CN113324987B - 一种检测芝麻油掺假的方法 - Google Patents

一种检测芝麻油掺假的方法 Download PDF

Info

Publication number
CN113324987B
CN113324987B CN202110760920.3A CN202110760920A CN113324987B CN 113324987 B CN113324987 B CN 113324987B CN 202110760920 A CN202110760920 A CN 202110760920A CN 113324987 B CN113324987 B CN 113324987B
Authority
CN
China
Prior art keywords
sesame oil
polyphenol
red
adulteration
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.)
Active
Application number
CN202110760920.3A
Other languages
English (en)
Other versions
CN113324987A (zh
Inventor
付海燕
刘瑞
陈亨业
杨健
王游游
周春松
佘远斌
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.)
South Central Minzu University
Original Assignee
South Central University for Nationalities
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 South Central University for Nationalities filed Critical South Central University for Nationalities
Priority to CN202110760920.3A priority Critical patent/CN113324987B/zh
Publication of CN113324987A publication Critical patent/CN113324987A/zh
Application granted granted Critical
Publication of CN113324987B publication Critical patent/CN113324987B/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
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/75—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated
    • G01N21/77—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator
    • G01N21/78—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator producing a change of colour
    • 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
    • G01N21/75—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated
    • G01N21/77—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator
    • G01N2021/775—Indicator and selective membrane
    • 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
    • G01N21/75—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated
    • G01N21/77—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator
    • G01N2021/7756—Sensor type

Landscapes

  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Plasma & Fusion (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analyzing Non-Biological Materials By The Use Of Chemical Means (AREA)
  • Investigating Or Analysing Materials By The Use Of Chemical Reactions (AREA)

Abstract

本发明公开一种检测芝麻油掺假的方法，涉及芝麻油质量监测技术领域。具体包括：将标准芝麻油加入由多酚类染料和锌离子混合制成的混合体系中反应，记录颜色变化，作为标准色；将待测芝麻油样品加入由多酚类染料和锌离子混合制成的混合体系中反应，记录颜色变化并和标准色比对；根据二者颜色差值判定芝麻油是否掺假结论。本发明基于Zn2+与芝麻油中化合物之间的配位作用可以破坏Zn2+和多酚类染料(茜素红S、溴焦酚红、邻苯三酚红、邻苯二酚紫)之间弱的络合作用，实现多酚类染料颜色的恢复。对保护消费者的健康及利益、对相关部门的检测鉴别工作以及维护良好的市场环境都具有重要意义。

