CN113406057A - 一种食品中农药残留的快速检测方法及系统 - Google Patents
一种食品中农药残留的快速检测方法及系统 Download PDFInfo
- Publication number
- CN113406057A CN113406057A CN202110728747.9A CN202110728747A CN113406057A CN 113406057 A CN113406057 A CN 113406057A CN 202110728747 A CN202110728747 A CN 202110728747A CN 113406057 A CN113406057 A CN 113406057A
- Authority
- CN
- China
- Prior art keywords
- wavelength
- food
- sers
- spectrum
- subintervals
- 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
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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
- G01N21/658—Raman scattering enhancement Raman, e.g. surface plasmons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Mathematical Optimization (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开了一种食品中农药残留的快速检测方法及系统，利用一步合成法制备表面粗糙且有特殊图案的纳米颗粒作为SERS响应媒介；将合成的SERS响应媒介分别与多种农药混合，采集SERS光谱；探索新型特征信息提取和模型构建等数据挖掘方法，构建精度高、鲁棒性强的农药残留数学关系；在此基础上，开发食品中农药残留的快速、便携式、智能化拉曼光谱检测系统。随后，利用开发的拉曼光谱检测系统，构建了一种基于SERS技术的大米中三种农药是否超过限量标准的定性判别方法，以国家最大残留量为标准，每种农药设置超标和未超标2个等级。将合成的SERS响应媒介分别与多种农药混合，采集SERS光谱，结合多种定性判别模型，分别建立多种农药是否超标的判别模型，最终用于实际食品样本农药判别。
Description
技术领域
本发明属于农药残留检测技术领域，具体涉及构建一种食品中农药残留的快速检测方法及系统以实现农药残留的快速、高灵敏检测。
背景技术
食品中农药残留是造成其安全隐患的主要危害之一，对消费者的身体健康和生命安全构成严重威胁。世界各国政府对农药残留都制定了严格的标准，例如欧盟对植物和动物源性食品中农药的最大残留标准进行了规定，并且每年都会依据形势的发展而进行不同程度的修订，对于无具体限量标准且不属于豁免物质的农药残留则统一使用0.01mg/kg作为标准。根据中国国家标准GB 23200.9-2016《粮谷中475种农药及相关化学品残留量的测定气相色谱-质谱法》和农业部标准NY/T 419-2014《绿色食品稻米》的规定，大米中常见的农药残留有毒死蜱、多菌灵和禾草丹等。
使用化学农药和生物农药防治病虫害是保障生产的常用措施。农药的使用极大地遏制了病虫害的发生，提高了产量，但同时也造成了部分农药的残留问题。农药作为食品的主要污染源之一，发展农药残留检测技术已经刻不容缓，越来越多的方法已经被开发并应用于农药残留检测分析中。目前，传统的水磨糯米粉安全管理体系缺乏有效的快速检测及评价手段，所需设备复杂、前处理步骤繁琐、检测周期长，很难实现现场快速检测，无法满足食品流通及加工过程中快速实时检测的要求。部分新型的检测手段虽检测速度相对较快，却难以避免复杂基质的干扰、检测重复性较差且难以实现大量样本的批量快速检测。
因此，研究一种快速、准确的食品农药残留检测手段，对于保证企业产品的质量稳定，健全食品产业标准化安全管理体系，提高经济效益，优化产业升级具有重要意义。
发明内容
为了解决现有技术中存在的不足，本发明提出了一种食品中农药残留的快速检测方法及系统，利用一步合成法制备表面粗糙且有特殊图案的纳米颗粒作为SERS响应媒介；将合成的SERS响应媒介分别与多种农药混合，采集SERS光谱；探索新型特征信息提取和数学关系构建等数据挖掘方法，实现农药残留的高精度、强鲁棒性检测；在此基础上，开发食品中农药残留的快速、便携式、智能化拉曼光谱检测系统。
