CN113567417A - 一种基于拉曼光谱指纹分析技术鉴别花生油产地的方法 - Google Patents

一种基于拉曼光谱指纹分析技术鉴别花生油产地的方法 Download PDF

Info

Publication number
CN113567417A
CN113567417A CN202110838141.0A CN202110838141A CN113567417A CN 113567417 A CN113567417 A CN 113567417A CN 202110838141 A CN202110838141 A CN 202110838141A CN 113567417 A CN113567417 A CN 113567417A
Authority
CN
China
Prior art keywords
raman spectrum
peanut oil
data
sample
raman
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
Application number
CN202110838141.0A
Other languages
English (en)
Inventor
赵海燕
朱鹏飞
杨庆利
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.)
Qingdao Agricultural University
Original Assignee
Qingdao 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 Qingdao Agricultural University filed Critical Qingdao Agricultural University
Priority to CN202110838141.0A priority Critical patent/CN113567417A/zh
Publication of CN113567417A publication Critical patent/CN113567417A/zh
Pending 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
    • G01N21/62—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

Landscapes

  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Physics & Mathematics (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, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本发明公开了一种基于拉曼光谱指纹分析技术鉴别花生油产地的方法，属于食品产地溯源技术领域。所述鉴别方法包括拉曼光谱采集、光谱预处理、构建判别模型以及待测样品的产地确定。本发明建立的花生油产地鉴别模型受品种因素的影响小，能够快速、准确地对不同地区的花生油进行鉴别分析，无需对样品进行前处理，对样品无损耗，且曝光时间短，适用于大批量样品的快速检测。

