶(又称原料奶、生奶、生鲜奶)中的细菌总数也是牛奶质量的重要评价指标之一,直 接关系到牛奶价格。为了保持牛奶的稳定性并延长保质期,牛奶加工的作用在于预防由牛奶 中存在的病原菌或腐败微生物引起的疾病(Zhu,Kebede et al.2020)高温灭菌法(UHT)是我 国常用的一种牛奶加工工艺,能彻底消灭原料牛奶中的一切微生物,经高温灭菌处理后的高 温灭菌牛奶可延长保质期且安全性得到提高。但热处理会降低牛奶中脂蛋白、维生素等营养 物质的含量和抗氧化能力。(Dias,Augusto-Obara etal.2020)从原料牛奶(又称原料奶、 生鲜奶)生产者角度出发,当原料牛奶的细菌总数过高时在原料牛奶中掺入高温灭菌牛奶进 行掩盖,使原料牛奶达标;或接近过期的高温灭菌牛奶,掺加到原料牛奶中再回收和利用, 以获得利润。因此,有必要建立原料牛奶、高温灭菌牛奶的快速高效的鉴定技术。
有研究者开发了一种基于高效液相色谱-四极杆飞行时间质谱的代谢组学方法,用于区分 生乳,巴氏灭菌乳和UHT乳。但仅鉴定了将UHT乳与生乳和巴氏灭菌乳区分开的生物标记(7 种脂质和1种磷脂)(Zhang,Li et al.2018)。其鉴别方法复杂,且不能对原料牛奶掺高温 灭菌牛奶进行鉴别。
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,且广泛应用于乳用动物,特别是奶牛的生产性能测定。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,且难以避免数据不完整、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 噪声及异常值、特征选择等,可利用中红外光谱MIR建立原料牛奶中掺加高温灭菌牛奶、原料 牛奶和高温灭菌牛奶的快速鉴定技术。
发明内容
本发明的目的在于克服现有技术的缺陷,建立原料牛奶中掺加高温灭菌牛奶、原料牛奶 和高温灭菌牛奶的快速鉴定模型。
为了确定最佳的预处理和建模算法组合,本发明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2种建模方法,共建立了10个原料牛奶中掺加高温灭菌牛奶、原料牛奶和高 温灭菌牛奶的快速鉴定模型。并且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。所建立的最优模型在测试集和验证集中的准确率均可达到 0.97。
本发明的技术方案如下所述:
一种原料牛奶中掺加高温灭菌牛奶、原料牛奶和高温灭菌牛奶的快速鉴定模型,包括以 下步骤:
1)奶样的选取
从不同牛场采集得到120个原料牛奶;从超市中购买销售量较高的四个品牌15个批次的高温 灭菌牛奶,将所有的高温灭菌牛奶混合,并模拟六个体积百分比(0%、5%、10%、20%、50%、 100%)掺假分别掺加到原料牛奶中,获得六个模拟掺假原料牛奶(编号分别为1、2、3、4、5 和6),六个掺假原料牛奶的样本数分别为60、61、62、111、118、118.共530个样本;
2)中红外光谱采集
采用乳成分检测仪对奶样进行扫描,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
将数据集按照分层抽样的原则划分为训练集和测试集,两者分别占数据集的80%和20%;
5)确定建模光谱波段
筛选原料牛奶、掺加了不同比例高温灭菌牛奶的原料牛奶以及高温灭菌牛奶的差异波 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,以原料牛奶中掺加高温灭菌牛奶、原料牛奶和高温灭 菌牛奶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,筛选得到最优模型;
6)最优模型的验证与应用
另取原料牛奶中掺加高温灭菌牛奶、原料牛奶和高温灭菌牛奶的样本,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,将奶样分别倒入直径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;最终筛选出的建模波段为 1018.139-1176.124cm-1、1191.537-1569.16cm-1、1723.292-1765.678cm-1和2844.6-2967.905cm-1
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);最佳的预处理和算法组合为不进行预处理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筛选得到优化建模波段为1018.139-1176.124cm-1、1191.537-1569.16cm-1、1723.292-1765.678cm-1和2844.6-2967.905cm-1
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。本发 明共建立了10个鉴别模型以筛选最优模型,提高了鉴别的速率和准确性。
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中的横坐标为 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(5%)、实线加
Figure BDA0003057503400000031
标记为类别3(10%)、实线加竖线标记为类别4(20%)、实线加正方形标记为类别5(50%)、 实线加正五边形标记为类别6(100%)。图1(a)为所有建模波段(1018.139-1176.124cm-1、 1191.537-1569.16cm-1、1723.292-1765.678cm-1和2844.6-2967.905cm-1)的总体吸光值图,图1 (b)、图1(c)、图1(d)、图1(e)分别为1018.139-1176.124cm-1、1191.537-1569.16cm-1、1723.292-1765.678cm-1和2844.6-2967.905cm-1 4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,附图标记说明:图2中的横坐标为预测标签,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,附图标记说明: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。如图中最左边的圆形的代表被分为1类的概率为0.5,为正确分类;类别1 中正方形的点表示被错误分为1类的点,被错误分为1类的概率为0.624,箭头所指向的三 角形的点所在类别(2类)是其正确的类别。