一种食品中农药残留的快速检测方法，包括以下步骤：
S1、利用一步合成法制备表面粗糙且有特殊图案的纳米颗粒作为SERS响应媒介；
S2、将5-7μL不同浓度农残分子与SERS响应媒介在锡纸上混合均匀，利用拉曼光谱仪对混合物进行光谱信息采集；
S3、利用小波分析、自适应滤波、正交信号校正法、微分处理的数据平滑、滤噪方法对所获取的光谱信息进行预处理；
S4、从S3预处理后的光谱信息中筛选特征变量，并基于特征变量建立食品农残分子和高效气相色谱测定值之间的数学关系；
S5、以独立样本集验证S4中所建立的数学关系的性能并进一步优化；
S6、以国家最大残留量为标准，每种农药设置超标和未超标2个等级，分别采集超标和未超标农残分子与SERS响应媒介反应后的SERS光谱；
S7、建立多种农药是否超标的判别模型，并应用于实际食品样本。
进一步，所述SERS响应媒介是表面粗糙且有特殊图案的纳米颗粒，因粗糙表面具有突起，因此SERS信号增强显著。
进一步，所述特征变量筛选引入加权自助选取法用于对波长子区间进行选取，EOA的优点在于其能够保证信息波长子区间在下一次迭代中仍会对其进行评估，从而避免整个算法收敛于局部最小值。
进一步，筛选特征变量的方法为：
划分步骤：对小分子挥发物的SERS光谱进行划分，得到a个波长子区间，其中，a为大于0的正整数；
采样步骤：通过EOA算法对a个波长子区间进行采样，得到W个波长子区间，其中，W为小于a的正整数；
筛选步骤：对所述W个波长子区间进行筛选，得到最优的波长子区间。
进一步，对所述W个波长子区间进行筛选，得到最优的波长子区间的方法为：
根据所述W个波长子区间，建立W个波长子区间各自对应的拟合结果，并计算各个拟合结果的评价参数；
在所述W个拟合结果中选择σ*W个评价参数较小的拟合结果，得到σ*W个拟合结果；计算每个波长子区间的权重：
其中，Pi代表第i个波长子区间的权重，Di代表第i个波长子区间在σ*W个拟合结果中出现的频率，i＝1,2,…,a；σ为预设比例；
根据当前各个波长子区间的权重，对上次EOA算法采样时各个波长子区间的权重进行更新；
计算所述σ*W个评价参数的平均值，得到当前平均值；
对比当前平均值和上次EOA算法采样时的平均值，若当前平均值小于上次EOA算法采样时的平均值，则返回采样步骤；否则将当前平均值对应的σ*W个拟合结果的波长子区间作为最优的波长子区间。
进一步，所述数学关系为学习算法，所述数学关系中的每个卷积层的输出都与输入的小区域直接相关联，所述数学关系的训练采用自适应矩估计算法以交叉熵误差损失函数作为目标函数，所述目标函数O表示为：
其中，M是样本的数量，Xm是目标类别，
是预测类别，
是正则化系数，θ是权重。
一种食品中农药残留的快速检测方法及系统，所述数学关系的网络结构考虑了SERS光谱的空间信息，通过增强相邻神经元之间的局部连通性模式，利用空间局部相关性来研究原始SERS光谱的局部连接方式，并采用权值共享的方法来降低过拟合的风险；权值共享的方法中每个卷积层的输出都与输入的小区域直接相关联，该方法的训练采用自适应矩估计算法以交叉熵误差损失函数作为目标函数，该方法在信号提取、特征学习等方面具有强大的优势，更适用于复杂食品基质中农残分子的高灵敏检测。
进一步，包括便携式拉曼光谱仪，便携式拉曼光谱仪将MCU、显示模块、蓝牙模块、电源模块集成在电路板上，使用光纤耦合半导体激光器和微型拉曼探头，激光器与集成控制电路直连，构建一个紧凑的光谱采集设备；
开发拉曼光谱上位机，以操作系统为平台设计手机端控制软件，软件调用安卓蓝牙接口实现与拉曼光谱仪蓝牙模块连接通信；所述拉曼光谱上位机的软件通信包括上位机软件发送的检测命令与下位机返回的拉曼光谱数据，能实现光谱曲线实时显示，软件通过协议与拉曼光谱云端分析平台建立连接，使用协议和xml数据交换格式实现光谱数据实时上传和检测结果的实时获取；
构建拉曼光谱云端分析平台，将用户管理网页和计算模型算法部署在服务器上，服务器提供ip地址和监听端口给客户端请求访问，构建一个可远程调用的拉曼光谱云端分析平台；拉曼光谱云端分析平台方便用户对历史拉曼光谱数据的查询访问和计算模型的增改；该拉曼光谱分析平台可提供多种计算模型供多个客户端用户调用，提高了检测模型的复用率和检测系统的智能化；