Description

一种检测芝麻油掺假的方法
技术领域
本发明涉及芝麻油质量监测技术领域，具体涉及一种检测芝麻油掺假的方法。
背景技术
芝麻油是一种从芝麻中提取的具有特殊风味的植物油，其中包含大量的木脂素、维生素E、芝麻酚等活性物质，具有抗氧化、抗癌和抗衰老作用。它因其独特的香气和卓越的营养价值而受到全世界人们的喜爱。由于利益的驱使，近年来，市场上出现了假冒伪劣、以次充好的芝麻油产品。在掺假过程中，通常使用廉价的植物油添加香精和色素以模拟真正的芝麻油。
目前国内外检测芝麻油掺假的方法有脂肪酸光谱法、核磁共振光谱法、色谱法等传统分析方法，这些分析方法具有较高的准确度和可靠性，但需借助于昂贵的设备以及严格的实验室条件，样品处理不仅复杂，而且分析速度很慢，不能满足市场快速检测的需要。传统荧光光谱分析法在食用植物油定性分析方面具有高灵敏度、定量准确、取样量少等优点，并且国内外在这方面也已取得了一定的研究成果，但食用植物油的荧光光谱峰有重叠缺陷，使很多荧光信息都隐含在主峰之中，加大了荧光光谱的解析难度。因此需要建立一种方便、快速、经济检测方法用于芝麻油真实性的检测以适应市场需求。
发明内容
针对现有技术的不足，本发明提出了一种多酚类染料阵列传感器快速检测芝麻油掺假的新方法：首先通过气相-质谱/质谱方法使用auto GCMS Data Anal非靶标代谢组学自动分析策略及化学计量学算法高通量筛选与芝麻油真实性密切相关的挥发性标志物，并通过模拟各类芝麻油掺假问题验证了真实性标志物的有效性，接着通过量子化学计算发现锌离子与芝麻油中化合物的配位能力强于锌离子与染料的络合作用，因此基于Zn2+与芝麻油中化合物之间的配位作用将破坏Zn2+和多酚类染料(茜素红S、溴焦酚红、邻苯三酚红、邻苯二酚紫)之间弱的络合作用，实现多酚类染料颜色的恢复，最后实现对芝麻油掺假的检测对保护消费者的健康及利益、对相关部门的检测鉴别工作以及维护良好的市场环境都具有重要意义。
本发明的技术方案之一，一种检测芝麻油掺假的方法，包括以下步骤：
将标准芝麻油加入由多酚类染料和锌离子混合制成的混合体系中反应，记录颜色变化，作为标准色；
将待测芝麻油样品加入由多酚类染料和锌离子混合制成的混合体系中反应，记录颜色变化并和标准色比对；
根据二者颜色差值判定芝麻油是否掺假结论。
进一步地，所述多酚类染料为茜素红S、溴焦酚红、邻苯三酚红和邻苯二酚紫中的一种；
其中，多酚类染料为茜素红S时，混合体系中：C茜素红S：CZn 2+的摩尔浓度比为1：(10～30)；
多酚类染料为溴焦酚红时，混合体系中：C溴焦酚红：CZn 2+的摩尔浓度比为1：(80～100)；
多酚类染料为邻苯三酚红时，混合体系中：C邻苯三酚红：CZn 2+的摩尔浓度比为1：(30～50)；
多酚类染料为邻苯二酚紫时，混合体系中：C邻苯二酚紫：CZn 2+的摩尔浓度比为1：(40～60)；
所述芝麻油的与多酚类染料的体积比为1：(0.1～0.3)。
所述芝麻油和混合体系的反应时间为5～15min。
本发明的技术方案之二，一种检测芝麻油掺假传感器的制备方法，包括以下步骤：
多酚类染料与锌离子混合制备混合体系，记录混合体系颜色点；
以标准芝麻油为原料配制特定浓度的掺假芝麻油，具体步骤为以大豆油为掺假油，分别对芝麻油进行5％-90％浓度的掺假；
分别将标准芝麻油、特定浓度的掺假芝麻油和混合体系混合反应，记录标准芝麻油颜色点以及掺假芝麻油颜色点；
提取混合体系颜色点、标准芝麻油颜色点以及掺假芝麻油颜色点的RGB值，构建多酚类染料RGB值与芝麻油掺假浓度之间的线性方程，并构建标准比色卡，得到所述检测芝麻油掺假传感器。
进一步地，所述多酚类染料为茜素红S、溴焦酚红、邻苯三酚红和邻苯二酚紫中的一种；
其中，多酚类染料为茜素红S时，混合体系中：C茜素红S：CZn 2+的摩尔浓度比为1：(10～30)；
多酚类染料为溴焦酚红时，混合体系中：C溴焦酚红：CZn 2+的摩尔浓度比为1：(80～100)；
多酚类染料为邻苯三酚红时，混合体系中：C邻苯三酚红：CZn 2+的摩尔浓度比为1：(30～50)；
多酚类染料为邻苯二酚紫时，混合体系中：C邻苯二酚紫：CZn 2+的摩尔浓度比为1：(40～60)；