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)。
具体操作步骤如下:
(1)奶样的采集
从不同牛场采集120个原料牛奶;购买销售量较高的四个品牌15个批次的高温灭菌牛奶, 将所有的高温灭菌牛奶混合,并按照六个模拟掺假比例(0%、5%、10%、20%、50%、100%)分 别掺加到原料牛奶中,获得六个模拟掺假原料牛奶(编号分别为1、2、3、4、5和6),六个 掺假模拟原料牛奶的样本数分别为60、61、62、111、118、118.样本总数为530个。
(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
对530个样本牛奶的MIR计算马氏距离,保留光谱马氏距离≤3的数据,表1为此过程的样 本量变化统计,除去4个异常样本,得到有效样本526个,将其按分层抽样法分为训练集(n=420) 和测试集(n=106)。试验设计见表1。
表1剔除异常值时的样本量变化
Figure BDA0003057503400000041
Figure BDA0003057503400000051
表2常规乳成分的描述性统计
Figure RE-GDA0003137225440000052
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1018.139-1176.124cm-1、1191.537-1569.16cm-1、1723.292-1765.678cm-1和2844.6-2967.905cm-1光谱波段进行建模。如 图1所示。
将数据集分为训练集(n=420)、测试集(n=106)和验证集(n=30)。
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算法的建模结果如下表所示。
表3不同预处理下RF和SVM的建模结果
Figure BDA0003057503400000053
Figure BDA0003057503400000061
(5)最优模型的筛选和确定
在此判别模型中,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,说明此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,且不进行预处理的模型 准确率更高,因此,选择不进行预处理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,预测测试集的106个样本。以混淆矩阵衡量模型在测试集的性 能,如图2所示。由图2可知,本实施例中测试集出现3个错分类情况,其中1个是将类别2(5%) 误判为类别1(0%),另2个错误分类是将类别1(0%)误判为类别2(5%),说明错误分类在 掺假梯度较小时更易出现,但模型在测试集上的整体分类效果较好。
图3为测试集中类别分类的概率,圆形的点代表正确的样本,正方形的点代表错误分类的 样本,正方形的点箭头所指向的三角形的点代表正方形的点的真实类别。例如图中最左边的 圆形的点表示此样本被分为2类的概率为0.5,为正确分类。类别1中正方形的点表示被错误分 为1类的点,被错误分为1类的概率为0.624,箭头所指向的三角形的点所在类别(2类)是其 正确的类别。同理类别2中的2个正方形的点表示被错误分为2类的点,这两个样本被判别为2 类的概率分别为0.661和0.679,这两个点的正确类别应为类别1。由图可知,测试集中的所有 样本出现了3例错误分类,其余103个样本均被正确分类,且大部分样本被正确分类的概率 >0.80。
实施例2:本发明模型的应用
采用实施例1的测定光谱、数据预处理等技术,对50个样本进行测定和处理,使用筛选出 的最优模型进行鉴定,结果如表4所示。
表4模型应用结果
类别 真实样本个数 鉴定样本个数 准确率
1 5 5 1.00
2 4 3 0.75
3 3 3 1.00
4 4 4 1.00
5 7 7 1.00
6 7 7 1.00
总体 30 29 1.00
本发明对30个样本进行了测定和处理,用优选模型进行鉴定,类别2中出现1个错误分类 样本,其余类别均全部正确分类,30个样本总体分类准确率为0.98。
主要参考文献:
1.Dias,F.F.G.,T.R.Augusto-Obara,M.Hennebelle,S.Chantieng,G.Ozturk,A.Y.Taha,T.Vieira and J.M. Leite Nobrega de Moura Bell(2020)."Effects ofindustrial heat treatments on bovine milk oxylipins and conventional markersof lipid oxidation."Prostaglandins Leukot Essent Fatty Acids 152:102040.
2.Quigley,L.,O.O'Sullivan,C.Stanton,T.P.Beresford,R.P.Ross,G.F.Fitzgerald and P.D.Cotter(2013)."The complex microbiota of raw milk."FEMS Microbiol Rev 37(5):664-698.
3 Zhang,Y.D.,P.Li,N.Zheng,Z.W.Jia,N.Meruva,A.Ladak,G.Cleland,F.Wen,S.L.Li,S.G.Zhao and J.Q. Wang(2018)."A metabolomics approach to characterizeraw,pasteurized,and ultra-high temperature milk using ultra-performanceliquid chromatography-quadrupole time-of-flight mass spectrometry andmultivariate data analysis."J Dairy Sci 101(11):9630-9636.
4.Zhu,D.,B.Kebede,G.Chen,K.McComb and R.Frew(2020)."Effects of thevat pasteurization process and refrigerated storage on the bovine milkmetabolome."J Dairy Sci 103(3):2077-2088。

