CN114563387A - 一种基于拉曼光谱技术鉴别茶油掺伪的方法 - Google Patents
一种基于拉曼光谱技术鉴别茶油掺伪的方法 Download PDFInfo
- Publication number
- CN114563387A CN114563387A CN202111390973.7A CN202111390973A CN114563387A CN 114563387 A CN114563387 A CN 114563387A CN 202111390973 A CN202111390973 A CN 202111390973A CN 114563387 A CN114563387 A CN 114563387A
- Authority
- CN
- China
- Prior art keywords
- oil
- tea oil
- adulteration
- 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
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技术鉴别茶油掺伪的方法。本方法使用定量的鉴别方法，其具体步骤包括（1）采集校正集验证集以及拉曼光谱数据处理；（2）建立判定模型PLS定量判定模型的建立；（3）测定待测样品。本发明具有鉴定误差小，鉴定速度快及无损的特点。
Description
技术领域
本发明涉及一种鉴别茶油掺伪的方法，特别是一种基于拉曼光谱技术鉴别茶油掺伪的的方法。
背景技术
茶油掺伪的一直是比较受关注的一类问题，纯正的茶油，包含的脂肪酸的组成更接近人体的需要，具有烟点高，油酸含量高等优点，其功效和价格和其他的常规食用油如豆油等也有很大的差距。现在市场上很多不法的投机商贩看到了商机，利用这两种油巨大的价格差异和较难识别和辨认的特点，大肆进行不法掺伪，产品也大量流入市场。为了保证市场的公平有序，以及保证消费者的合法权益，茶油掺伪鉴定的技术有着十分重要的意义。在这种情况下，感官品评等传统方法不可靠，难度大，准确率低。作为传统的鉴定掺伪的方法通常是使用液相色谱进行每个组分的分析，来大致判断待测茶油是不是符合国家标准，来判定其是否油掺伪嫌疑。使用色谱仪进行判断时间周期过长，每个样品大致需要1-2小时的检测周期，同时还需要高额的检测费用，检测成本过高；
拉曼光谱技术是一种指纹谱鉴定技术，当一束激光照在物质上时，物质会产生拉曼散射峰，其散射峰的位置代表物质所含化学成分的基团，从而拉曼散射峰可以用于物质成分分析。使用高精度的光谱仪收集和处理这种散射信号，通过数据处理和分析多种物质的光谱，来达到定量和定性检测的目的；
目前通过拉曼光谱技术来鉴定物质的产地和掺假已经有所开发和应用，但是随着鉴定对象的不同，其具体的鉴定方法也各不相同，不同物质的鉴定方法没有太多借鉴和参考的意义。因此，研究设计一种针对茶油掺伪的拉曼光谱鉴定方法，对于茶油掺伪的快速鉴定具有非常重要的意义。
发明内容
本发明的目的在于，提供一种基于拉曼光谱技术鉴别茶油掺伪的方法，该方法为偏最小二乘判别分析法，属于定量鉴别。本发明具有鉴定误差小，鉴定速度快和无损的特点。
本发明的技术方案：一种基于拉曼光谱技术鉴别茶油掺伪的方法，同时使用定性和定量的鉴别方法，包括以下步骤：
（1）采集校正集验证集以及拉曼光谱数据处理
a.选取已知来源真实可靠的纯茶油样品5-6份作为初步建立模型的标准样本，另选取用于掺伪的植物油纯品，包括葵花籽油、玉米油、花生油等。 在15°-25°温度下保存，待测之前保证其化学物质和成分的稳定。以茶油和葵花籽油的掺为模型为例，配制作葵花籽油含量为百分之1到百分之50的茶油葵花籽油混合样本。浓度梯度为百分之2。其他可掺伪植物油也按照上述配制方法进行样品配制；
b.将已采集的全部样品拉曼光谱导入多元变量分析软件中，对原始拉曼光谱数据进行平滑处理，降低原始数据的噪音干扰，原始数据处理后的1200-1270cm-1和1580-1690cm-1这两个波段是鉴别待测样品是否掺伪的主要特征波段。并且以1433cm-1峰作为样本信号归一化的标准峰。
（2）建立判定模型
2.1 PLS定量判定模型的建立
通过导入拉曼光谱求导后的数据，启动PLS自动分析模块，选择上述特征波段，使用PLS分类方法进行量化判定模型，将二元的茶油模型数据绘制成一条PLS回归线，并矫正回归线的方差大于98%。方差越高，说明预测的准确性越高。
（3）测定待测样品
校正模型建立后即可以开始测试样品，将待测的茶油样品从冰箱取出，复温，使用拉曼光谱仪测试其拉曼信号，然后分别使用定量的方法进行鉴定，该鉴定方法如下：