所述标准芝麻油或特定浓度的掺假芝麻油、多酚类染料、锌离子的体积比：V多酚类染料：VZn 2+：V芝麻油＝1：1：(0.1～0.3)；
所述标混合反应时间为5～15min。
进一步地，所述特定浓度的掺假芝麻油具体包括：掺假浓度为5％,10％,20％,30％,40％,50％,60％,70％,80％和90％的掺假芝麻油。
进一步地，所述标准比色卡第1列为多酚类染料原始颜色，第2列为多酚类染料与锌离子混合后的混合体系颜色点，第3～12列分别为5％,10％,20％,30％,40％,50％,60％,70％,80％,90％芝麻油掺假浓度与混合体系反应后掺假芝麻油颜色点。
进一步地，结合偏最小二乘判别分析模型和偏最小二乘回归法模型对提取的RGB值进行进一步处理
本发明的技术方案之三，上述检测芝麻油掺假传感器的制备方法所制备的检测芝麻油掺假传感器。
本发明的技术方案之四，上述检测芝麻油掺假传感器在检测芝麻油掺假中的应用。
本发明的技术原理：
本发明首先通过GC-MS/MS仪器结合非靶标代谢组学筛选出芝麻油与掺假油(大豆油、玉米油、菜籽油、花生油)中的显著性差异化合物。选择了不同品牌及芝麻来源的芝麻油和多种掺假油，基于大量的样本量筛选得到的含量具有显著性差异的化合物共六种，分别为3-甲基-2-丁酮、2-乙基-5-甲基吡嗪、愈创木酚、2,6-二甲基吡嗪、5-甲基糠醛和乙基吡嗪。再通过高斯计算，我们计算得出锌离子与芝麻油中化合物的配位能力强于锌离子与染料的络合作用，因此基于不同油样品中化合物含量的差异对多酚类染料与锌离子络合物中锌离子的抢夺能力的差异造成的色变信号的不同，实现对芝麻油掺假的精准判别。
与现有技术相比，本发明的有益效果：
本发明基于多酚类染料与金属离子Zn2+可络合发生色变，而芝麻油中的3-甲基-2-丁酮、2-乙基-5-甲基吡嗪、愈创木酚、2,6-二甲基吡嗪、5-甲基糠醛和乙基吡嗪等(在统计学上和芝麻油之间的含量具有显著的差异)化合物成分则可以和锌离子发生配位作用，从而破坏多酚类染料与金属离子Zn2+之间的络合作用，实现多酚类染料颜色的恢复；而掺假芝麻油由于芝麻油含量低甚至没有，则没有类似的恢复的现象，使用PS软件提取比色板中多酚类染料颜色恢复的RGB值，使用化学计量学方法对所述RGB值进行判别，实现对芝麻油真实性及掺假浓度的判别。该传感器对于芝麻油的真实性判别表现出卓越的性能。
针对现有检测方法中存在的成本高昂、操作复杂、检测时间长等问题，本发明提出了一种多酚类染料阵列传感器快速检测芝麻油掺假的新方法。该阵列传感器具有体积小、精度高、响应快，可视化等优点，可快速实现芝麻油真假的判别以及掺假浓度的定量。
附图说明
图1为本发明实施例1多酚类染料阵列传感器快速检测芝麻油掺假的操作示意图。
图2为本发明实施例1中反应后实验结果拍照后通过photoshop 14.0软件提取10×10的像素点后的结果图。
图3为多酚类染料阵列传感器对5％-90％掺假浓度的芝麻油偏最小二乘判别分析结果图，其中A：训练集判别结果图，B：预测集判别结果图。
图4为多酚类染料阵列传感器基于PLSR模型的真实芝麻油掺假浓度与预测浓度之间的相关图；其中A：茜素红S，B：溴焦酚红，C：邻苯三酚红，D：邻苯二酚紫。
具体实施方式
现详细说明本发明的多种示例性实施方式，该详细说明不应认为是对本发明的限制，而应理解为是对本发明的某些方面、特性和实施方案的更详细的描述。
应理解本发明中所述的术语仅仅是为描述特别的实施方式，并非用于限制本发明。另外，对于本发明中的数值范围，应理解为还具体公开了该范围的上限和下限之间的每个中间值。在任何陈述值或陈述范围内的中间值以及任何其他陈述值或在所述范围内的中间值之间的每个较小的范围也包括在本发明内。这些较小范围的上限和下限可独立地包括或排除在范围内。
除非另有说明，否则本文使用的所有技术和科学术语具有本发明所述领域的常规技术人员通常理解的相同含义。虽然本发明仅描述了优选的方法和材料，但是在本发明的实施或测试中也可以使用与本文所述相似或等同的任何方法和材料。本说明书中提到的所有文献通过引用并入，用以公开和描述与所述文献相关的方法和/或材料。在与任何并入的文献冲突时，以本说明书的内容为准。