进一步，所述便携式拉曼光谱仪通过蓝牙与手机连接，结合SERS响应媒介，实现在现场快速获取待测化学污染物的拉曼光谱信号；便携式拉曼光谱仪远程连接云端计算平台，实时上传光谱数据，进而获取被测物的检测结果，有效的解决了现场人员光谱建模困难、建模时间长的问题，使设备操作更加简单智能；便携式拉曼光谱仪采用化学计量学方法建立检测模型，相比单个峰建立的标准曲线更加稳定，可有效避免复杂食品基质的干扰，提高鲁棒性及重现性；便携式拉曼光谱仪的上位机软件设计将采集光谱与光谱建模分析进行解耦，任意检测设备均可以连接到同一个云端光谱处理平台，调用计算模型资源，获得检测结果；便携式拉曼光谱仪在操作上更适用于普通用户，同时解决了手机硬件处理和计算复杂数据时资源有限，计算模型现场建立困难和模型无法共享、复用率不高的问题。
本发明的有益效果：
1.解析复杂本底下农药拉曼光谱的响应规律，明确农药分子所对应的谱带归属，为从海量光谱信息中提取特征信息提供理论基础；阐明农药分子的光谱增强机制，探索SERS基底的可控合成、精准组装方法，为实现农药分子光谱信号的特异性增强提供理论基础。
2.探索新型特征信息提取和模型构建等数据挖掘方法，构建精度高、鲁棒性强的农药残留数学关系，该方法在信号提取、特征学习等方面具有强大的优势，更适用于复杂食品基质中农残分子的高灵敏检测。
3.所述便携式智能化检测系统可连接远程的云端计算平台，实时上传光谱数据，进而获取被测物的检测结果，有效的解决了现场人员光谱建模困难、建模时间长的问题，使设备操作更加简单智能；所述便携式智能化检测系统采用化学计量学方法建立检测模型，相比单个峰建立的标准曲线更加稳定，可有效避免复杂食品基质的干扰，提高鲁棒性及重现性；
4.所述便携式智能化检测系统上位机软件设计将采集光谱与光谱建模分析进行解耦，任意检测设备均可以连接到同一个云端光谱处理平台，调用计算模型资源，获得检测结果；所述便携式智能化检测系统在操作上更适用于普通用户，同时解决了手机硬件处理和计算复杂数据时资源有限，计算模型现场建立困难和模型无法共享、复用率不高的问题。
附图说明
图1是本发明便携式拉曼设备结构以及云平台设计检测示意图；
图2不同主成分数对毒死蜱(A)、多菌灵(B)和禾草丹(C)农药LDA模型的影响。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。
本发明所提出的一种食品中农药残留的快速检测方法，包括如下步骤：
S1、利用一步合成法制备表面粗糙且有特殊图案的纳米颗粒作为SERS响应媒介；因粗糙表面具有突起，因此SERS信号增强显著。
S2、将5-7μL不同浓度的毒死蜱、多菌灵和禾草丹农残分子分别与SERS响应媒介在锡纸上混合均匀，获得不同农残分子与SERS响应媒介的混合物；利用拉曼光谱仪对其进行光谱采集；
S3、利用小波分析、自适应滤波、正交信号校正法、微分处理等数据平滑、滤噪方法对S2所获取的光谱信息进行预处理；
S4、从S3预处理后的光谱信息中筛选特征变量，并基于特征变量建立食品农残分子和高效气相色谱测定值之间的数学关系；其中，特征变量信息提取引入加权自助选取法(EOA)用于对波长子区间进行选取，EOA的优点在于其能够保证信息波长子区间在下一次迭代中仍会对其进行评估，从而避免整个算法收敛于局部最小值。具体过程如下：
划分步骤：对小分子挥发物的SERS光谱进行划分，得到a个波长子区间，其中，a为大于0的正整数；
采样步骤：通过EOA算法对所述a个波长子区间进行采样，得到W个波长子区间，其中，W为小于a的正整数；
筛选步骤：对所述W个波长子区间进行筛选，得到最优的波长子区间。对所述W个波长子区间进行筛选，得到最优的波长子区间，具体过程如下：
根据所述W个波长子区间，建立所述W个波长子区间各自对应的拟合结果，并计算各个拟合结果的评价参数；
在所述W个拟合结果中选择σ*W个评价参数较小的拟合结果，得到σ*W个拟合结果；σ是预设比例。
计算每个波长子区间的权重：
其中，Pi代表第i个波长子区间的权重，Di代表第i个波长子区间在σ*W个拟合结果中出现的频率，i＝1,2,…,a；
根据当前各个波长子区间的权重，对上次EOA算法采样时各个波长子区间的权重进行更新；
计算所述σ*W个评价参数的平均值，得到当前平均值；
对比当前平均值和上次EOA算法采样时的平均值，若当前平均值小于上次EOA算法采样时的平均值，则返回采样步骤；否则将当前平均值对应的所述σ*W个拟合结果的波长子区间作为最优的波长子区间，并将最优的波长子区间作为特征变量。
