CN113866153A - 一种基于拉曼光谱技术的猪肉新鲜度快速检测方法 - Google Patents
一种基于拉曼光谱技术的猪肉新鲜度快速检测方法 Download PDFInfo
- Publication number
- CN113866153A CN113866153A CN202111137994.8A CN202111137994A CN113866153A CN 113866153 A CN113866153 A CN 113866153A CN 202111137994 A CN202111137994 A CN 202111137994A CN 113866153 A CN113866153 A CN 113866153A
- Authority
- CN
- China
- Prior art keywords
- pork
- raman spectrum
- freshness
- raman
- partial
- 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
- 235000015277 pork Nutrition 0.000 title claims abstract description 53
- 238000001237 Raman spectrum Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000010238 partial least squares regression Methods 0.000 claims abstract description 26
- 238000001069 Raman spectroscopy Methods 0.000 claims abstract description 22
- 230000003595 spectral effect Effects 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims description 20
- 239000000523 sample Substances 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 14
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 9
- 229910052757 nitrogen Inorganic materials 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000005284 excitation Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 150000003839 salts Chemical group 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 14
- 235000013305 food Nutrition 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000001228 spectrum Methods 0.000 description 19
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 description 4
- 235000013372 meat Nutrition 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- WCUXLLCKKVVCTQ-UHFFFAOYSA-M Potassium chloride Chemical compound [Cl-].[K+] WCUXLLCKKVVCTQ-UHFFFAOYSA-M 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000002329 infrared spectrum Methods 0.000 description 2
- 235000014655 lactic acid Nutrition 0.000 description 2
- 239000004310 lactic acid Substances 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 1
- 238000007696 Kjeldahl method Methods 0.000 description 1
- 238000013494 PH determination Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000007882 dietary composition Nutrition 0.000 description 1
- 238000002189 fluorescence spectrum Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011630 iodine Substances 0.000 description 1
- 229910052740 iodine Inorganic materials 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 235000010755 mineral Nutrition 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000001103 potassium chloride Substances 0.000 description 1