在不背离本发明的范围或精神的情况下，可对本发明说明书的具体实施方式做多种改进和变化，这对本领域技术人员而言是显而易见的。由本发明的说明书得到的其他实施方式对技术人员而言是显而易见得的。本申请说明书和实施例仅是示例性的。
关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等，均为开放性的用语，即意指包含但不限于。
本发明以下实施例中，掺假浓度为5％～90％浓度的芝麻油的配制方法如下：
以大豆油为掺假油，加入大豆油0.5g，芝麻油9.5g均匀混合为5％掺假浓度的芝麻油，改变大豆油与芝麻油的加入比例，分别配制5％～90％掺假浓度的芝麻油。
实施例1
图1为本实施例多酚类染料阵列传感器快速检测芝麻油掺假的操作示意图；
在96孔板中，以茜素红S、溴焦酚红、邻苯三酚红、邻苯二酚紫四种染料分别作为阵列传感器的第1列的第一行、第二行、第三行和第四行。
第2列中分别为第1列相应染料与Zn2+的混合络合体系，具体的：
第2列第一行：C茜素红S＝10×10-5mol/L，对应CZn 2+为20×10-4mol/L；
第2列第二行：C溴焦酚红＝40×10-6mol/L，对应CZn 2+为40×10-4mol/L；
第2列第三行：C邻苯三酚红＝10×10-5mol/L，对应CZn 2+为40×10-4mol/L；
第2列第四行：C邻苯二酚紫＝16×10-5mol/L，对应CZn 2+为80×10-4mol/L；
第3～12列分别为第2列相应的混合络合体系与掺假浓度为5％,10％,20％,30％,40％,50％,60％,70％,80％,90％浓度的芝麻油混合反应10min。其中，混合体系和芝麻油的混合体积比为1：0.2；
使用相机获取反应后96孔板中染料的颜色。
将茜素红S，邻苯三酚红、溴焦酚红和邻苯二酚紫与不同掺假浓度的芝麻油的图片通过Photoshop 14.0软件提取10×10的像素点(见图2，其中空白为单独多酚类染料颜色，对照为多酚类染料和锌离子络合后颜色)，通过和Matlab R2016a将图片信息转换为RGB数值信息，为1200×100的矩阵。
用偏最小二乘判别分析(PLSDA)进行模式判别以及偏最小二乘回归法PLSR进行线性判别分析，每种浓度重复10个平行。芝麻油掺假浓度PLSDA模式判别的训练集和预测集的划分见表1，多酚类染料阵列传感器对5％-90％掺假浓度的芝麻油偏最小二乘判别分析结果件图3和表2；
根据上述结果构建标准比色卡，得到所述检测芝麻油掺假传感器。
表1.芝麻油掺假浓度PLSDA模式判别的训练集和预测集的划分
Figure BDA0003149663940000061
Figure BDA0003149663940000071
表2阵列传感器对芝麻油掺假的PLS-DA判别结果
Figure BDA0003149663940000072
判别结果如图3和表2所示，训练集样本数均大于预测集样本数。共有十个掺假浓度，每一浓度下有40个样本。在state＝5时，选取最佳隐变量为15，在该条件下，训练集的与预测集的正确率均为100％。
分别针对四种染料与不同浓度芝麻油进行线性回归判别分析，多酚类染料阵列传感器基于PLSR模型的真实芝麻油掺假浓度与预测浓度之间的相关图见图4(A：茜素红S，B：溴焦酚红，C：邻苯三酚红，D：邻苯二酚紫)所示，使用校正集中样品的校准均方根误差RMSEC和预测集中样品的预测均方根误差RMSEP来评估校正模型的准确性。R2 C和R2 P用来评估校正集和预测集中的预测值和真实值的相关关系，结果见表3。由表3可知，四种染料中R2 C和R2 P均大于0.9900.针对芝麻油掺假浓度的真实值与预测值几乎没有偏离。这证明了这四种染料可以很好的预测芝麻油的掺假浓度，并提供准确可靠的定量结果。
表3.多酚类染料的PLSR模型对芝麻油真实性预测结果
Figure BDA0003149663940000073
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种检测芝麻油掺假的方法，其特征在于，包括以下步骤：