基于特征变量建立食品农残分子和高效气相色谱测定值之间的数学关系，该数学关系为学习算法，基于一维数学网络模型，数学关系中的每个卷积层的输出都与输入的小区域直接相关联，数学关系的训练采用自适应矩估计算法以交叉熵误差损失函数作为目标函数，目标函数为：
其中，M是样本的数量，Xm是目标类别，
是预测类别，
是正则化系数，θ是权重。
数学关系的网络结构考虑了SERS光谱的空间信息，通过增强相邻神经元之间的局部连通性模式，利用空间局部相关性来研究原始SERS光谱的局部连接方式，并采用权值共享的方法来降低过拟合的风险。该方法中每个卷积层的输出都与输入的小区域直接相关联，该方法的训练采用自适应矩估计算法以交叉熵误差损失函数作为目标函数，该方法在信号提取、特征学习等方面具有强大的优势，更适用于复杂食品基质中农残分子的高灵敏检测。
S5、以独立样本集(即需要进行农残检测的食品样本)验证所建立的数学关系的性能并进一步优化；
S6、以国家最大残留量为标准，每种农药设置超标和未超标2个等级，分别采集超标和未超标农残分子与SERS响应媒介反应后的SERS光谱；
S7、建立多种农药是否超标的LDA判别模型(图2)，并应用于实际食品样本。
将SERS响应媒介分别与不同浓度的农药混合，采集SERS光谱；然后尝试一种或者多种组合的种分类模型分别建立了农药是否超标的判别模型；最后用实际样品导入最佳模型预测验证模型的准确性。
基于上述一种食品中农药残留的快速检测方法，本申请还设计了一种食品中农药残留的快速检测系统，该系统包括集成式、微型化、便携式拉曼光谱仪，将MCU、显示模块、蓝牙模块、电源模块集成在电路板上，使用小型光纤耦合半导体激光器和微型拉曼探头，激光器与集成控制电路直连，构建一个紧凑的光谱采集设备；
开发拉曼光谱上位机，以操作系统为平台设计手机端控制软件，软件调用安卓蓝牙接口实现与光谱仪蓝牙模块连接通信(图1)；
构建拉曼光谱云端分析平台，将用户管理网页和计算模型算法部署在服务器上，服务器提供ip地址和监听端口给客户端请求访问，构建一个可远程调用的拉曼光谱云端分析平台。拉曼光谱云端分析平台方便用户对历史拉曼光谱数据的查询访问和计算模型的增改。该拉曼光谱分析平台可提供多种计算模型供多个客户端用户调用，提高了检测模型的复用率和检测系统的智能化；
通过此实例，可以看出，本发明灵敏度高，特异性强，操作简单，检测速度快，所搭载的便携式拉曼光谱仪以及云处理平台能够满足对食品中农残进行现场检测的需求，在食品安全检测领域具有十分重要的意义。
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。
Claims (9)
1.一种食品中农药残留的快速检测方法，其特征在于，包括以下步骤：
S1、利用一步合成法制备表面粗糙且有特殊图案的纳米颗粒作为SERS响应媒介；
S2、将5-7μL不同浓度农残分子与SERS响应媒介在锡纸上混合均匀，利用拉曼光谱仪对混合物进行光谱信息采集；
S3、利用小波分析、自适应滤波、正交信号校正法、微分处理的数据平滑、滤噪方法对所获取的光谱信息进行预处理；
S4、从S3预处理后的光谱信息中筛选特征变量，并基于特征变量建立食品农残分子和高效气相色谱测定值之间的数学关系；
S5、以独立样本集验证S4中所建立的数学关系的性能并进一步优化；
S6、以国家最大残留量为标准，每种农药设置超标和未超标2个等级，分别采集超标和未超标农残分子与SERS响应媒介反应后的SERS光谱；
S7、建立多种农药是否超标的判别模型，并应用于实际食品样本。
2.根据权利要求1所述的一种食品中农药残留的快速检测方法，其特征在于，所述SERS响应媒介是表面粗糙且有特殊图案的纳米颗粒，因粗糙表面具有突起，因此SERS信号增强显著。
3.根据权利要求1所述的一种食品中农药残留的快速检测方法，其特征在于，所述特征变量筛选引入加权自助选取法用于对波长子区间进行选取，EOA的优点在于其能够保证信息波长子区间在下一次迭代中仍会对其进行评估，从而避免整个算法收敛于局部最小值。
4.根据权利要求3所述的一种食品中农药残留的快速检测方法，其特征在于，筛选特征变量的方法为：
划分步骤：对小分子挥发物的SERS光谱进行划分，得到a个波长子区间，其中，a为大于0的正整数；
采样步骤：通过EOA算法对a个波长子区间进行采样，得到W个波长子区间，其中，W为小于a的正整数；
筛选步骤：对所述W个波长子区间进行筛选，得到最优的波长子区间。
5.根据权利要求4所述的一种食品中农药残留的快速检测方法，其特征在于，对所述W个波长子区间进行筛选，得到最优的波长子区间的方法为：
根据所述W个波长子区间，建立W个波长子区间各自对应的拟合结果，并计算各个拟合结果的评价参数；