Description

一种基于拉曼光谱指纹分析技术鉴别花生油产地的方法
技术领域
本发明属于食品产地溯源技术领域，具体涉及一种基于拉曼光谱指纹分析技术鉴别花生油产地的方法。
背景技术
花生油在全世界的消费量巨大，但却存在许多问题，如部分不良商家为了谋取利益“以次充好”，冒充优质地理标志产品，用劣质油替代优质油等。这些现象发生后往往无法准确追责，不仅损害优质花生油生产者的利益，影响消费者的合法权益，甚至还可能会对消费者的身体健康造成危害。因此，对不同产地花生油的快速无损鉴别具有重要意义。
拉曼光谱技术是近年来新兴的一种绿色分析技术，其通过对与入射光频率不同的散射光谱进行分析得到分子振动方面的信息。因具有简单、高效、准确，且对样品无损耗等优势，被广泛应用于农业、医药、石化、纺织和食品等各个领域分子结构的研究。
目前，已有报道采用拉曼光谱进行花生油掺假、食用油种类以及不同食用油拉曼光谱分析等方面的研究，但却没有利用拉曼光谱指纹分析技术鉴别花生油产地的相关报道。究其原因在于，利用拉曼光谱鉴别分析花生油产地仍存在技术性难点：花生油拉曼光谱指纹信息的差异是由产地引起，还是由于品种的影响难以界定；拉曼光谱技术鉴别花生油产地的区域识别精度尚未知，对邻近产地花生油鉴别的可行性尚不明确；花生油拉曼光谱的最佳预处理方法尚未规范；稳定可靠的建模方法难以选择等。因此，建立一种基于拉曼光谱指纹分析技术鉴别花生油产地的准确技术方法，对于提高产品的产地和安全监管水平，规范市场秩序，保护消费者的合法权益，建设食品可追溯体系等具有重要的意义及应用价值。
发明内容
本发明提供一种基于拉曼光谱指纹分析技术鉴别花生油产地的方法，可实现不同产地花生油的鉴别，其技术方案如下：
一种基于拉曼光谱指纹分析技术鉴别花生油产地的方法，步骤如下：
(1)拉曼光谱采集
收集不同产地的花生油作为样本，采集拉曼光谱特征波段图谱，扫描范围在1400-1500cm-1和1600-1700cm-1，剔除异常光谱数据，得到花生油的原始拉曼光谱数据；
(2)光谱预处理
对步骤(1)所述的花生油原始拉曼光谱数据进行光谱预处理，采用基线校正、Savitzky-Golay去卷积平滑及标准正态变换联用算法，得到不同产地花生油的拉曼光谱预处理数据；预处理后的拉曼光谱消除了基线漂移及光散射和机器噪声产生的杂峰，光谱更加平滑，消除样品不均匀产生的散射影响，特征峰的峰和谷更加明显，并提高了原始光谱的吸收特性。
(3)构建判别模型
基于步骤(2)中的拉曼光谱预处理数据构建SVM判别模型；
(4)待测样品的产地确定
将待测样品置于1400-1500cm-1和1600-1700cm-1的拉曼光谱指纹特征波段下进行扫描，获得该扫描波段条件下的拉曼光谱数据，采用步骤(2)所述方法对数据进行预处理，利用步骤(3)建立的SVM判别模型预测其所属类别，确定待测样品的产地。
上述步骤(1)中，拉曼光谱特征波段图谱的采集过程如下：设置拉曼成像光谱仪的检测条件，将待测样品油滴在用锡箔纸包裹的载玻片上，将载玻片置于载物台并在成像显微镜下调至合适视野，待拉曼特征峰高于1000a.u.，信噪比高于150后，保存拉曼光谱数据。
锡箔纸可以有效避免载玻片玻璃被激光透射，从而避免对样品峰造成影响。
拉曼成像光谱仪的检测条件，优选为：
激光光源波长：532nm，物镜倍数：10X，分辨率：4cm-1，入射激光能量：10.0mW，曝光时间：0.5sec，扫描次数：35次，出光狭缝：50μm。
在上述拉曼光谱特征波段图谱的采集过程中，拉曼光谱出峰时，保持每次检测信噪比＞150，并将每个样品进行3次光谱测量，取平均值作为最终采集的原始拉曼光谱数据。
上述步骤(1)中，扫描范围1400-1500cm-1和1600-1700cm-1为花生油样品中与产地相关的拉曼光谱指纹特征区域。
上述步骤(2)中，原始拉曼光谱数据的预处理所采用的分析软件为Unscrambler X10.4。
上述步骤(3)中，SVM判别模型的构建过程为：将步骤(2)中的拉曼光谱预处理数据输入分析软件，并按照产地进行赋值，输出信号有y＝+1和y＝-1两种，分别代表了不同的产地分类；依次选择任务-分析-支持向量机分析，进入支持向量机分析，在模型中输入如下参数：预测因子描述符为拉曼光谱指纹特征波段全数据，行设置为数据集，列设置为拉曼光谱指纹特征波段；分类中类别设置为拉曼光谱指纹特征波段全数据，行设置为数据集，列设置为产地；设置加权为常量1.00；SVM类型设置为C-SVC(C＝1)；核函数类别设置为线性核，输出模型即为SVM模型。