Claims (1)

1.一种原料牛奶中掺加高温灭菌牛奶、原料牛奶和高温灭菌牛奶的快速鉴定模型,其特征在于包括以下步骤:
1)奶样的选取
从不同牛场采集原料牛奶;商购高温灭菌牛奶,将高温灭菌牛奶混合,模拟体积百分比为0%、5%、10%、20%、50%、100%梯度分别掺加到原料牛奶中,获得模拟掺假原料牛奶作为检测样本;
2)中红外光谱采集
采用乳成分检测仪对奶样进行扫描,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
将数据集按照分层抽样的原则划分为训练集和测试集,两者分别占数据集的80%和20%;
5)确定建模光谱波段
筛选原料牛奶、掺加不同比例高温灭菌牛奶的原料牛奶以及高温灭菌牛奶的差异波段,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,以原料牛奶中掺加高温灭菌牛奶、原料牛奶和高温灭菌牛奶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,以准确率和kappa系数进行评估和筛选,得到最优模型;
6)最优模型的验证与应用
用步骤5)的模型对另取的原料牛奶中掺加高温灭菌牛奶、原料牛奶和高温灭菌牛奶的样本进行鉴别和评估;
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;优化建模波段为1018.139-1176.124cm-1、1191.537-1569.16cm-1、1723.292-1765.678cm-1和2844.6-2967.905cm-1
步骤6)中使用的光谱预处理方法为用一阶微分、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;最佳的预处理和算法组合为不进行预处理与支持向量机的组合。
CN202110503826.XA 2021-05-10 2021-05-10 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 Withdrawn CN113324942A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110503826.XA CN113324942A (zh) 2021-05-10 2021-05-10 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110503826.XA CN113324942A (zh) 2021-05-10 2021-05-10 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

Publications (1)

Publication Number Publication Date
CN113324942A true CN113324942A (zh) 2021-08-31

Family

ID=77415106

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110503826.XA Withdrawn CN113324942A (zh) 2021-05-10 2021-05-10 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

Country Status (1)

Country Link
CN (1) CN113324942A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113820428A (zh) * 2021-10-11 2021-12-21 中国农业科学院农业质量标准与检测技术研究所 不同热加工方式牛奶的脂质组生物标志物及其筛选方法和应用

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 (2)

* Cited by examiner, † Cited by third party
Title
CHAO DU ET AL.: ""Genetic Analysis of Milk Production Traits and Mid-Infrared Spectra in Chinese Holstein Population"", 《ANIMALS》 *
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 (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113820428A (zh) * 2021-10-11 2021-12-21 中国农业科学院农业质量标准与检测技术研究所 不同热加工方式牛奶的脂质组生物标志物及其筛选方法和应用

Similar Documents

Publication Publication Date Title
Yao et al. Nondestructive detection for egg freshness grade based on hyperspectral imaging technology
Jiang et al. Nondestructive detection and quantification of blueberry bruising using near-infrared (NIR) hyperspectral reflectance imaging
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
CN1804582A (zh) 一种利用近红外光谱鉴别生鲜乳和商品乳中的还原乳的方法
Laporte et al. The near-infrared optic probe for monitoring rennet coagulation in cow’s milk
CN106124445A (zh) 一种快速、无损鉴别转基因大豆方法
CN107219184A (zh) 一种应用于产地溯源的肉类鉴别方法及装置
CN113310936A (zh) 四种高温灭菌商品牛奶的快速鉴定方法
Tarapoulouzi et al. Chemometric analysis combined with FTIR spectroscopy of milk and Halloumi cheese samples according to species’ origin
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
Zhang et al. Rapid authentication of the geographical origin of milk using portable near‐infrared spectrometer and fuzzy uncorrelated discriminant transformation
Sun et al. Non-destructive detection of blackheart and soluble solids content of intact pear by online NIR spectroscopy
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
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
CN113324943A (zh) 牦牛奶及其掺加奶牛奶的快速鉴别模型
Ghilardelli et al. A preliminary study to classify corn silage for high or low mycotoxin contamination by using near infrared spectroscopy
CN113310934A (zh) 骆驼奶中掺加奶牛奶及其掺加比例的快速鉴定方法
CN112666114A (zh) 利用光谱识别水牛奶与马奶的方法
JP2002005827A (ja) 被検体の情報を得る方法
CN112213281A (zh) 一种基于透射近红外光谱快速测定淡水鱼新鲜度综合评价的方法
Fu et al. A novel non-destructive detection of deteriorative dried longan fruits using machine learning algorithms based on low field nuclear magnetic resonance
US20230089466A1 (en) Establishment of Identification and Screening Method of Cows with A2 Beta-Casein Genotype of Producing A2 Milk and Applications Thereof
Logan et al. Analysis of Raman spectra for the verification of Australian grass‐and grain‐fed beef using principal component analysis and partial least square models
CN108398400B (zh) 利用太赫兹成像无损检测小麦中脂肪酸含量的方法
Fu et al. Discrimination of pear varieties using three classification methods based on near-infrared spectroscopy

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: 20210831

WW01 Invention patent application withdrawn after publication