将待测样品的拉曼信号导入到分析软件中，在软件中对光谱进行平滑处理，将处理好的光谱数据导入到已经建立好的校正模型中。如果样品是纯茶油，则该样品在带入多个预测模型时，茶油的浓度预测的均值（预测值和真实值所计算的方差）都大于98%，且整体的预测值都较为稳定，则可以说明待预测的样本是茶油样本的真实样品。如果待测的茶油不是纯茶油，则带入到多个预测模型中，其浓度的预测值是不同的而且不同的预测模型中其差别很大。其在不同模型的茶油浓度的最小值，可以大致说明该种茶油的真实的茶油的含量的百分百比，可以推测出其大致的其他廉价植物油的掺伪比例。
前述的基于拉曼光谱技术鉴别产油掺伪的方法，步骤（1）所选取的样品为已知来源可靠的纯茶油。
前述的基于拉曼光谱技术鉴别茶油掺伪的方法，所述拉曼光谱数据处理时，拉曼光谱仪激发光的波长是785nm，测量波的范围是200-1800cm-1,曝光时间是0.5-1s，激光功率最高是600mw。
前述的基于拉曼光谱技术鉴别茶油掺伪的方法，其特征在于：步骤（1）的原始数据最终以波数为1433cm-1处的峰进行归一化处理。
前述的基于拉曼光谱技术鉴别茶油掺伪的方法，其特征在于：所述拉曼光谱数据处理时，拉曼光谱仪激发光的波长是785nm，测量波的范围是200-1800cm-1, 曝光时间是0.5-1s， 激光功率最高是600mw。对于深色样品也可以使用1064nm 激发波长拉曼系统，激光功率在200-500mW之间，曝光时间在20s以内。1064nm系统主要用于测试鉴定深色的茶油样品，以避免其在785nm激发时可能产生的强烈的背景荧光干扰。
本发明先根据不同植物油和纯茶油拉曼光谱有显著不同的特征，建立校正模型，再将待测品的拉曼光谱数据进行处理，接着带入到所建模型进行分析判断。从而实现茶油掺伪的鉴定。由于拉曼光谱测定时间短，因此在鉴定茶油掺伪时，测试速度非常快，几秒钟即可完成鉴定，并且样品不用做任何处理，属于无损检测。与传统的液相色谱方法相比，准确度一致，但拉曼光谱成本低，而且是无损原位检测。此外，本发明选用785nm的激光波长，尽可能减少样品的背景荧光，并且最大限度的提高拉曼信号的强度，通过去基线的方法，尽可能消除基线信号对于数据的干扰，提高鉴定的准确性。
附图说明
附图1 茶油、大豆油和葵花籽油的拉曼光谱；
附图2茶油菜籽油掺假的预测模型
附图3茶油大豆油掺假的预测模型
附图4茶油样品掺假预测结果
以上所述仅为本发明创造较佳的具体实施方式，但本发明创造的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明创造揭示的技术范围内，根据本发明创造的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明创造的保护范围之内。
具体实施方式
为验证本发明的方法能够实现茶油掺伪的测定，申请人做了如下实验：
（1）分别取广东、湖南、江西等已知产地的真实纯茶油样本5份，对其进行编号，编号是s1-s5。这些样本作为茶油的基础判断样本。纯茶油的拉曼信号为附图1所示。
（2）选取纯茶油为基础样本，然后配置浓度梯度为2%的葵花籽油茶油的混合模型。葵花籽油的浓度分别为2%、4%、6%、8%、10%、12%、14%、16%、18%、20%、22%、24%、26%、28%、30%、32%、34%、36%、38%、40%。编号分别为Z1-Z20。
选取纯茶油为基础样本。然后配置浓度梯度为2%的大豆油茶油的混合模型。大豆油的浓度分别为2%、4%、6%、8%、10%、12%、14%、16%、18%、20%、22%、24%、26%、28%、30%、32%、34%、36%、38%、40%。编号分别为D1-D20。
（3）下面开始对这个模型使用PLS的方法进行训练，本案例使用商业软件unscramble对上述样品进行分析。其中依据茶油的特性，选取2个位置的拉曼波段作为线性分类及判定的依据，分别是1200-1270cm-1、1580-1690cm-1。将2个区间的拉曼值作为建立模型的依据，使用软件的PLS功能绘制初PLS的方差图像如附图2所示。
表一是已经建立好的葵花籽油模型的茶油浓度的自预测值。
表1 茶油浓度预测值（葵花籽油模型）
| 样品序号 | 茶油含量标准值% | 茶油含量预测值% | 误差值 |
| s1 | 100 | 99.17792 | 1.183698 |
| s2 | 100 | 100.8753 | 1.232521 |
| s3 | 100 | 99.02509 | 1.201619 |
| s4 | 100 | 100.7225 | 1.258279 |