- 235000011164 potassium chloride Nutrition 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
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
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (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
本发明公开了一种基于拉曼光谱技术的猪肉新鲜度快速检测方法,属于食品检测领域。本发明利用拉曼光谱信息和猪肉样品的5项新鲜度理化指标分别建立偏最小二乘回归模型;其中,拉曼光谱信息是猪肉样品表面在203‑3198cm‑1范围内的拉曼光谱强度;新鲜度理化指标包括TVB‑N、pH、L*、a*、b*。本发明通过对猪肉样品表面拉曼光谱的采集,与对应猪肉新鲜度的理化指标进行建模分析,模型可达到较好的预测性能,从而达到通过采集拉曼光谱快速检测猪肉新鲜度的效果。
Description
技术领域
本发明涉及一种基于拉曼光谱技术的猪肉新鲜度检测方法,属于食品检测领域。
背景技术
我国是世界上第一大猪肉生产国和消费国。猪肉可提供给人丰富的营养物质,富含蛋白质、脂肪、矿物质等,是我国居民膳食组成中的重要部分,猪肉新鲜与否与居民健康密切相关,研究猪肉新鲜度快速检测方法具有十分重要的价值和意义。
肉类品质的好坏单凭感官检测易受主观因素的影响,其可靠性、可比性差,理化检测和微生物检测虽然准确度高,但耗时长、操作繁琐,不适用于加工业实时大批量检测使用。近年来,许多研究已将光谱分析技术用于猪肉新鲜度检测领域,如近红外光谱技术、高光谱技术、荧光光谱技术等,其中近红外光谱技术较为常见。
拉曼光谱技术也已被用于猪肉品质检测,但检测指标多为嫩度、蛋白质含量、脂肪含量、碘值等,未涉及挥发性盐基总氮(TVB-N)、pH及色泽等新鲜度指标。拉曼光谱技术具有速度快、操作简单的优点,有望利用拉曼光谱技术实现现场快速检测。
发明内容
本发明根据变化的猪肉表面拉曼光谱和同时变化的猪肉新鲜度理化指标之间建立联系,以期达到利用拉曼光谱预测猪肉新鲜度理化指标的效果。拉曼光谱技术可以快速实现在线分析检测,同时拉曼光谱可以反映物质分子振动信息,本发明采用拉曼光谱快速检测猪肉新鲜度。
在建模过程中,为减少无关信息的干扰,采用6种预处理方法对采集到的拉曼光谱进行预处理,从而降低无关信号对结果的干扰,筛选出有效的光谱信息,本专利采用的6种预处理方法分别为曲线平滑(SG)、标准正态变量变换(SNV)、多元散射校正(MSC)、归一化(Normalize)、基线校正(Baseline)、去趋势化处理(DFA)或多种组合方式。
本发明的目的是提供一种基于拉曼光谱技术的猪肉新鲜度快速检测方法,方法是将获得的猪肉拉曼光谱信息与猪肉的5项新鲜度指标建立偏最小二乘回归模型。拉曼光谱信息是猪肉表面在203-3198cm-1范围内的拉曼光谱强度,新鲜度指标是指TVB-N、pH、色泽。
为实现上述目的,本发明提供如下方案:
一种基于拉曼光谱技术快速检测猪肉新鲜度的方法,是利用拉曼光谱信息与猪肉的5项新鲜度理化指标分别建立偏最小二乘回归模型,从而利用拉曼光谱预测猪肉新鲜度。
在本发明的一种实施方式中,一种基于拉曼光谱技术的猪肉新鲜度快速检测方法,包括以下步骤:
步骤一、每天每隔4小时进行取样共取3-5次,每次取样取出6份样本进行拉曼光谱的采集和新鲜度指标的测定,连续测定7天。
步骤二、将猪肉样品拉曼光谱信息和新鲜度指标参考值建立偏最小二乘回归模型。
在本发明的一种实施方式中,所述猪肉为猪瘦肉。
在本发明的一种实施方式中,所述拉曼光谱信息是猪肉表面在203-3198cm-1范围内的拉曼光谱强度;
在本发明的一种实施方式中,所述新鲜度理化指标包括挥发性盐基总氮、 pH、颜色L*、颜色a*、颜色b*。
在本发明的一种实施方式中,所述偏最小二乘回归模型的建立过程包括如下步骤:
(1)采集猪肉样品在203-3198cm-1范围内的拉曼光谱,同时测定5项理化指标的参考值。
(2)然后将采集得到的拉曼光谱强度分别与5项理化指标的参考值构建偏最小二乘回归模型。
在本发明的一种实施方式中,所述拉曼光谱信息还包括进行预处理,所述预处理的方式包括如下任意一种或多种组合:曲线平滑(SG)、标准正态变量变换(SNV)、多元散射校正(MSC)、归一化(Normalize)、基线校正(Baseline)、去趋势化处理(DFA)。
在本发明的一种实施方式中,当构建拉曼光谱信息与TVB-N的偏最小二乘回归模型时,预处理方式为标准正态变量变换。
在本发明的一种实施方式中,当构建拉曼光谱信息与pH的偏最小二乘回归模型时,预处理方式为标准正态变量变换。
在本发明的一种实施方式中,当构建拉曼光谱信息与L*的偏最小二乘回归模型时,预处理方式为标准正态变量变换。
在本发明的一种实施方式中,当构建拉曼光谱信息与a*的偏最小二乘回归模型时,预处理方式为去趋势化处理。
在本发明的一种实施方式中,当构建拉曼光谱信息与b*的偏最小二乘回归模型时,预处理方式为多元散射校正。
在本发明的一种实施方式中,所述拉曼光谱信息为猪肉表面在203-3198cm-1范围内的拉曼光谱强度。
在本发明的一种实施方式中,所述拉曼光谱信息的采集参数为:激发波长 785nm,采集波段为203-3198cm-1,积分时间5s,扫描1次,探头与猪肉表面距离为5mm。
在本发明的一种实施方式中,三项理化指标参考值测定方法如下:
挥发性盐基总氮含量测定参照GB5009.228-2016《食品安全国家标准食品中挥发性盐基氮的测定》;pH值采用pH计测定;色泽采用色差计测定。
