CN113921092B - 一种快速筛查生鲜乳中中和酸类物质的方法 - Google Patents
一种快速筛查生鲜乳中中和酸类物质的方法 Download PDFInfo
- Publication number
- CN113921092B CN113921092B CN202111169773.9A CN202111169773A CN113921092B CN 113921092 B CN113921092 B CN 113921092B CN 202111169773 A CN202111169773 A CN 202111169773A CN 113921092 B CN113921092 B CN 113921092B
- Authority
- CN
- China
- Prior art keywords
- model
- different
- raw milk
- samples
- variables
- 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
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Crystallography & Structural Chemistry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computational Linguistics (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Dairy Products (AREA)
Abstract
本发明公开了一种快速筛查生鲜乳中中和酸类物质的方法。本发明首先利用FGC E‑nose对表观酸度正常的生鲜乳样品进行检测,然后将从两根快速色谱柱获得的谱图合并并根据保留时间排列,将响应值不同但保留时间相近的物质视为同一物质,以不同保留时间的峰面积为自变量,不同生鲜乳样品的组别为因变量建立数据集;随机将数据集以7:3的比例分为训练集和测试集;将训练集导入到随机森林(RF)中进行判别模型的训练,利用测试集对模型性能进行评估,优化RF模型的参数,最终获得判别性能优良的RF模型。本发明的RF模型,对于测试集,其判断的正确率可达到100%。本发明的方法可用于生鲜乳中中和酸类掺假物质的检测,为乳品行业的生鲜乳质量控制提供参考。
Description
技术领域
本发明涉及一种快速筛查生鲜乳中中和酸类物质的方法,属于食品检测技术领域。
背景技术
随着生鲜乳产量的逐年增加,能否规范有效地保藏生鲜乳,成为其质量控制的关键性问题。牛奶富含易于吸收的营养物质,例如蛋白质、能量、维生素、氨基酸和矿物质,这些物质也使其十分适合微生物生长,并导致乳糖分解和乳酸的产生,从而增加牛奶的酸度。为了掩盖运输和储存过程中原料奶新鲜度的降低,可能会非法添加中和酸类掺假物质使酸度恢复到正常水平。食用含有这些物质的牛奶可能会导致胃肠道问题,包括胃溃疡、腹泻、结肠溃疡和电解质紊乱。目前,已经有多种基于理化反应检测这些掺假物质的方法,如迷迭香酸测试,灰分的碱度检验和指示剂滴定法等。然而,这些方法会对样品造成不可逆的损害,而且一种技术通常只能检测一种掺假物质。因此,亟需开发一种能够进行无损、高通量的检测中和酸类物质掺假的方法,从而达到早期对牛奶品质在线监测的目的。
发明内容
本发明所要解决的技术问题是:开发一种能够进行无损、高通量的检测中和酸类物质掺假的方法,从而达到早期对牛奶品质在线监测的目的。
为了解决上述问题,本发明提供了一种快速筛查生鲜乳中中和酸类物质的方法,包括如下步骤:
步骤1:获取新鲜的生鲜乳样品和制备不同变质时间的掺有不同中和酸类物质的生鲜乳样品,得到不同生鲜乳样品的组别,包括新鲜生鲜乳样品以及在37℃下分别储存2h、4h、6h、8h、10h和12h后掺假碳酸钠、碳酸氢钠、氢氧化钠或硫氰酸钠的生鲜乳样品,共25个组别;
步骤2:采用快速气相型电子鼻对步骤1中不同的生鲜乳样品进行检测,得到不同生鲜乳样品的色谱图,以不同保留时间的峰面积为自变量,不同生鲜乳样品的组别为因变量构建不同生鲜乳样品的数据集,随机将数据集以7:3的比例分为训练集和测试集;
步骤3:采用R语言,构建随机森林模型,包括以下步骤:
步骤3.1:使用Bagging方法从训练集的N个样本中提取m个样本构建一个独立训练集;
步骤3.2:从没有修剪回归树的每个单独训练集生成树:有M个原始变量,正整数mtry满足mtry<M,在每个内部节点处,mtry变量被随机提取为候选变量,用于从M个原始变量中进行节点分裂,整个森林建设过程中整数mtry没有变化,从mtry候选变量拆分的方法是拆分节点,每棵树都能在没有修剪的情况下增加生长;
步骤3.3:重复步骤3.1及步骤3.2,直到产生ntree个决策树;
步骤3.4:确定用于建模的关键参数,该关键参数包括随机分裂变量mtry和决策树数量ntree;
步骤4:模型性能的评估:将测试集导入到步骤3建立的模型中进行不同生鲜乳样品组别的预测,利用准确率指标对模型性能进行评估;