| s5 | 100 | 99.63648 | 1.155755 |
| z1 | 98 | 98.28024 | 1.183879 |
| z2 | 96 | 94.79834 | 1.155959 |
| z3 | 94 | 93.67452 | 1.154588 |
| z4 | 92 | 92.5954 | 1.145749 |
| z5 | 90 | 89.87965 | 1.142334 |
| z6 | 88 | 87.43332 | 1.145305 |
| z7 | 86 | 86.83582 | 1.147275 |
| z8 | 84 | 83.01656 | 1.139831 |
| z9 | 82 | 84.64398 | 1.141752 |
| z10 | 80 | 79.28011 | 1.132385 |
| z11 | 78 | 80.14354 | 1.134499 |
| z12 | 76 | 75.46501 | 1.133018 |
| z13 | 74 | 73.67477 | 1.133691 |
| z14 | 72 | 71.38739 | 1.14124 |
| z15 | 70 | 69.11403 | 1.147479 |
| z16 | 68 | 66.89058 | 1.154258 |
| z17 | 66 | 65.66904 | 1.166219 |
| z18 | 64 | 62.86109 | 1.186528 |
| z19 | 62 | 62.30381 | 1.184984 |
| z20 | 60 | 62.61545 | 1.193124 |
训练的葵花籽油模型曲线如图2所示，方差是99.3%，大于95%，说明模型的相关度很高，说明葵花籽油茶油混合模型对于茶油的预测还是准确的。
使用同样的方法，如表2所示分别对大豆油和茶油的混合油的茶油含量分别作出预测。
表2 茶油浓度预测值（大豆油模型）
| 样品序号 | 茶油含量标准值 | 茶油含量预测值 | 误差值 |
| s1 | 100 | 99.91391 | 1.185308 |
| s2 | 100 | 99.20724 | 1.182477 |
| s3 | 100 | 99.36526 | 1.1831 |
| s4 | 100 | 98.6586 | 1.180359 |
| s5 | 100 | 101.5598 | 1.192345 |
| d1 | 98 | 97.38434 | 1.175712 |
| d2 | 96 | 96.95551 | 1.174235 |
| d3 | 94 | 95.52303 | 1.169615 |
| d4 | 92 | 92.51112 | 1.161513 |
| d5 | 90 | 90.39203 | 1.157141 |
| d6 | 88 | 88.71268 | 1.154466 |
| d7 | 86 | 84.48466 | 1.150853 |
| d8 | 84 | 84.49693 | 1.150857 |
| d9 | 82 | 82.55626 | 1.150697 |
| d10 | 80 | 77.69208 | 1.154459 |
| d11 | 78 | 75.75684 | 1.157601 |
| d12 | 76 | 77.13614 | 1.155267 |
| d13 | 74 | 73.17535 | 1.163233 |
| d14 | 72 | 71.13769 | 1.168827 |
| d15 | 70 | 70.31092 | 1.171382 |
| d16 | 68 | 69.10438 | 1.175403 |
| d17 | 66 | 65.98053 | 1.187403 |
| d18 | 64 | 65.10499 | 1.191171 |
| d19 | 62 | 61.18069 | 1.210172 |
| d20 | 60 | 61.69896 | 1.207468 |
训练的大豆油模型曲线如附图3所示，方差是99.28%，大于95%，说明模型的相关度很高，大豆油茶油混合模型对于茶油的预测准确。
（4）模型建立之后，对实际样品进行预测
实际样品中随机挑选市售茶油，以及测试前不知道配制浓度的茶油植物油混合油进行验证检测，配制的样本表如表3所示：
表3 待测样本配制情况
| P1 | 湖南茶油 |
| P2 | 茶油+葵花籽油4% |
| P3 | 茶油+葵花籽油10% |
| P4 | 茶油+葵花籽油20% |
| P5 | 市售茶油1号 |