在所述W个拟合结果中选择σ*W个评价参数较小的拟合结果，得到σ*W个拟合结果；
计算每个波长子区间的权重：
其中，Pi代表第i个波长子区间的权重，Di代表第i个波长子区间在σ*W个拟合结果中出现的频率，i＝1,2,…,a；σ为预设比例；
根据当前各个波长子区间的权重，对上次EOA算法采样时各个波长子区间的权重进行更新；
计算所述σ*W个评价参数的平均值，得到当前平均值；
对比当前平均值和上次EOA算法采样时的平均值，若当前平均值小于上次EOA算法采样时的平均值，则返回采样步骤；否则将当前平均值对应的σ*W个拟合结果的波长子区间作为最优的波长子区间。
6.根据权利要求1所述的一种食品中农药残留的快速检测方法，其特征在于，所述数学关系为学习算法，所述数学关系中的每个卷积层的输出都与输入的小区域直接相关联，所述数学关系的训练采用自适应矩估计算法以交叉熵误差损失函数作为目标函数，所述目标函数O表示为：
其中，M是样本的数量，Xm是目标类别，
是预测类别，
是正则化系数，θ是权重。
7.根据权利要求6所述的一种食品中农药残留的快速检测方法及系统，其特征在于，所述数学关系的网络结构考虑了SERS光谱的空间信息，通过增强相邻神经元之间的局部连通性模式，利用空间局部相关性来研究原始SERS光谱的局部连接方式，并采用权值共享的方法来降低过拟合的风险；权值共享的方法中每个卷积层的输出都与输入的小区域直接相关联，该方法的训练采用自适应矩估计算法以交叉熵误差损失函数作为目标函数，该方法在信号提取、特征学习等方面具有强大的优势，更适用于复杂食品基质中农残分子的高灵敏检测。
8.一种食品中农药残留的快速检测系统，其特征在于，包括便携式拉曼光谱仪，便携式拉曼光谱仪将MCU、显示模块、蓝牙模块、电源模块集成在电路板上，使用光纤耦合半导体激光器和微型拉曼探头，激光器与集成控制电路直连，构建一个紧凑的光谱采集设备；
开发拉曼光谱上位机，以操作系统为平台设计手机端控制软件，软件调用安卓蓝牙接口实现与拉曼光谱仪蓝牙模块连接通信；所述拉曼光谱上位机的软件通信包括上位机软件发送的检测命令与下位机返回的拉曼光谱数据，能实现光谱曲线实时显示，软件通过协议与拉曼光谱云端分析平台建立连接，使用协议和xml数据交换格式实现光谱数据实时上传和检测结果的实时获取；
构建拉曼光谱云端分析平台，将用户管理网页和计算模型算法部署在服务器上，服务器提供ip地址和监听端口给客户端请求访问，构建一个可远程调用的拉曼光谱云端分析平台；拉曼光谱云端分析平台方便用户对历史拉曼光谱数据的查询访问和计算模型的增改；该拉曼光谱分析平台可提供多种计算模型供多个客户端用户调用，提高了检测模型的复用率和检测系统的智能化。
9.根据权利要求8所述的一种食品中农药残留的快速检测系统，其特征在于，所述便携式拉曼光谱仪通过蓝牙与手机连接，结合SERS响应媒介，实现在现场快速获取待测化学污染物的拉曼光谱信号；便携式拉曼光谱仪远程连接云端计算平台，实时上传光谱数据，进而获取被测物的检测结果，有效的解决了现场人员光谱建模困难、建模时间长的问题，使设备操作更加简单智能；便携式拉曼光谱仪采用化学计量学方法建立检测模型，相比单个峰建立的标准曲线更加稳定，可有效避免复杂食品基质的干扰，提高鲁棒性及重现性；便携式拉曼光谱仪的上位机软件设计将采集光谱与光谱建模分析进行解耦，任意检测设备均可以连接到同一个云端光谱处理平台，调用计算模型资源，获得检测结果；便携式拉曼光谱仪在操作上更适用于普通用户，同时解决了手机硬件处理和计算复杂数据时资源有限，计算模型现场建立困难和模型无法共享、复用率不高的问题。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110728747.9A CN113406057A (zh) | 2021-06-29 | 2021-06-29 | 一种食品中农药残留的快速检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110728747.9A CN113406057A (zh) | 2021-06-29 | 2021-06-29 | 一种食品中农药残留的快速检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113406057A true CN113406057A (zh) | 2021-09-17 |
Family
ID=77680300