在上述技术方案的基础上，所述核函数为
Figure BDA0003177981860000021
SVM模型的分类决策函数为
Figure BDA0003177981860000022
其中，xi为第i个特征向量，yi表示样品产地，xj为xi的一个分量，参数b*是决定竖直平面沿着垂直于直线方向移动的距离，αi为拉格朗日乘子且αi≥0，T为拉曼光谱指纹特征波段的训练数据集。
在上述技术方案的基础上，构建SVM判别模型过程中，分析软件为Unscrambler X10.4和/或IBM SPSS Stats 25.0。
本发明的有益效果为：
与现有的检测方法相比，拉曼特征信号强，信噪比高，灵敏度高，能够快速、准确地对不同产地的花生油进行鉴别分析，无需对样品进行前处理，对样品无损耗，且曝光时间短，适用于大批量样品的快速检测。
本发明技术方案中使用的扫描波段(1400-1500cm-1和1600-1700cm-1)为花生油中与产地密切相关的指纹特征波段，与全光谱相比较，受品种因素的影响较小，有效降低了鉴别模型受品种因素影响产生的负面效果，极大缩短了鉴别时间。
本发明技术方案既能应用于不同省份花生油鉴别，又能对同省不同市的花生油进行快速准确鉴别，应用范围广泛。
本发明技术方案中SVM鉴别模型的整体正确鉴别率高，对待测样品的整体正确分类率也较高，证明拉曼光谱指纹分析技术能够对不同产地的花生油进行准确有效地鉴别。
附图说明
图1为山东省和江苏省花生油的原始拉曼光谱特征波段图；
图2为山东省和江苏省花生油的预处理拉曼光谱特征波段图；
图3为山东省和江苏省的SVM模型分类函数散点图；
图4为实施例1待测样品的原始拉曼光谱特征波段图；
图5为实施例1待测样品的预处理拉曼光谱特征波段图；
图6为青岛市、烟台市和临沂市的花生油原始拉曼光谱特征波段图；
图7为青岛市、烟台市和临沂市的花生油预处理拉曼光谱特征波段图；
图8为青岛市、烟台市和临沂市的SVM模型分类函数散点图；
图9为实施例2待测样品的原始拉曼光谱特征波段图；
图10为实施例2待测样品的预处理拉曼光谱特征波段图。
具体实施方式
在本发明中所使用的术语，除非有另外说明，一般具有本领域普通技术人员通常理解的含义。
SVM(支持向量机算法)通过寻找一个满足分类要求的最优分类超平面，使SVM模型能够实现对数据的最优分类。即，给入训练数据，生成模型；应用模型对新数据进行分类。
它是一种被广泛应用于数据挖掘领域的模式识别方法，具体的操作原理如下：
对于输入空间中的非线性分类问题，可以通过非线性变换将它转化为某个维特征空间中的线性分类问题，在高维特征空间中学习线性支持向量机。由于在线性支持向量机学习的对偶问题里，目标函数和分类决策函数都只涉及实例和实例之间的内积，所以不需要显式地指定非线性变换，而是用核函数替换当中的内积。
输入：训练数据集(拉曼光谱指纹特征波段)T＝{(x1,y1),(x2,y2),…,(xN,yN)}；
其中，xi∈Rn,yi∈{+1,-1},i＝1,2,…N；xi为第i个特征向量，yi表示样品产地，+1和-1分别表示不同的产地类别，xj为xi的一个分量，yj为yi的一个分量；参数b*是决定竖直平面沿着垂直于直线方向移动的距离，αi为拉格朗日乘子且αi≥0，K(xi,xj)为线性核函数，C为惩罚参数。
输出：分离超平面和分类决策函数；
选取线性核函数K(xi,xj)和惩罚参数C＞0，构造并求解凸二次规划问题，
Figure BDA0003177981860000041
Figure BDA0003177981860000042
0≤αi≤C,i＝1,2,…,N
得到最优解：
Figure BDA0003177981860000043
计算：
选择α*的一个分量
Figure BDA0003177981860000044
满足条件
Figure BDA0003177981860000045
计算
Figure BDA0003177981860000046
分类决策函数：
Figure BDA0003177981860000047
其中，所选线性核函数