| P6 | 茶油+玉米油32% |
| P7 | 市售茶油2号 |
| P8 | 茶油+大豆油14% |
| P9 | 茶油+大豆油22% |
| P10 | 广东茶油 |
表4 不同来源的待测样品实际预测
| 配制浓度 | 茶油浓度预测值 | 误差值 | |
| P1 | 100 | 100.8597 | 3.08753 |
| P2 | 96 | 96.77098 | 1.717724 |
| P3 | 90 | 88.42526 | 1.669201 |
| P4 | 80 | 78.74001 | 1.195673 |
| P5 | 市售 | 75.29233 | 1.542962 |
| P6 | 68 | 70.90009 | 1.77077 |
| P7 | 市售 | 100.2404 | 3.459166 |
| P8 | 86 | 86.13544 | 2.740169 |
| P9 | 78 | 76.79407 | 2.770245 |
| P10 | 100 | 100.7118 | 1.336897 |
这10个样品通过不同方式获得，P5和P7为市售茶油，为了保证企业隐私，不公布其厂家名称。P1和P10为已知生产地和来源的真实茶油样本。其他样本为植物油与纯茶油以不同比例混合的样品。其原始数据图像的结果如图四所示，图四中的横坐标为样品名称，纵坐标为预测的茶油的含量值，其上下的宽度表示的是相对误差的大小。表4列出使用前述获得的模型对表3样品进行鉴定的结果，均符合预期。纯茶油都被预测为合格，对于市售茶油，样品P5预测的茶油浓度是75%，表明掺假了其他植物油样品。样品P7预测的茶油浓度是100%，表明其是纯正茶油。本组数据虽然使用大豆油的判别模型。但是对于其他品种的植物油进行掺伪的判断，其结果的有效性依然良好。
如上所述的基于拉曼光谱技术鉴别茶油掺伪的方法，其在鉴别下列油品掺假时均可以应用：核桃油、山桐子油，杜仲油，文冠果油，陈皮精油、沉香精油、牡丹精油，檀香油，玫瑰油，百里香油等。在建立预测模型时，应根据各个油品特有的拉曼光谱，选择合适的拉曼特征波段用于数据分析。
Claims (11)
1.一种基于拉曼光谱技术鉴别茶油掺伪的方法，其特征在于：使用定量的鉴别方法，包括以下步骤：
（1）采集校正集验证集以及拉曼光谱数据处理：
a.选取已知来源真实可靠的多份纯茶油样品作为初步建立模型的标准样本，配制掺伪的植物油与纯茶油的混合样本；
b.将已采集的全部样品拉曼光谱导入分析软件中，对原始拉曼光谱数据进行平滑处理，降低原始数据的噪音干扰，选取特征波段以及样本信号归一化的标准峰；
（2）建立PLS定量判定模型：
通过导入拉曼光谱求导后的数据，启动PLS自动分析模块，选择上述特征波段，使用PLS分类方法进行量化判定模型；
将二元茶油模型的数据绘制成一条PLS回归线，并矫正回归线的方差要大于98%，其中方差越高，说明预测的准确性越高；
（3）定量分析待测样品：
校正模型建立后即可以开始测试样品，将待测的茶油样品从冰箱取出，复温，使用拉曼光谱仪测试其拉曼信号，然后分别使用定量的方法进行鉴定，该鉴定方法如下：
将待测样品的拉曼信号导入到多元变量分析软件中，在软件中对光谱进行平滑处理，将处理好的光谱数据导入到已经建立好的校正模型中；如果样品是纯茶油，则该样品在带入多个预测模型时，茶油的浓度预测的均值（预测值和真实值所计算的方差）大于98%，且整体的预测值都较为稳定，则可以说明待预测的样本是茶油的真实样品；如果待测的茶油不是纯茶油，则带入到多个预测模型中时，其浓度的预测值不同，而且不同的预测模型中其差别很大，即可以判断茶油为非纯茶油。
2.根据权利要求1所述，为了方便描述本专利，本专利提供并展示的是基于拉曼光谱技术鉴别茶油掺伪的方法，其特征在于：步骤（1）中所述纯茶油样品的份数为5-6份。
3.根据权利要求1所述的基于拉曼光谱技术鉴别茶油掺伪的方法，其特征在于：步骤（1）中所述掺伪的植物油包括葵花籽油、玉米油、葵花子油花生油等，但不限于常见的植物油。
4.根据权利要求1所述的基于拉曼光谱技术鉴别茶油掺伪的方法，其特征在于：步骤（1）中，选取主要的掺伪植物油，在15°-25°温度下保存，在检测之前，保证其化学物质和成分的稳定。
5.根据权利要求1所述的基于拉曼光谱技术鉴别茶油掺伪的方法，其特征在于：步骤（1）中，配制掺伪的植物油含量在百分之1到百分之50之间的植物油与纯茶油的混合样本，浓度梯度为百分之2。
6.根据权利要求1所述的基于拉曼光谱技术鉴别茶油掺伪的方法，其特征在于：步骤（1）中所述特征波段为原始数据处理后的峰值1200-1270cm-1、1580-1690cm-1，这两个波段是鉴别待测样品是否掺伪的主要特征波段；