将标准芝麻油加入由多酚类染料和锌离子混合制成的混合体系中反应，记录颜色变化，作为标准色；
将待测芝麻油样品加入由多酚类染料和锌离子混合制成的混合体系中反应，记录颜色变化并和标准色比对；
根据二者颜色差值判定芝麻油是否掺假；
所述多酚类染料为茜素红S、溴焦酚红、邻苯三酚红和邻苯二酚紫中的一种。
2.根据权利要求1所述的检测芝麻油掺假的方法，其特征在于，
所述多酚类染料为茜素红S时，混合体系中：C茜素红S：CZn 2+的摩尔浓度比为1：(10～30)；
所述多酚类染料为溴焦酚红时，混合体系中：C溴焦酚红：CZn 2+的摩尔浓度比为1：(80～100)；
所述多酚类染料为邻苯三酚红时，混合体系中：C邻苯三酚红：CZn 2+的摩尔浓度比为1：(30～50)；
所述多酚类染料为邻苯二酚紫时，混合体系中：C邻苯二酚紫：CZn 2+的摩尔浓度比为1：(40～60)；
所述标准芝麻油或待测芝麻油、多酚类染料、锌离子的体积比：V多酚类染料：VZn 2+：V芝麻油＝1：1：(0.1～0.3)；
所述芝麻油和混合体系的反应时间为5～15min。
3.一种检测芝麻油掺假传感器的制备方法，其特征在于，包括以下步骤：
多酚类染料与锌离子混合制备混合体系，记录混合体系颜色点；
以标准芝麻油为原料配制特定浓度的掺假芝麻油；
分别将标准芝麻油、特定浓度的掺假芝麻油和混合体系混合反应，记录标准芝麻油颜色点以及掺假芝麻油颜色点；
提取混合体系颜色点、标准芝麻油颜色点以及掺假芝麻油颜色点的RGB值，构建多酚类染料RGB值与芝麻油掺假浓度之间的线性方程，并构建标准比色卡，得到所述检测芝麻油掺假传感器。
4.根据权利要求3所述的检测芝麻油掺假传感器的制备方法，其特征在于，
所述多酚类染料为茜素红S、溴焦酚红、邻苯三酚红和邻苯二酚紫中的一种；
其中，多酚类染料为茜素红S时，混合体系中：C茜素红S：CZn 2+的摩尔浓度比为1：(10～30)；
多酚类染料为溴焦酚红时，混合体系中：C溴焦酚红：CZn 2+的摩尔浓度比为1：(80～100)；
多酚类染料为邻苯三酚红时，混合体系中：C邻苯三酚红：CZn 2+的摩尔浓度比为1：(30～50)；
多酚类染料为邻苯二酚紫时，混合体系中：C邻苯二酚紫：CZn 2+的摩尔浓度比为1：(40～60)；
所述芝麻油的与多酚类染料的体积比为1：(0.1～0.3)；
所述标准混合反应时间为5～15min。
5.根据权利要求3所述的检测芝麻油掺假传感器的制备方法，其特征在于，所述特定浓度的掺假芝麻油具体包括：掺假浓度为5％，10％，20％，30％，40％，50％，60％，70％，80％和90％的掺假芝麻油。
6.根据权利要求5所述的检测芝麻油掺假传感器的制备方法，其特征在于，所述标准比色卡第1列为多酚类染料原始颜色，第2列为多酚类染料与锌离子混合后的混合体系颜色点，第3～12列分别为5％，10％，20％，30％，40％，50％，60％，70％，80％，90％芝麻油掺假浓度与混合体系反应后掺假芝麻油颜色点。
7.根据权利要求3所述的检测芝麻油掺假传感器的制备方法，其特征在于，结合偏最小二乘判别分析模型和偏最小二乘回归法模型对提取的RGB值进行进一步处理。
8.一种根据权利要求3-7任一项所述的检测芝麻油掺假传感器的制备方法所制备的检测芝麻油掺假传感器。
9.一种根据权利要求8所述的检测芝麻油掺假传感器在检测芝麻油掺假中的应用。
CN202110760920.3A 2021-07-06 2021-07-06 一种检测芝麻油掺假的方法 Active CN113324987B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110760920.3A CN113324987B (zh) 2021-07-06 2021-07-06 一种检测芝麻油掺假的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110760920.3A CN113324987B (zh) 2021-07-06 2021-07-06 一种检测芝麻油掺假的方法