步骤5:模型的应用:利用快速气相型电子鼻对待测样品进行检测,得到待测样品的色谱图,以不同保留时间的峰面积为自变量,获得盲样数据集,导入到步骤3优化的随机森林模型中进行不同生鲜乳样品组别的预测。
优选地,所述步骤2和步骤5中的快速气相型电子鼻的型号为法国Alpha MOS公司的Herales II,其采用的色谱柱型号分别为MXT-5和MXT-1701;相应地,构建数据集时采用如下方法:将从型号分别为MXT-5和MXT-1701的色谱柱获得的谱图进行合并并根据保留时间排列,将响应值峰面积不同但保留时间相近的物质视为同一物质,以不同保留时间的峰面积为自变量,不同生鲜乳样品的组别为因变量建立数据集。
优选地,所述步骤2和步骤5中采用快速气相型电子鼻检测的条件为:
样品量:5g;
样品孵育温度:50℃;
样品孵育时间:20min;
进样体积:5000μL;
进样速度:125μL/s;
进样方式:顶空注入;
Tenax捕集阱收集温度:40℃;
Tenax捕集阱收集时间:50s;
载气:氢气;
分流:10mL/min;
取样器温度:200℃;
升温程序:80℃恒温0s,3℃/s升温至250℃,250℃恒温21s;
检测器温度:260℃;
FID增益:FID1/FID2。
优选地,所述步骤4中优化的随机森林模型的关键参数为:随机分裂变量mtry=11,决策树数量ntree=200。
与现有技术相比,本发明的有益效果在于:
1.本发明利用快速气相型电子鼻(FGC E-nose)结合化学计量学实现快速筛查生鲜乳中是否掺假中和酸类物质及其种类,无需复杂的样品前处理步骤,测定过程简单、快速,具有很好的实际应用价值;
2.本发明提出的筛查生鲜乳中的中和酸类掺假物质的RF模型,对于测试集,其判断的正确率可达到100%;本发明的方法可用于生鲜乳中中和酸类掺假物质的检测,为乳品行业的生鲜乳质量控制提供参考。
附图说明
图1为决策树数量对随机森林模型误差的影响。
具体实施方式
为使本发明更明显易懂,兹以优选实施例,并配合附图作详细说明如下。
实施例1
生鲜乳样品采集自上海乳品四厂,出厂时生鲜乳的蛋白质、脂肪及碳水化合物等指标均符合标准。
取适量新鲜生鲜乳样品加入到提前灭菌的锥形瓶中,进行充分包扎防止外菌侵染,然后在37℃恒温培养箱中储存2h、4h、6h、8h、10h、12h,获得不同变质程度的生鲜乳样品,检测其酸度,并加入单一的中和酸类掺假物质(NaOH、NaSCN、Na2CO3和NaHCO3)使其酸度恢复正常,从而获得表观酸度正常的生鲜乳样品。
实施例2
快速气相型电子鼻的检测:
准确称取5g待测样品于20mL样品瓶中,然后有顺序地置于仪器自带的样品架上,供其机械臂有序准确地检测样品,通过软件设置取样顺序,利用快速气相型电子鼻检测待测样品的挥发性化合物,检测条件如下:样品瓶用防漏盖封闭,并用硅/聚四氟乙烯隔膜覆盖。样品在50℃下孵育20min,然后自动进样器以125μL/s的速率从顶空向GC注入5000μL样品,并在Tenax捕集阱中在40℃下收集分析物50s。快速加热后,分析物被分离并转移到两个平行的短GC色谱柱(Restek,美国宾夕法尼亚州中心县):非极性色谱柱(MXT-5:5%联苯,95%甲基聚硅氧烷,10m×0.180mm×0.4μm)和弱极性色谱柱(MXT-1701:14%氰丙基-苯基,86%甲基聚硅氧烷,10m×0.180mm×0.4μm)。氢气用作载气。系统在80kPa的恒压下运行,柱头分流流速为10mL/min。温度条件为:取样器温度为200℃;升温程序包括80℃恒温0s,3℃/s升温至250℃,250℃恒温21s;260℃火焰离子化检测(FID1/FID2)。每个样品一式六份进行检测以获得更好的平行效果与模型性能。
实施例3
数据预处理及数据集的建立:
将从两根快速色谱柱获得的谱图合并并根据保留时间排列,将响应值不同但保留时间相近的物质视为同一物质,以不同保留时间的峰面积为自变量,不同生鲜乳样品的组别为因变量建立数据集,随机地将数据集以7:3的比例分为训练集和测试集。
实施例4
预测模型的建立:
模型构建环境为R语言(版本4.0.3),所用的主要程序包为randomForest(版本4.6-14),采用随机森林构建模型的具体步骤为:
(1)使用Bagging方法从原始训练集的N个样本中提取m个样本构建一个独立训练集;
(2)从没有修剪回归树的每个单独训练集生成树,具体包括:有M个原始变量,正整数mtry满足mtry<M,在每个内部节点处,mtry变量被随机提取为候选变量,用于从M个原始变量中进行节点分裂,整个森林建设过程中整数mtry没有变化,从mtry候选变量拆分的方法是拆分节点,每棵树都能在没有修剪的情况下增加生长;
(3):重复步骤(1)及步骤(2),直到产生ntree个决策树。
将训练集导入到随机森林中进行模型的训练,利用训练好的模型对测试集中的数据进行预测,以判别正确率(accuracy)为指标判断模型的性能进行评价。
尝试设置不同决策树的数目(ntree)和二分裂的变量数(mtry)的参数时模型的误差,选择模型误差最小时ntree值与mtry值,构建最终的判别模型。
实施例5
RF建模结果:
从图1可以看出,当ntree=200时,RF模型的误差趋于稳定。而对于mtry值,常用的默认值一般为变量个数的开根号值,由于前期数据集共有129个变量,所以设置mtry值为11。综上,以ntree=200,mtry=11构建最终的RF判别模型。表1为RF判别模型的对测试集的数据进行预测时获得的分类结果,由表中可以看出,RF模型的判别正确率为100%。
表1 RF模型对测试集数据进行预测结果
表1中的“DZ”指新鲜的生鲜乳样品,各组别为储存时间-掺假物种类。
实施例6
生鲜乳中中和酸类掺假物质判别模型的应用:
(1)从上海一家乳品厂收集150个新鲜的生鲜乳样品,30个作为未掺假的样品,120个制备成掺有不同含量碳酸氢钠的掺假生鲜乳样品;
(2)利用快速气相型电子鼻对样品进行检测,以不同保留时间的峰面积为自变量,构建盲样数据集;
(3)将盲样数据集导入到前期构建的判别模型中,对生鲜乳中掺假物质的种类进行判别具体结果如表2所示。
表2 RF模型对盲样测试集数进行预测结果
样品组别 | 正确率 |
DZ | 100.00% |
2h-NaSCN | 100.00% |
2h-NaOH | 100.00% |
2h-Na2CO3 | 100.00% |
2h-NaHCO3 | 100.00% |
4h-NaSCN | 100.00% |
4h-NaOH | 100.00% |
4h-Na2CO3 | 100.00% |
4h-NaHCO3 | 100.00% |
6h-NaSCN | 100.00% |
6h-NaOH | 100.00% |
6h-Na2CO3 | 100.00% |
6h-NaHCO3 | 100.00% |
8h-NaSCN | 100.00% |
8h-NaOH | 100.00% |
8h-Na2CO3 | 100.00% |
8h-NaHCO3 | 100.00% |
10h-NaSCN | 100.00% |
10h-NaOH | 100.00% |
10h-Na2CO3 | 100.00% |
10h-NaHCO3 | 100.00% |
12h-NaSCN | 100.00% |
12h-NaOH | 100.00% |
12h-Na2CO3 | 100.00% |
12h-NaHCO3 | 100.00% |
总正确率 | 100% |
表2中的“DZ”指新鲜的生鲜乳样品,各组别为储存时间-掺假物种类。
尽管上述实施例对本发明做出了详尽的描述,但它仅仅是本发明一部分实施例,而不是全部实施例,并非对本发明任何形式上和实质上的限制,应当指出,对于本技术领域的普通技术人员,在不脱离本发明的前提下,还将可以做出若干改进和补充,这些改进和补充也应视为本发明的保护范围。
Claims (4)
1.一种快速筛查生鲜乳中中和酸类物质的方法,其特征在于,包括如下步骤:
步骤1:获取新鲜的生鲜乳样品和制备不同变质时间的掺有不同中和酸类物质的生鲜乳样品,得到不同生鲜乳样品的组别,包括新鲜生鲜乳样品以及在37℃下分别储存2h、4h、6h、8h、10h和12h后掺假碳酸钠、碳酸氢钠、氢氧化钠或硫氰酸钠的生鲜乳样品,共25个组别;
步骤2:采用快速气相型电子鼻对步骤1中不同的生鲜乳样品进行检测,得到不同生鲜乳样品的色谱图,以不同保留时间的峰面积为自变量,不同生鲜乳样品的组别为因变量构建不同生鲜乳样品的数据集,随机将数据集以7:3的比例分为训练集和测试集;
步骤3:采用R语言,构建随机森林模型,包括以下步骤:
步骤3.1:使用Bagging方法从训练集的N个样本中提取m个样本构建一个独立训练集;
步骤3.2:从没有修剪回归树的每个单独训练集生成树:有M个原始变量,正整数mtry满足mtry <M,在每个内部节点处,mtry 变量被随机提取为候选变量,用于从M个原始变量中进行节点分裂,整个森林建设过程中整数mtry没有变化,从mtry候选变量拆分的方法是拆分节点,每棵树都能在没有修剪的情况下增加生长;
步骤3.3:重复步骤3.1及步骤3.2,直到产生ntree个决策树;
步骤3.4:确定用于建模的关键参数,该关键参数包括随机分裂变量mtry和决策树数量ntree;
步骤4:模型性能的评估:将测试集导入到步骤3建立的模型中进行不同生鲜乳样品组别的预测,利用准确率指标对模型性能进行评估;
步骤5:模型的应用:获取新鲜的生鲜乳样品,制备掺有不同掺假物质的生鲜乳样品,利用快速气相型电子鼻进行检测,获得不同样品的色谱图,以不同保留时间的峰面积为自变量,获得盲样数据集,将其导入前期构建的模型中进行生鲜乳中产假物质的判别。
2. 如权利要求1所述的快速筛查生鲜乳中中和酸类物质的方法,其特征在于,所述步骤2和步骤5中的快速气相型电子鼻的型号为法国Alpha MOS公司的Herales II,其采用的色谱柱型号分别为MXT-5和MXT-1701;相应地,构建数据集时采用如下方法:将从型号分别为MXT-5和MXT-1701的色谱柱获得的谱图进行合并并根据保留时间排列,将响应值峰面积不同但保留时间相近的物质视为同一物质,以不同保留时间的峰面积为自变量,不同生鲜乳样品的组别为因变量建立数据集。