因为油脂的不饱和度是由碳碳双键构成，其峰值位置大致在1250 cm-1以及1650 cm-1波数的位置；
而饱和度由碳碳单键构成，其拉曼峰值在1290 cm-1以及1430 cm-1处；
茶油在这些特征峰的相对强度固定，因而它们强度能够反应油脂掺假。
7.根据权利要求1所述的基于拉曼光谱技术鉴别茶油掺伪的方法，其特征在于：步骤（1）的原始数据最终以波数为1433cm-1的峰进行归一化处理。
8.根据权利要求1所述的基于拉曼光谱技术鉴别茶油掺伪的方法，其特征在于：根据不同植物油掺假模型预测茶油浓度，来大致说明茶油真实含量的百分比，进而推测出其他廉价植物油的掺伪比例。
9.根据权利要求1所述的基于拉曼光谱技术鉴别茶油掺伪的方法，其特征在于：所述拉曼光谱测试时，拉曼光谱仪激发光的波长是785nm，测量波的范围是200-1800cm-1, 曝光时间是0.5-1s，激光功率最高是600mw。
10.根据权利要求1所述的基于拉曼光谱技术鉴别茶油掺伪的方法，拉曼光谱仪激发光的波长还可以使用1064nm 拉曼系统，尤其适合未进行深度过滤的深色茶油样品，可以克服其背景荧光的干扰。
11.根据权利要求1所述的基于拉曼光谱技术鉴别茶油掺伪的方法，其在鉴别下列油品掺假时均可以应用：核桃油、山桐子油，杜仲油，文冠果油，陈皮精油、沉香精油、牡丹精油，檀香油，玫瑰油，百里香油等。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111390973.7A CN114563387A (zh) | 2021-11-23 | 2021-11-23 | 一种基于拉曼光谱技术鉴别茶油掺伪的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111390973.7A CN114563387A (zh) | 2021-11-23 | 2021-11-23 | 一种基于拉曼光谱技术鉴别茶油掺伪的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114563387A true CN114563387A (zh) | 2022-05-31 |
Family
ID=81711928
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111390973.7A Pending CN114563387A (zh) | 2021-11-23 | 2021-11-23 | 一种基于拉曼光谱技术鉴别茶油掺伪的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114563387A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115060687A (zh) * | 2022-08-18 | 2022-09-16 | 南京富岛信息工程有限公司 | 一种成品油生产企业税收监管方法 |
-
2021
- 2021-11-23 CN CN202111390973.7A patent/CN114563387A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115060687A (zh) * | 2022-08-18 | 2022-09-16 | 南京富岛信息工程有限公司 | 一种成品油生产企业税收监管方法 |
| CN115060687B (zh) * | 2022-08-18 | 2022-11-08 | 南京富岛信息工程有限公司 | 一种成品油生产企业税收监管方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| El‐Abassy et al. | Visible Raman spectroscopy for the discrimination of olive oils from different vegetable oils and the detection of adulteration | |
| Sikirzhytski et al. | Multidimensional Raman spectroscopic signatures as a tool for forensic identification of body fluid traces: a review | |