Figure BDA0003177981860000048
最终获得线性不可分的SVM模型分类决策函数：
Figure BDA0003177981860000049
利用分类决策函数，当y＝+1时，样品被判定为一类产地，当y＝-1，样品被判定为另一类产地。
在分类多个产地样品时，先将来自第一个原产地的样品视作一类，剩下N-1个原产地的样品视作另一类；划分出第一个产地的花生油样品后，再将第二个产地的样品视作一类，剩下N-2个产地的样品视作第二类，采用上述方式进行划分。依上述分类决策函数，建立支持向量机分类模型，直至最终划分出所有产地的样品。
下面结合具体实施例，并参照数据进一步详细的描述本发明。以下实施例只是为了举例说明本发明，而非以任何方式限制本发明的范围。
实施例1
准备花生油样品，其中，建模样品158份(包括山东省样品86份，江苏省样品72份)，待测样品10份(包含山东省样品4份，江苏省样品6份)。对山东省和江苏省的花生油样品进行鉴别。
(1)拉曼光谱采集
应用DXR2xi激光显微拉曼成像光谱仪(赛默飞世尔科技(中国)有限公司)对上述158份花生油样品的拉曼光谱特征波段图进行采集：将10μL样品油滴在用锡箔纸包裹的载玻片上，将其置于载物台并在成像显微镜下调至合适视野，待拉曼特征峰高于1000a.u.，信噪比高于150后，保存拉曼光谱数据。每份样品测量3次，取平均值作为最终采集的拉曼光谱数据。158份花生油样品的原始拉曼光谱特征波段谱图如图1所示。
光谱采集条件：拉曼光谱测定范围在1400-1500cm-1和1600-1700cm-1，分辨率：4cm-1，物镜倍数：10X，激光光源选择532nm，入射激光能量：10mW，曝光时间：0.5sec，扫描次数：35次，出光狭缝：50μm。
(2)光谱预处理
为去除仪器高频随机噪声、基线漂移、光散射及样本背景等无关信息对光谱的影响，在数据分析前，需要对特定的测量信号和样本体系进行处理，以减弱甚至消除各种非目标因素对于检测信号信息的影响，从而建立稳定、可靠的数学模型，以提高模型预测能力。采用基线校正-基线偏移的方法去除基线漂移及样本背景；采用Savitzky-Golay去卷积平滑，参数设置为3阶多项式5点平滑，消除仪器噪声；采用标准正态变换消除激光散射影响。分析软件为Unscrambler X 10.4。图2为158份花生油预处理后的拉曼光谱特征波段谱图。预处理后的拉曼光谱特征波段消除了基线漂移以及杂峰，消除了光谱漫反射造成的光谱漂移，光谱曲线更加平滑，特征峰峰形更加明显。
(3)判别模型的建立与分析
将已知产地花生油样品的拉曼光谱指纹特征波段数据输入Unscrambler X 10.4，并按照产地赋值为2类。在分类决策函数中，当y＝+1时，样品产地被判定为山东省；当y＝-1时，样品产地被判定为江苏省，此为SVM模型的数据集。依次选择任务-分析-支持向量机分析进入支持向量机分析，在模型中输入的参数如下：预测因子描述符为拉曼光谱指纹特征波段全数据，行设置为数据集，列设置为拉曼光谱指纹特征波段；分类中类别设置为拉曼光谱指纹特征波段全数据，行设置为数据集，列设置为产地；设置加权为常量1.00；SVM类型设置为C-SVC(C＝1)；核函数类别设置为线性核，输出模型即为SVM模型。其中，核函数为
Figure BDA0003177981860000061
线性不可分的SVM模型分类决策函数为
Figure BDA0003177981860000062
所有操作均在分析软件Unscrambler X 10.4中进行。
分类结果如下：整体正确分类率高达100％。图3为SVM模型分类函数散点图。
(4)待测样品的产地确定
将10份待测样品置于1400-1500cm-1和1600-1700cm-1(拉曼光谱指纹特征波段)的测定范围条件下进行扫描，获得该扫描范围下的拉曼光谱数据，波段图谱如图4所示，采用基线校正、Savitzky-Golay去卷积平滑及标准正态变换联用算法，得到不同产地花生油的拉曼光谱预处理数据；预处理后的拉曼光谱更加平滑，特征峰的峰形更加明显，如图5所示。然后利用建好的SVM模型预测其归属：将10份待测样品的拉曼光谱指纹特征波段数据带入SVM模型的分类决策函数：
Figure BDA0003177981860000063