Publications (2)

Publication Number Publication Date
CN113324987A CN113324987A (zh) 2021-08-31
CN113324987B true CN113324987B (zh) 2022-08-05

Family

ID=77425706

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110760920.3A Active CN113324987B (zh) 2021-07-06 2021-07-06 一种检测芝麻油掺假的方法

Country Status (1)

Country Link
CN (1) CN113324987B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113834790B (zh) * 2021-09-07 2023-07-04 湘潭大学 一种检测山茶油掺杂的方法
CN116403661B (zh) * 2023-04-14 2023-10-13 中南民族大学 一种基于美拉德反应产物荧光信号解析的高温大曲白酒鉴别和化合物预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102288565A (zh) * 2011-07-29 2011-12-21 河南省农科院农副产品加工研究所 一种快速检测芝麻油掺伪的方法
CN105044025A (zh) * 2015-09-07 2015-11-11 天津工业大学 一种近红外快速识别芝麻油及芝麻油中掺杂大豆油的方法
CN106841083A (zh) * 2016-11-02 2017-06-13 北京工商大学 基于近红外光谱技术的芝麻油品质检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102288565A (zh) * 2011-07-29 2011-12-21 河南省农科院农副产品加工研究所 一种快速检测芝麻油掺伪的方法
CN105044025A (zh) * 2015-09-07 2015-11-11 天津工业大学 一种近红外快速识别芝麻油及芝麻油中掺杂大豆油的方法
CN106841083A (zh) * 2016-11-02 2017-06-13 北京工商大学 基于近红外光谱技术的芝麻油品质检测方法

Also Published As

Publication number Publication date
CN113324987A (zh) 2021-08-31

Similar Documents

Publication Publication Date Title
Bontempo et al. Isotopic and elemental composition of selected types of Italian honey
CN113324987B (zh) 一种检测芝麻油掺假的方法
Brescia et al. Characterization of the geographical origin of Italian red wines based on traditional and nuclear magnetic resonance spectrometric determinations
Esslinger et al. Potential and limitations of non-targeted fingerprinting for authentication of food in official control
CN108680572B (zh) 一种颜色/荧光双信号可视化快速检测亚硝酸盐的方法及应用
CN104807787B (zh) 一种基于激光诱导击穿光谱技术的茶叶分类鉴别方法
Peng et al. A smartphone-based colorimetry after dispersive liquid–liquid microextraction for rapid quantification of calcium in water and food samples
Milman Chemical identification and its quality assurance
CN102692388B (zh) 数字成像系统及其快速检测果蔬中有机磷农药残留的方法
CN102967597A (zh) 一种基于嗅觉成像传感技术的黄酒酒龄鉴别方法和鉴别系统
CN101270121A (zh) 罗丹明6g酰肼水杨醛希弗碱、合成方法及在铜离子含量测定的应用
CN106918567B (zh) 一种测量痕量金属离子浓度的方法和装置
KR101965293B1 (ko) 한국산과 중국산 백미 판별용 Biomarker 및 이를 이용한 판별 모델
Lv et al. Research on the reaction mechanism of colorimetric sensor array with characteristic volatile gases‐TMA during fish storage
Faberi et al. Fatty acid composition and δ13C of bulk and individual fatty acids as marker for authenticating Italian PDO/PGI extra virgin olive oils by means of isotopic ratio mass spectrometry
Huang et al. A low cost smart system to analyze different types of edible Bird's nest adulteration based on colorimetric sensor array
Ríos-Reina et al. Assessment of UV–visible spectroscopy as a useful tool for determining grape-must caramel in high-quality wine and balsamic vinegars
CN104730043A (zh) 一种基于偏最小二乘法的墨水中重金属测定方法
Ulberth Advances in testing for adulteration in honey
Liu et al. Visual classification for sesame oil adulteration detection and quantification of compounds used as adulterants using flavor compounds targeted array sensor in combination with DD-SIMCA and PLS
Lu et al. Identification of Chinese red wine origins based on Raman spectroscopy and deep learning
CN106018392B (zh) 一种新型的食醋醋龄快速检测方法
CN106442474A (zh) 一种基于偏最小二乘法的水泥生料三率值测量方法
Masoomi et al. A paper-based optical tongue for characterization of Iranian honey: identification of geographical/botanical origins and adulteration detection
Fattahi et al. Rapid metabolites fingerprinting by ion mobility spectrometry: A novel evaluation method for bio-adulteration of saffron (Crocus sativus L.)

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