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110728747.9A Pending CN113406057A (zh) | 2021-06-29 | 2021-06-29 | 一种食品中农药残留的快速检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113406057A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117422711A (zh) * | 2023-12-14 | 2024-01-19 | 武汉理工大学三亚科教创新园 | 一种海洋涡旋高光谱变化检测方法、装置、设备及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104007097A (zh) * | 2014-04-23 | 2014-08-27 | 厦门大学 | 与蓝牙智能终端设备无线互联的拉曼光谱仪 |
| CN205352932U (zh) * | 2015-12-14 | 2016-06-29 | 高安来 | 一种便携式农药残留检测系统 |
| CN106679805A (zh) * | 2017-01-19 | 2017-05-17 | 深圳大学 | 一种便携式微型光谱仪 |
| CN108918502A (zh) * | 2018-07-25 | 2018-11-30 | 安徽大学 | 一种基于sers的玉米中杀螟硫磷农药残留的检测方法 |
| CN110146484A (zh) * | 2019-05-22 | 2019-08-20 | 江苏大学 | 一种基于Cu2O/Ag SERS传感器的农药定性判别方法 |
-
2021
- 2021-06-29 CN CN202110728747.9A patent/CN113406057A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104007097A (zh) * | 2014-04-23 | 2014-08-27 | 厦门大学 | 与蓝牙智能终端设备无线互联的拉曼光谱仪 |
| CN205352932U (zh) * | 2015-12-14 | 2016-06-29 | 高安来 | 一种便携式农药残留检测系统 |
| CN106679805A (zh) * | 2017-01-19 | 2017-05-17 | 深圳大学 | 一种便携式微型光谱仪 |
| CN108918502A (zh) * | 2018-07-25 | 2018-11-30 | 安徽大学 | 一种基于sers的玉米中杀螟硫磷农药残留的检测方法 |
| CN110146484A (zh) * | 2019-05-22 | 2019-08-20 | 江苏大学 | 一种基于Cu2O/Ag SERS传感器的农药定性判别方法 |
Non-Patent Citations (2)
| Title |
|---|
| JIAJI ZHU ET AL: "Interval combination iterative optimization approach coupled with SIMPLS (ICIOA-SIMPLS) for quantitative analysis of surface-enhanced Raman scattering (SERS) spectra", 《ANALYTICA CHIMICA ACTA》 * |
| JIAJI ZHU ET AL: "Rapid on-site identification of pesticide residues in tea by one-dimensional convolutional neural network coupled withsurface-enhanced Ra man scattering", 《SPECTROCHIMICA ACTA PART A: MOLECULAR AND BIOMOLECULAR SPECTROSCOPY》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117422711A (zh) * | 2023-12-14 | 2024-01-19 | 武汉理工大学三亚科教创新园 | 一种海洋涡旋高光谱变化检测方法、装置、设备及介质 |