| Cozzolino | The role of vibrational spectroscopy as a tool to assess economically motivated fraud and counterfeit issues in agricultural products and foods | |
| EP2710353B1 (en) | SPECTROSCOPIC APPARATUS AND METHOD of DETERMINING COMPONENTS PRESENT IN A SAMPLE | |
| CN102735642B (zh) | 一种快速无损鉴别初榨橄榄油和油橄榄果渣油的方法 | |
| CN110954500B (zh) | 一种进口牛肉产地混合溯源方法及系统 | |
| CN104020127B (zh) | 一种利用近红外光谱快速测量烟叶中无机元素的方法 | |
| Mu et al. | Portable detection and quantification of olive oil adulteration by 473-nm laser-induced fluorescence | |
| CN101915744A (zh) | 物质成分含量的近红外光谱无损检测方法及装置 | |
| EP3290908B1 (en) | Unknown sample determining method | |
| CN110702663B (zh) | 一种冷冻肉品贮藏时间的无损快速检测方法 | |
| Heise et al. | Spectral variable selection for partial least squares calibration applied to authentication and quantification of extra virgin olive oils using Fourier transform Raman spectroscopy | |
| Poiana et al. | Application of FT-IR spectroscopy to assess the olive oil adulteration | |
| CN103712949A (zh) | 一种基于光热吸收光谱技术的食用油检测方法及装置 | |
| Sun et al. | Non-destructive detection of blackheart and soluble solids content of intact pear by online NIR spectroscopy | |
| Alexander et al. | Identifying spatial structure in phytoplankton communities using multi‐wavelength fluorescence spectral data and principal component analysis | |
| CN114563387A (zh) | 一种基于拉曼光谱技术鉴别茶油掺伪的方法 | |
| CN112485238B (zh) | 一种基于拉曼光谱技术鉴别姜黄精油产地的方法 | |
| Taous et al. | Geographical classification of authentic Moroccan Argan oils and the rapid detection of soya and sunflower oil adulteration with ATR-FTIR spectroscopy and chemometrics | |
| CN103776797B (zh) | 一种近红外光谱鉴别平利绞股蓝的方法 | |
| CN104749150A (zh) | 基于三维荧光光谱的食用油品质快速鉴别方法及鉴别装置 | |
| CN117629971A (zh) | 一种提高激光诱导击穿光谱测量页岩中碳元素精度的方法 | |
| Joshi et al. | Raman spectroscopic analysis to detect olive oil mixtures in argan oil | |
| CN108627498A (zh) | 一种多光谱数据融合的面粉掺杂定量检测方法 | |
| CN113406037B (zh) | 一种基于序列前向选择的红外光谱在线快速识别分析方法 |
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 |