在本发明的一种实施方式中,建立偏最小二乘回归模型是指将采集的拉曼光谱与TVB-N含量、pH、L*、a*、b*值这5项新鲜度理化指标分别建模,根据所建的模型,可以通过采集的光谱直接获得猪肉新鲜度理化指标的数值,达到快速检测猪肉新鲜度的目的。
在本发明的一种实施方式中,采用便携式拉曼光谱仪采集猪肉表面光谱。
在本发明的一种实施方式中,所述拉曼光谱信息的采集参数为:激发波长 785nm,采集波段为203-3198cm-1,积分时间5s,扫描1次,探头与猪肉表面距离5mm。
在本发明的一种实施方式中,拉曼光谱信息的采集指在猪肉样品表面不同部位随机扫描20次,取20次平均光谱代表光谱强度。
在本发明的一种实施方式中,采用偏最小二乘法建模,将75%的样品作为校正集,25%的样品作为预测集。
附图说明
图1本发明实施例提供的基于拉曼光谱技术的猪肉新鲜度无损检测方法流程图。
图2本发明实施例提供的猪肉样本随时间变化的的整体平均拉曼光谱示意图。
图3本发明实施例提供的各猪肉新鲜度指标随储存时间变化图,A、B、C 分别为TVB、pH和色泽指标随储存时间变化图。
图4本发明实施例提供的6种拉曼光谱预处理图。
具体实施方式
为了更好理解本发明,下面结合实施例对本发明做进一步说明,但本发明要求保护的范围并不仅仅局限于实施例表述的范围。
下面对本发明的操作流程作详细的描述。
实施例1
步骤一、猪肉样品的处理对猪肉进行去脂、去筋处理,用绞肉机绞碎后混合均匀,进行分装处理,每份样品30g(±0.001g),保鲜膜包好,置于实验室 4℃冰箱储存。每天每隔4小时取样共取3-5次,每次取样取出6份样本进行拉曼光谱的采集和新鲜度指标的测定,连续测定7天。75%样本作为校正集,25%样本作为预测集。
步骤二、拉曼光谱的采集采集参数:拉曼探头与猪肉样品表面的距离为5 mm,激发波长785nm,积分时间5s,扫描1次。在不同的位置随机扫描样品 20次,取20次平均光谱代表样品光谱信息。
步骤三、指标参考值的测定
TVB-N值的测定采用国标GB5009.228-2016《食品安全国家标准食品中挥发性盐基氮的测定》中规定的全自动凯氏定氮法测量。
pH值的测定:取5g样品置于烧杯中,加入50mL 0.1mol/L氯化钾溶液,搅拌均匀,用pH计测定pH值。
色泽的测定:采用色差计测定,于样品的不用部位测定10次,取10次平均值代表最终结果值。
步骤四、建模分析将采集到的203-3198cm-1范围的原始拉曼光谱同测定的各理化指标值建立全波段偏最小二乘回归(PLSR)模型,此模型即为猪肉新鲜度理化指标的拉曼光谱预测模型。所述模型75%的样品为校正集,25%的样品为预测集,(其中,校正集为用来建立模型结构和参数的样品;预测集为用来评估模型稳健性和预测能力的样品),需保证预测集数据范围在校正集数据范围内,且校正集和预测集的平均值相差不大,实施例的分集数据见表1。
表1各理化指标的分集统计数据
其中,Rc:校正集的相关系数;RMSEC:校正集均方根误差;Rp:预测集的相关系数;RMSEP:预测集均方根误差。
准确的模型应该有较高的相关系数R(理想效果接近1),以及较低的校正均方根误差RMSEC和预测均方根误差RMSEP值,RMSEC和RMSEP值的差异也相对较小。
本实施例中,建立的拉曼原始光谱全波段PLSR模型如表2所示,还包含了其他指标。由表2可知,pH值预测模型的Rc为0.975,Rp为0.855;L*值预测模型的Rc为0.940,Rp为0.618;a*值预测模型的Rc为0.891,Rp为0.815;b* 值预测模型的Rc为0.949,Rp为0.798;TVB-N值模型的Rc为0.991,Rp为 0.938,模型具有较好的稳定性能和预测性能,若光谱经预处理后,一些指标的模型的稳定性和准确性可能会得到提升。
而SF24/N值预测模型的Rc和Rp值都很低,且RMSEC和RMSEP都很高,不能作为稳定准确的预测模型。SF72/N值预测模型虽然Rc和Rp值虽然接近1,但是RMSEC和RMSEP值分别为1.400和4.000,仍较高,且RMSEC和RMSEP 的差值较大,也不能作为作为稳定准确的预测模型。乳酸值预测模型的Rp值很低,且RMSEC和RMSEP值极高,差值也极高,不能作为稳定准确的预测模型。
综上,TVB-N模型的Rc为0.991,最接近1,Rp也是所有模型中最高,由表2和表3对比可知TVB-N模型的预测效果最好,TVB-N也是与肉品新鲜度相关性最大的指标。
所以,本实施例优选TVB-N作为猪肉新鲜度主要指标,pH及色泽作为猪肉新鲜度辅助指标。
表2拉曼原始光谱与各理化指标建模结果
实施例2
为降低无关信号对结果的干扰,筛选出有效的光谱信息,本专利采用6种预处理方法对采集到的拉曼原始光谱进行预处理,6种预处理方法分别为曲线平滑 (S-G)、归一化(Normalize)、基线校正(Baseline)、标准正态变量变换(SNV)、多元散射校正(MSC)、去趋势化处理(DFA)。以TVB-N为例,光谱预处理后建模结果如表3,由表3知,光谱经SNV、Normalize、Baseline处理后,TVB-N 模型的稳定性及预测性能均得到了提升。
表3不同光谱预处理方式对建模的影响
对经过预处理的拉曼光谱和其它指标TVB-N、L*、a*、b*分别建立全波段 PLSR模型,和原始光谱全波段PLSR模型进行比较得最佳模型,结果如表5所示,由表5可知,对于TVB-N,SNV预处理光谱建模为最佳,Rc为0.994,Rp 为0.948;对于pH,SNV预处理光谱建模为最佳,Rc为0.993,Rp为0.886;对于L*,SNV预处理光谱建模为最佳,Rc为0.989,Rp为0.827;对于a*,DFA 预处理光谱建模为最佳,Rc为0.966,Rp为0.858;对于b*,MSC预处理光谱建模为最佳,Rc为0.964,Rp为0.900。