其中4份样品输出y＝+1，6份样品输出y＝-1。即4份样品被分类为山东省样品，6份样品被分类为江苏省样。所有样品全部判别正确，整个模型的鉴别准确率高达100％。
实施例2
准备花生油样品，其中，建模样品84份(包括青岛市样品27份，烟台市样品29份和临沂市样品28份)，待测样品6份(包含青岛市样品3份，烟台市样品1份和临沂市样品2份)。对青岛市、烟台市和临沂市的花生油样品进行鉴别。
(1)拉曼光谱采集
应用DXR2xi激光显微拉曼成像光谱仪(赛默飞世尔科技(中国)有限公司)对上述84份花生油样品的拉曼光谱图进行采集：将10μL样品油滴在用锡箔纸包裹的载玻片上，将其置于载物台并在成像显微镜下调至合适视野，待拉曼特征峰高于1000a.u.，信噪比高于150后，保存拉曼光谱数据。每份样品测量3次，取平均值作为最终采集的拉曼光谱数据。84份花生油样品的原始拉曼光谱谱图如图6所示。
光谱采集条件：拉曼光谱测定范围在1400-1500cm-1和1600-1700cm-1，分辨率：4cm-1，物镜倍数：10X，激光光源选择532nm，入射激光能量：10mW，曝光时间：0.5sec，扫描次数：35次，出光狭缝：50μm。
(2)光谱预处理
为去除仪器高频随机噪声、基线漂移、光散射及样本背景等无关信息对光谱的影响，在数据分析前，需要对特定的测量信号和样本体系进行处理，以减弱甚至消除各种非目标因素对于检测信号信息的影响，从而建立稳定、可靠的数学模型，以提高模型预测能力。采用基线校正-基线偏移的方法去除基线漂移及样本背景；采用Savitzky-Golay去卷积平滑，参数设置为3阶多项式5点平滑，消除仪器噪声；采用标准正态变换消除激光散射影响。分析软件为Unscrambler X 10.4。图7为84份花生油预处理后的拉曼光谱图，预处理后的拉曼光谱特征波段消除了仪器噪声及光散射造成的杂峰和基线漂移，光谱曲线更加平滑，特征峰更加明显。
(3)判别模型的建立
将已知产地花生油样品的拉曼光谱指纹特征波段数据输入Unscrambler X 10.4，并分别按照产地赋值。然后，依次选择任务-分析-支持向量机分析进入支持向量机分析界面，在模型中输入的参数如下：预测因子描述符为拉曼光谱指纹特征波段全数据，行设置为数据集，列设置为拉曼光谱指纹特征波段；分类中类别设置为拉曼光谱指纹特征波段全数据，行设置为数据集，列设置为产地；设置加权为常量1.00；SVM类型设置为C-SVC(C＝1)；核函数类别设置为线性核，输出模型即为SVM模型。其中，核函数为
Figure BDA0003177981860000071
线性不可分的SVM模型分类决策函数为
Figure BDA0003177981860000072
所有操作均在分析软件Unscrambler X 10.4中进行。
分类结果如下：整体正确分类率为98.6％。图8为SVM模型分类函数散点图。
(4)待测样品的产地确定
将6份待测样品置于1400-1500cm-1和1600-1700cm-1(拉曼光谱指纹特征波段)的测定范围条件下进行扫描，获得该扫描范围下的拉曼光谱数据，原始波段图谱如图9所示。将数据进行预处理，采用基线校正、Savitzky-Golay去卷积平滑及标准正态变换联用算法，得到不同产地花生油的拉曼光谱预处理数据，预处理后的拉曼光谱更加平滑，特征峰的峰形加明显，如图10所示。然后利用建好的SVM模型预测其归属：将6份待测样品的拉曼光谱指纹特征波段数据带入SVM模型的分类决策函数：
Figure BDA0003177981860000073
在分类多个产地样品时，先将来自青岛市的样品视作一类(y＝+1)，剩下2个原产地的样品视作另一类(y＝-1)；划分出青岛市的花生油样品后，再将烟台市的样品视作一类(y＝+1)，剩下的临沂市的样品视作第二类(y＝-1)，采用上述方式进行划分。依上述分类决策函数，划分出所有产地的样品。其中第一次分类时，6份样品中有3份样品输出为y＝+1，剩余3份输出为y＝-1，即3份样品被分类为青岛市。剩余3份样品继续分类：其中1份样品输出y＝+1，被分类为烟台市；2份样品输出y＝-1，被分类为临沂市。6份样品全部分类正确，整个模型的分类准确率为100％。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (7)