| CN117422711B (zh) * | 2023-12-14 | 2024-03-26 | 武汉理工大学三亚科教创新园 | 一种海洋涡旋高光谱变化检测方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105486655B (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 | |
| GB2595625A (en) | Cloud platform-based automatic identification system and method for seven types of mass spectrograms of commonly used pesticides and chemical pollutants | |
| CN108152235B (zh) | 一种联合土壤室内外光谱的重金属含量反演方法 | |
| CN108596246A (zh) | 基于深度神经网络的土壤重金属含量检测模型的建立方法 | |
| CN107219188A (zh) | 一种基于改进dbn的近红外光谱分析纺织品棉含量的方法 | |
| CN113866102B (zh) | 一种基于光谱的土壤健康调查监测方法 | |
| CN106918565A (zh) | 基于室内标样高光谱特征的土壤重金属Cd含量反演建模及其光谱响应特征波段识别方法 | |
| CN112098358B (zh) | 基于四元数卷积神经网络的近红外光谱并行融合定量检测方法 | |
| CN107844870B (zh) | 基于Elman神经网络模型的土壤重金属含量预测方法 | |
| CN108573105A (zh) | 基于深度置信网络的土壤重金属含量检测模型的建立方法 | |
| Qiao et al. | Estimating maize LAI by exploring deep features of vegetation index map from UAV multispectral images | |
| CN113406057A (zh) | 一种食品中农药残留的快速检测方法及系统 | |
| CN116343046A (zh) | 基于自优化机器学习的多源遥感城市河流水质监测方法 | |
| CN115049026A (zh) | 基于gsnnr的空间非平稳性关系的回归分析方法 | |
| CN110793920B (zh) | 一种化学成像与高光谱联用的大气遥测方法 | |
| CN112926625A (zh) | 一种卫星辐射数据的偏差影响因子分析方法 | |
| CN113281229A (zh) | 一种基于小样本下多模型自适应大气pm2.5浓度预测方法 | |
| CN114004147B (zh) | 一种土壤湿润状态下同时预测多种土壤属性的方法 | |
| Yin et al. | Simultaneous quantitative UV spectrophotometric determination of multicomponents of amino acids using linear neural network | |
| CN115728290A (zh) | 一种土壤中铬元素的检测方法、系统、设备及存储介质 | |
| CN115392305A (zh) | 基于改进时间卷积网络的土壤有机质含量高光谱建模方法 | |
| CN114034684B (zh) | 一种基于一站式光谱模型的土壤属性快速测定方法 | |
| Ye et al. | Water chemical oxygen demand prediction model based on the CNN and ultraviolet-visible spectroscopy | |
| EP3961189B1 (en) | Cigarette mainstream smoke spectral data sensory evaluation method | |
| CN111521568B (zh) | 一种基于光谱角的土壤含水量预测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210917 |
|
| RJ01 | Rejection of invention patent application after publication |