表4不同指标最佳模型
以上所述仅为本发明的较佳实施例而已,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 (10)
1.一种基于拉曼光谱技术快速检测猪肉新鲜度的方法,其特征在于,利用拉曼光谱信息与猪肉的5项新鲜度理化指标分别建立偏最小二乘回归模型,从而利用拉曼光谱预测猪肉新鲜度;
所述新鲜度理化指标包括挥发性盐基总氮、pH、颜色L*、颜色a*、颜色b*。
2.根据权利要求1所述的方法,其特征在于,所述拉曼光谱信息为猪肉表面在203-3198cm-1范围内的拉曼光谱强度。
3.根据权利要求1所述的方法,其特征在于,所述偏最小二乘回归模型的建立过程包括如下步骤:
(1)采集猪肉样品在203-3198cm-1范围内的拉曼光谱,同时测定5项理化指标的参考值。
(2)然后将采集得到的拉曼光谱强度分别与5项理化指标的参考值构建偏最小二乘回归模型。
4.根据权利要求1或2所述的方法,其特征在于,所述拉曼光谱信息还包括进行预处理,所述预处理的方式包括如下任意一种或多种组合:曲线平滑、归一化、基线校正、标准正态变量变换、多元散射校正、去趋势化处理。
5.根据权利要求3所述的方法,其特征在于,当构建拉曼光谱信息与TVB-N的偏最小二乘回归模型时,预处理方式为标准正态变量变换。
6.根据权利要求3所述的方法,其特征在于,当构建拉曼光谱信息与pH的偏最小二乘回归模型时,预处理方式为标准正态变量变换。
7.根据权利要求3所述的方法,其特征在于,当构建拉曼光谱信息与L*的偏最小二乘回归模型时,预处理方式为标准正态变量变换。
8.根据权利要求3所述的方法,其特征在于,当构建拉曼光谱信息与a*的偏最小二乘回归模型时,预处理方式为去趋势化处理。
9.根据权利要求3所述的方法,其特征在于,当构建拉曼光谱信息与b*的偏最小二乘回归模型时,预处理方式为多元散射校正。
10.根据权利要求1-8任一项所述的方法,其特征在于,所述拉曼光谱信息的采集参数为:激发波长785nm,采集波段为203-3198cm-1,积分时间5s,扫描1次,探头与猪肉表面距离为5mm。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111137994.8A CN113866153A (zh) | 2021-09-27 | 2021-09-27 | 一种基于拉曼光谱技术的猪肉新鲜度快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111137994.8A CN113866153A (zh) | 2021-09-27 | 2021-09-27 | 一种基于拉曼光谱技术的猪肉新鲜度快速检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113866153A true CN113866153A (zh) | 2021-12-31 |
Family
ID=78991513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111137994.8A Pending CN113866153A (zh) | 2021-09-27 | 2021-09-27 | 一种基于拉曼光谱技术的猪肉新鲜度快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113866153A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102323267A (zh) * | 2011-08-10 | 2012-01-18 | 中国农业大学 | 一种快速评价生鲜肉品新鲜度的系统及方法 |
CN102507459A (zh) * | 2011-11-23 | 2012-06-20 | 中国农业大学 | 一种生鲜牛肉新鲜度快速无损评价方法及系统 |
JP2015057596A (ja) * | 2013-08-16 | 2015-03-26 | 独立行政法人農業・食品産業技術総合研究機構 | 食品中の豚肉を検出する方法 |
CN110715917A (zh) * | 2019-10-08 | 2020-01-21 | 浙江大学 | 一种基于拉曼光谱的猪肉和牛肉分类方法 |
CN111157511A (zh) * | 2020-01-09 | 2020-05-15 | 江南大学 | 一种基于拉曼光谱技术的鸡蛋新鲜度无损检测方法 |
-
2021
- 2021-09-27 CN CN202111137994.8A patent/CN113866153A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102323267A (zh) * | 2011-08-10 | 2012-01-18 | 中国农业大学 | 一种快速评价生鲜肉品新鲜度的系统及方法 |
CN102507459A (zh) * | 2011-11-23 | 2012-06-20 | 中国农业大学 | 一种生鲜牛肉新鲜度快速无损评价方法及系统 |
JP2015057596A (ja) * | 2013-08-16 | 2015-03-26 | 独立行政法人農業・食品産業技術総合研究機構 | 食品中の豚肉を検出する方法 |
CN110715917A (zh) * | 2019-10-08 | 2020-01-21 | 浙江大学 | 一种基于拉曼光谱的猪肉和牛肉分类方法 |
CN111157511A (zh) * | 2020-01-09 | 2020-05-15 | 江南大学 | 一种基于拉曼光谱技术的鸡蛋新鲜度无损检测方法 |