3.如权利要求1所述的快速筛查生鲜乳中中和酸类物质的方法,其特征在于,所述步骤2和步骤5中采用快速气相型电子鼻检测的条件为:
样品量:5g;
样品孵育温度:50℃;
样品孵育时间:20min;
进样体积:5000μL;
进样速度:125 μL/s;
进样方式:顶空注入;
Tenax 捕集阱收集温度:40℃;
Tenax 捕集阱收集时间:50℃;
载气:氢气;
分流:10mL/min;
取样器温度:200℃;
升温程序:80℃ 恒温 0 s,3℃/s 升温至 250℃,250℃恒温 21 s;
检测器温度:260℃;
FID 增益:FID1/FID2。
4.如权利要求1所述的快速筛查生鲜乳中中和酸类物质的方法,其特征在于,所述步骤4中优化的随机森林模型的关键参数为:随机分裂变量mtry=11,决策树数量ntree=200。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111169773.9A CN113921092B (zh) | 2021-10-08 | 2021-10-08 | 一种快速筛查生鲜乳中中和酸类物质的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111169773.9A CN113921092B (zh) | 2021-10-08 | 2021-10-08 | 一种快速筛查生鲜乳中中和酸类物质的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113921092A CN113921092A (zh) | 2022-01-11 |
CN113921092B true CN113921092B (zh) | 2023-09-15 |
Family
ID=79238274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111169773.9A Active CN113921092B (zh) | 2021-10-08 | 2021-10-08 | 一种快速筛查生鲜乳中中和酸类物质的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113921092B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103487411A (zh) * | 2013-09-01 | 2014-01-01 | 西北大学 | 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 |
CN107132267A (zh) * | 2017-06-21 | 2017-09-05 | 佛山科学技术学院 | 一种基于随机森林的茶叶分类方法及系统 |
CN109614714A (zh) * | 2018-12-13 | 2019-04-12 | 上海应用技术大学 | 一种发酵乳香气感官质量控制的模型建立方法 |
CN110836885A (zh) * | 2019-12-19 | 2020-02-25 | 西安石油大学 | 一种基于拉曼光谱结合随机森林算法的汽油掺假鉴别分析方法 |
CN111735806A (zh) * | 2020-06-18 | 2020-10-02 | 中国海洋大学 | 一种基于激光诱导击穿光谱技术的鱼产品快速鉴别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080086272A1 (en) * | 2004-09-09 | 2008-04-10 | Universite De Liege Quai Van Beneden, 25 | Identification and use of biomarkers for the diagnosis and the prognosis of inflammatory diseases |
WO2020000248A1 (zh) * | 2018-06-27 | 2020-01-02 | 大连理工大学 | 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法 |
-
2021
- 2021-10-08 CN CN202111169773.9A patent/CN113921092B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103487411A (zh) * | 2013-09-01 | 2014-01-01 | 西北大学 | 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 |
CN107132267A (zh) * | 2017-06-21 | 2017-09-05 | 佛山科学技术学院 | 一种基于随机森林的茶叶分类方法及系统 |
CN109614714A (zh) * | 2018-12-13 | 2019-04-12 | 上海应用技术大学 | 一种发酵乳香气感官质量控制的模型建立方法 |