1.一种基于拉曼光谱指纹分析技术鉴别花生油产地的方法，其特征在于，步骤如下：
(1)拉曼光谱采集
收集不同产地的花生油作为样本，采集拉曼光谱特征波段图谱，扫描范围在1400-1500cm-1和1600-1700cm-1，剔除异常光谱数据，得到花生油的原始拉曼光谱数据；
(2)光谱预处理
对步骤(1)所述的花生油原始拉曼光谱数据进行光谱预处理，采用基线校正、Savitzky-Golay去卷积平滑及标准正态变换联用算法对光谱的基线漂移及光散射进行消除，得到不同产地花生油的拉曼光谱预处理数据；
(3)构建判别模型
基于步骤(2)中的拉曼光谱预处理数据构建SVM判别模型；
(4)待测样品的产地确定
将待测样品置于1400-1500cm-1和1600-1700cm-1的拉曼光谱指纹特征波段下进行扫描，获得该扫描波段条件下的拉曼光谱数据，采用步骤(2)所述方法对数据进行预处理，利用步骤(3)建立的SVM判别模型预测其所属类别，确定待测样品的产地。
2.根据权利要求1所述的鉴别花生油产地的方法，其特征在于，拉曼光谱特征波段图谱的采集，过程如下：设置拉曼成像光谱仪的检测条件，将待测样品油滴在用锡箔纸包裹的载玻片上，将载玻片置于载物台并在成像显微镜下调至合适视野，待拉曼特征峰高于1000a.u.，信噪比高于150后，保存拉曼光谱数据。
3.根据权利要求2所述的鉴别花生油产地的方法，其特征在于，拉曼成像光谱仪的检测条件为：激光光源波长：532nm，物镜倍数：10X，分辨率：4cm-1，入射激光能量：10.0mW，曝光时间：0.5sec，扫描次数：35次，出光狭缝：50μm。
4.根据权利要求1所述的鉴别花生油产地的方法，其特征在于，光谱预处理所采用的分析软件为Unscrambler X 10.4。
5.根据权利要求1所述的鉴别花生油产地的方法，其特征在于，所述SVM判别模型的构建过程为：将步骤(2)中的拉曼光谱预处理数据输入分析软件，并按照产地进行赋值，输出信号有y＝+1和y＝-1两种，分别代表了不同的产地分类；依次选择任务-分析-支持向量机分析，进入支持向量机分析，在模型中输入如下参数：预测因子描述符为拉曼光谱指纹特征波段全数据，行设置为数据集，列设置为拉曼光谱指纹特征波段；分类中类别设置为拉曼光谱指纹特征波段全数据，行设置为数据集，列设置为产地；设置加权为常量1.00；SVM类型设置为C-SVC(C＝1)；核函数类别设置为线性核，输出模型即为SVM模型。
6.根据权利要求5所述的鉴别花生油产地的方法，其特征在于，所述核函数为
Figure FDA0003177981850000021
SVM模型的分类决策函数为
Figure FDA0003177981850000022
其中，xi为第i个特征向量，xj为xi的一个分量，T为拉曼光谱指纹特征波段的训练数据集，αi为拉格朗日乘子且αi≥0，yi表示样品产地，参数b*是决定竖直平面沿着垂直于直线方向移动的距离。
7.根据权利要求5所述的鉴别花生油产地的方法，其特征在于，构建SVM模型的过程中，分析软件为Unscrambler X 10.4和/或IBM SPSS Stats 25.0。
CN202110838141.0A 2021-07-23 2021-07-23 一种基于拉曼光谱指纹分析技术鉴别花生油产地的方法 Pending CN113567417A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110838141.0A CN113567417A (zh) 2021-07-23 2021-07-23 一种基于拉曼光谱指纹分析技术鉴别花生油产地的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110838141.0A CN113567417A (zh) 2021-07-23 2021-07-23 一种基于拉曼光谱指纹分析技术鉴别花生油产地的方法

Publications (1)

Publication Number Publication Date
CN113567417A true CN113567417A (zh) 2021-10-29

Family

ID=78166870

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110838141.0A Pending CN113567417A (zh) 2021-07-23 2021-07-23 一种基于拉曼光谱指纹分析技术鉴别花生油产地的方法

Country Status (1)

Country Link
CN (1) CN113567417A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114113035A (zh) * 2021-11-18 2022-03-01 北京理工大学 转基因大豆油鉴别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103399001A (zh) * 2013-08-09 2013-11-20 大连海事大学 一种基于显微共焦拉曼光谱的原油鉴别方法
WO2018223147A1 (en) * 2017-06-02 2018-12-06 Virtual Fluid Monitoring Services LLC Fluid analysis and monitoring using optical spectroscopy
CN112485238A (zh) * 2020-10-20 2021-03-12 珠海市亚波光子检测有限责任公司 一种基于拉曼光谱技术鉴别姜黄精油产地的方法
US20210311011A1 (en) * 2018-10-30 2021-10-07 Teakorigin Inc. Techniques for scoring food specimens, and related methods and apparatus

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103399001A (zh) * 2013-08-09 2013-11-20 大连海事大学 一种基于显微共焦拉曼光谱的原油鉴别方法
WO2018223147A1 (en) * 2017-06-02 2018-12-06 Virtual Fluid Monitoring Services LLC Fluid analysis and monitoring using optical spectroscopy
US20210311011A1 (en) * 2018-10-30 2021-10-07 Teakorigin Inc. Techniques for scoring food specimens, and related methods and apparatus
CN112485238A (zh) * 2020-10-20 2021-03-12 珠海市亚波光子检测有限责任公司 一种基于拉曼光谱技术鉴别姜黄精油产地的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
董鹏凯等: "激光诱导击穿光谱技术结合神经网络和支持向量机算法的人参产地快速识别研究", 《物理学报》, vol. 70, no. 4, pages 2 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114113035A (zh) * 2021-11-18 2022-03-01 北京理工大学 转基因大豆油鉴别方法
CN114113035B (zh) * 2021-11-18 2024-02-02 北京理工大学 转基因大豆油鉴别方法

Similar Documents

Publication Publication Date Title
CN105300923B (zh) 一种近红外光谱分析仪在线应用时无测点温度补偿模型修正方法
CN110717368A (zh) 一种纺织品定性分类方法
CN103487411A (zh) 一种随机森林算法结合激光诱导击穿光谱识别钢材牌号的方法
Mallik et al. Classification of wood micrographs by image segmentation
CN108844941B (zh) 一种基于拉曼光谱和pca-hca的不同品位磷矿的鉴别和分类方法
CN103488874A (zh) 一种改进的支持向量机结合激光诱导击穿光谱对钢铁材料的分类方法
CN109324014B (zh) 一种自适应的原油性质近红外快速预测方法
CN106680241A (zh) 一种新型光谱多元分析分类与识别方法及其用途
CN113155809A (zh) 一种矿石分类与实时定量分析的光谱检测新方法
CN116030310A (zh) 一种基于激光诱导击穿光谱技术的样品分类方法及系统
CN113567417A (zh) 一种基于拉曼光谱指纹分析技术鉴别花生油产地的方法
CN103487410A (zh) 基于模型集群分析的激光诱导击穿光谱变量选择方法
CN109142251B (zh) 随机森林辅助人工神经网络的libs定量分析方法
Chen et al. Hyperspectral detection of sugar content for sugar-sweetened apples based on sample grouping and SPA feature selecting methods
CN111426657B (zh) 一种溶解性有机物三维荧光谱图的识别比对方法
CN112485238A (zh) 一种基于拉曼光谱技术鉴别姜黄精油产地的方法
CN113138181B (zh) 一种对清香型原酒品质分级的方法
CN104297205A (zh) 一种快速、无损的食用油鉴别方法
CN113203701A (zh) 一种原油产地溯源方法和装置
Li et al. SVM-based apple classification of soluble solids content by near-infrared spectroscopy
CN112749906A (zh) 卷烟主流烟气光谱数据的感官评价方法
Xu et al. Spectral preprocessing combined with feature selection improve model robustness for plastics samples classification by LIBS
CN117929356B (zh) 一种基于高斯过程回归的libs定量分析方法
CN118014443B (zh) 一种药品的监测方法及装置
CN110286094B (zh) 一种基于聚类分析的光谱模型转移方法

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