Non-Patent Citations (1)
Title |
---|
徐宝才: "《改革开放40年中国猪业发展与进步-猪肉产品加工与流通》", 31 October 2018, 中国农业大学出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Su et al. | Evaluation of spectral imaging for inspection of adulterants in terms of common wheat flour, cassava flour and corn flour in organic Avatar wheat (Triticum spp.) flour | |
Li et al. | Recent advances in nondestructive analytical techniques for determining the total soluble solids in fruits: a review | |
Fernández-Novales et al. | Shortwave-near infrared spectroscopy for determination of reducing sugar content during grape ripening, winemaking, and aging of white and red wines | |
Wang et al. | Spectral detection techniques for non-destructively monitoring the quality, safety, and classification of fresh red meat | |
CN111157511B (zh) | 一种基于拉曼光谱技术的鸡蛋新鲜度无损检测方法 | |
Wang | Near-infrared spectroscopy for food quality evaluation | |
Xu et al. | Factors influencing near infrared spectroscopy analysis of agro-products: a review | |
Yuan et al. | Determination of metmyoglobin in cooked tan mutton using Vis/NIR hyperspectral imaging system | |
CN109374548A (zh) | 一种利用近红外快速测定大米中营养成分的方法 | |
CN109557014B (zh) | 一种快速检测发酵乳中乳酸菌数的方法 | |
CN111272696A (zh) | 一种快速检测普洱茶中掺杂香精的方法 | |
CN104568824B (zh) | 基于可见/近红外光谱的虾类新鲜度等级检测方法及装置 | |
Yang et al. | Detection of total viable count in spiced beef using hyperspectral imaging combined with wavelet transform and multiway partial least squares algorithm | |
Cheng et al. | Development of a novel quantitative function between spectral value and metmyoglobin content in Tan mutton | |
Mao et al. | BP neural network to predict shelf life of channel catfish fillets based on near infrared transmittance (NIT) spectroscopy | |
Wang et al. | Nondestructive determination of IMP content in chilled chicken based on hyperspectral data combined with chemometrics | |
CN110672578A (zh) | 针对煎炸油极性组分检测的模型通用性及稳定性验证方法 | |
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 | |
Peng et al. | Application of near-infrared spectroscopy for assessing meat quality and safety | |
CN112697718A (zh) | 一种基于高光谱成像技术结合波长选择算法串联策略的调理牛排新鲜度快速检测的方法 | |
CN113866153A (zh) | 一种基于拉曼光谱技术的猪肉新鲜度快速检测方法 | |
CN111122492B (zh) | 一种基于近红外检测的注水肉快速筛查方法 | |
CN113125378A (zh) | 基于近红外光谱的不同部位驼肉中营养成分的快速检测方法 | |
CN113866119A (zh) | 一种注水鸡快速鉴别方法及应用 | |
CN113984683A (zh) | 一种基于高光谱的马铃薯全粉面条淀粉含量测定方法 |
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: 20211231 |
|
RJ01 | Rejection of invention patent application after publication |