CN110836885A (zh) * | 2019-12-19 | 2020-02-25 | 西安石油大学 | 一种基于拉曼光谱结合随机森林算法的汽油掺假鉴别分析方法 |
CN111735806A (zh) * | 2020-06-18 | 2020-10-02 | 中国海洋大学 | 一种基于激光诱导击穿光谱技术的鱼产品快速鉴别方法 |
Non-Patent Citations (2)
Title |
---|
基于红外光谱和随机森林的蕨麻产地鉴别;杨尚梅;陈颖;吉守祥;;实验室研究与探索(03);全文 * |
基于随机森林模型判别矿井涌(突)水水源;郝谦;武雄;穆文平;邓若晨;胡博远;高原;;科学技术与工程(16);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113921092A (zh) | 2022-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hong et al. | Authenticating cherry tomato juices—Discussion of different data standardization and fusion approaches based on electronic nose and tongue | |
CN105548404B (zh) | 一种基于代谢组学鉴别霍山米斛与霍山铁皮石斛品种的方法 | |
CN100575950C (zh) | 一种水果成熟度预测方法 | |
CN107102035B (zh) | 一种基于电子鼻的猪肉冷冻储藏期的无损检测方法 | |
US20220128536A1 (en) | Detection method for origin determination based on gas chromatography-ion mobility spectrometry (gc-ims) | |
CN102338780A (zh) | 一种卷烟品牌判别方法 | |
CN104914225B (zh) | 一种基于嗅觉指纹信息预测果汁中澄清剂含量的方法 | |
CN103983676A (zh) | 一种基于气敏传感器技术的猪肉新鲜度快速无损检测的方法 | |
CN113921092B (zh) | 一种快速筛查生鲜乳中中和酸类物质的方法 | |
da Silva et al. | Fine root-arbuscular mycorrhizal fungi interaction in Tropical Montane Forests: Effects of cover modifications and season | |
CN111429971B (zh) | 基于机器学习和代谢组学的岭南湿热证模式动物识别方法 | |
CN112651173A (zh) | 一种基于跨域光谱信息的农产品品质无损检测方法及可泛化系统 | |
CN107271596A (zh) | 一种硫化氢分离装置及检测浸膏香料中硫化氢含量的方法 | |
CN111521641A (zh) | 一种白兰地原酒不同蒸馏方式的识别方法 | |
Nie et al. | Microbial volatile organic compounds as novel indicators of anaerobic digestion instability: Potential and challenges | |
CN111257446A (zh) | 一种检测蜂蜜中外源甜菜糖的方法 | |
CN115856188A (zh) | 一种鉴别浓缩果蔬汁真伪的方法 | |
Smajlovic et al. | Quantitative analysis and detection of chaptalization and watering down of wine using isotope ratio mass spectrometry | |
CN113870954A (zh) | 一种快速定量生鲜乳中碳酸氢钠掺假含量的方法 | |
CN113933334B (zh) | 一种基于特征选择和机器学习算法的洋槐蜜真伪鉴别方法 | |
CN211292687U (zh) | 一种用于葡萄酒so2浓度测定的电子鼻装置 | |
WO2017211016A1 (zh) | 一种鉴定有机葡萄酒的方法 | |
CN111504944A (zh) | 基于近红外光谱的柠檬酸发酵液化清液的统计监控方法 | |
Yang et al. | Qualitative analysis of age and brand of unblended brandy by electronic nose | |
CN111307967B (zh) | 一种测定食品中丙酸不可交换氢位点上稳定氢同位素比值的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |