CN114935565B - 基于激光诱导荧光技术葡萄汁中罗丹明b含量的检测方法 - Google Patents
基于激光诱导荧光技术葡萄汁中罗丹明b含量的检测方法 Download PDFInfo
- Publication number
- CN114935565B CN114935565B CN202210596057.7A CN202210596057A CN114935565B CN 114935565 B CN114935565 B CN 114935565B CN 202210596057 A CN202210596057 A CN 202210596057A CN 114935565 B CN114935565 B CN 114935565B
- Authority
- CN
- China
- Prior art keywords
- fluorescence
- rhodamine
- laser
- grape juice
- neural network
- 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
- PYWVYCXTNDRMGF-UHFFFAOYSA-N rhodamine B Chemical compound [Cl-].C=12C=CC(=[N+](CC)CC)C=C2OC2=CC(N(CC)CC)=CC=C2C=1C1=CC=CC=C1C(O)=O PYWVYCXTNDRMGF-UHFFFAOYSA-N 0.000 title claims abstract description 58
- 229940043267 rhodamine b Drugs 0.000 title claims abstract description 57
- 235000019674 grape juice Nutrition 0.000 title claims abstract description 40
- 238000001499 laser induced fluorescence spectroscopy Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000005516 engineering process Methods 0.000 title claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 238000001228 spectrum Methods 0.000 claims abstract description 14
- 230000001939 inductive effect Effects 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 23
- 238000010606 normalization Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 25
- 230000008901 benefit Effects 0.000 abstract description 8
- 235000013305 food Nutrition 0.000 description 12
- 239000000523 sample Substances 0.000 description 12
- 238000011084 recovery Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000002189 fluorescence spectrum Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000002778 food additive Substances 0.000 description 2
- 235000013373 food additive Nutrition 0.000 description 2
- 238000004811 liquid chromatography Methods 0.000 description 2
- 230000001404 mediated effect Effects 0.000 description 2
- 239000000693 micelle Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 206010019233 Headaches Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 239000000981 basic dye Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000000711 cancerogenic effect Effects 0.000 description 1
- 231100000357 carcinogen Toxicity 0.000 description 1
- 239000003183 carcinogenic agent Substances 0.000 description 1
- JBTHDAVBDKKSRW-UHFFFAOYSA-N chembl1552233 Chemical compound CC1=CC(C)=CC=C1N=NC1=C(O)C=CC2=CC=CC=C12 JBTHDAVBDKKSRW-UHFFFAOYSA-N 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 235000013409 condiments Nutrition 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 238000002848 electrochemical method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 210000001035 gastrointestinal tract Anatomy 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 238000003018 immunoassay Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000004895 liquid chromatography mass spectrometry Methods 0.000 description 1
- 238000004949 mass spectrometry Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000008213 purified water Substances 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000012488 sample solution Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 238000002798 spectrophotometry method Methods 0.000 description 1
- 229940073450 sudan red Drugs 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/6402—Atomic fluorescence; Laser induced fluorescence
-
- 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
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/645—Specially adapted constructive features of fluorimeters
- G01N21/6456—Spatial resolved fluorescence measurements; Imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G01N21/64—Fluorescence; Phosphorescence
- G01N2021/6417—Spectrofluorimetric devices
- G01N2021/6423—Spectral mapping, video display
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/06—Illumination; Optics
- G01N2201/061—Sources
- G01N2201/06113—Coherent sources; lasers
Abstract
本发明公开了一种基于激光诱导荧光技术葡萄汁中罗丹明B含量的检测方法,该方法包括以下步骤:采用激光诱导荧光光谱仪对加入罗丹明B的葡萄汁标准样品进行诱导并产生荧光,进而达到对葡萄汁中罗丹明B快速准确的识别;再通过光栅光谱仪采集荧光信息,发现590nm处为罗丹明B的荧光特征峰,再由Setup‑Andor SOLIS软件进行数据记录,最后采用BP神经网络算法对采集到的光谱数据进行建模,利用所得到的的模型预测待测葡萄汁中罗丹明B的含量。本发明相比其他检测方法,激光诱导荧光检测技术具有方法简单、检测速度快、抗干扰能力强等优点。
Description
技术领域
本发明属于食品安全检测技术领域,涉及葡萄汁中罗丹明B含量的检测,特别涉及一种基于激光诱导荧光技术葡萄汁中罗丹明B含量的检测方法。
背景技术
随着食品工业的发展进步,为了增加食品的味道使之更加美味、颜色更加诱人、保存时间更加长久,几乎所有的食品生产厂家都会或多或少使用一些食品添加剂。而罗丹明作为一种碱性染料,价格便宜、颜色鲜红、着色能力强,被许多商家作为苏丹红的替代品用到食品中增加食品的颜色,使得食品卖相更好,吸引更多的消费者。但自从1987年,罗丹明B就被国际癌症研究机构列为第3类致癌物,消费者食用含罗丹明B的食品后不易被肠道消化吸收,会堆积在人体里面,轻者会导致头疼眩晕等症状,严重时可促使癌细胞的产生。这对消费者的身体健康构成严重的危害,因此食品中禁止使用罗丹明B作为食品添加剂。基于上述原因,能够快速有效实现食品中罗丹明B的检测越发重要。
为了防止一些不法商家为了谋取利益私自使用罗丹明B,近几年来不少研究人员将化学中一些检测方法应用到检测食品中罗丹明B的检测上,常见的检测方法有胶束介导分离荧光法、液相色谱法、电化学法、分光光度法、免疫检测法、液相色谱-质谱/质谱法等。其中Alesso等人就用胶束介导分离荧光法测定调味品、零食和糖果中的罗丹明B,该方法简单合理、选择性强、环保,并且使用的仪器廉价,但是检测精度不是很高。而对于液相色谱法的检测灵敏度就比较高,且分离的效果比较好,应用范围也比较广,其缺点是对于一些现场分析速度就达不到要求,所花的时间较长,不能及时的分析得到结果。对于一些需要现场分析罗丹明B含量时就可以用免疫分析法,徐声乐等人就构建了一种免疫分析法去检测克隆抗体里面的罗丹明B,加快了检测速度,但因其难以进行定量分析,只能用于前期筛查不能被广泛推广。现在的一些检测仪器都比较大,不方便携带,而电化学法所需仪器简便方便携带,但其缺点是电化学效应不是很好,容易受外界环境的影响。
发明内容
针对现有技术的不足,本发明的目的在于提供一种基于激光诱导荧光技术葡萄汁中罗丹明B含量的检测方法,该方法具有操作简单、检测速度快、抗干扰能力强、检测精度高等优点。
本发明是通过以下技术方案实现的:
基于激光诱导荧光技术葡萄汁中罗丹明B含量的检测方法,包括以下步骤:采用激光诱导荧光光谱仪对加入罗丹明B的葡萄汁标准样品进行诱导并产生荧光,进而达到对葡萄汁中罗丹明B快速准确的识别;再通过光栅光谱仪采集荧光信息,发现590nm处为罗丹明B的荧光特征峰,再由Setup-Andor SOLIS软件进行数据记录,最后采用BP神经网络算法对采集到的光谱数据进行建模,利用所得到的的模型预测待测葡萄汁中罗丹明B的含量。
本发明的进一步改进方案为:
所述激光诱导荧光光谱仪是自带CCD相机的Omni-λ500i系列光栅光谱仪,光谱仪的参数如下:波长:355nm,功率:0~10mw,狭缝宽度:0.5mm,曝光时间:0.6s,循环时间:0.6s,采集光谱范围:530nm~650nm。
进一步的,采集荧光信息的过程如图1所示,具体为:由355激光器发出的光源照射到样品室里面,样品室里放置装载样品的四面透光的比色皿,激光器发出的紫外光直射到比色皿上激发出荧光;该激发后的荧光通过透镜聚焦到光谱仪里面,由光谱仪分析处理后经CCD拍摄;经CCD拍摄好的照片转换为数据通过数据线传送到电脑上就完成了荧光信息采集。
进一步的,采用BP神经网络算法对采集到的光谱数据进行建模之前对数据进行预处理,所述预处理的过程为:先进行归一化处理,将数据映射到[-1,1]区间内,等训练结束后,再将数据反归一化,公式如(1)所示
(1)。
进一步的,建模的过程如图2所示,具体为将得到的光谱数据导入神经网络算法中,利用Matlab里面的函数newff构建一个BP神经网络,创建好网络后开始BP神经网络初始化,再利用Matlab里面的train训练BP神经网络,训练结束后如果没有达到训练的条件将重新返回重新进行训练,直到达到训练要求为止,最后利用sim函数将训练好的BP神经网络预测函数输出得到真实值和预测值的决定系数。
本发明的有益效果为:
1、本发明针对葡萄汁中罗丹明B的识别分析问题,本文构建了激光诱导荧光技术的检测系统,对葡萄汁中罗丹明B进行激发诱导,并得到相应的光谱数据。相比其他检测方法,激光诱导荧光检测技术具有方法简单、检测速度快、抗干扰能力强等优点。
2、本发明通过BP神经网络对葡萄汁中罗丹明B浓度的预测,得到R2=0.94533,平均回收率为99.17%,证明BP神经网络能够很好的对葡萄汁中罗丹明B的浓度进行预测。实验结果表明激光诱导荧光技术是可以用于葡萄汁中罗丹明B的检测,且相比其他检测方法更具有一定的优势,在食品安全问题上有很大的价值意义。
附图说明
图1为本发明搭建的激光诱导荧光采集流程图;
图2为本发明BP神经网络算法流程图;
图3为激光器功率与荧光强度的关系图;
图4为罗丹明B浓度与荧光强度的关系图;
图5是BP预测的真实浓度与预测浓度对比图;
图6是内部训练集、内部验证集、内部测试集、训练集的回归线。
具体实施方式
本发明提出的基于激光诱导荧光技术葡萄汁中罗丹明B含量的检测方法,包括以下步骤:采用激光诱导荧光光谱仪对加入罗丹明B的葡萄汁标准样品进行诱导并产生荧光,进而达到对葡萄汁中罗丹明B快速准确的识别;再通过光栅光谱仪采集荧光信息,发现590nm处为罗丹明B的荧光特征峰,再由Setup-Andor SOLIS软件进行数据记录,最后采用BP神经网络算法对采集到的光谱数据进行建模,利用所得到的的模型预测待测葡萄汁中罗丹明B的含量。
实施例1:检测模型的建立
1、样品准备:本实验用的葡萄汁纯度为100%。罗丹明B为天津科密欧化学试剂有限公司生产,其分子式为C28H31CIN2O3,相对分子质量为479.01,密度为0.79 g/cm³。
本实施例首先将罗丹明B加入葡萄汁溶液中得到初始浓度为0.02mg/ml的样品,并开始采集荧光光谱信息,之后不断往葡萄汁中加入罗丹明B,采集了60组罗丹明B浓度范围在0.02mg/ml~0.14mg/ml内的荧光光谱信息。取50组为训练集,另外10组作为测试集。
本实施例的荧光光谱信息是在在光学平台上采集完成的,使用的激光诱导荧光光谱仪是自带CCD相机的Omni-λ500i系列光栅光谱仪,其主要仪器参数如图表1所示。
表1 仪器主要参数
技术指标 | 参数 |
波长/nm | 355nm |
功率/mw | 0~10mw |
狭缝宽度/mm | 0.5mm |
曝光时间/s | 0.6s |
循环时间/s | 0.6s |
采集光谱范围/nm | 530nm~650nm |
采集荧光信息的过程如图1所示,具体为:由355激光器发出的光源照射到样品室里面,样品室里放置装载样品的四面透光的比色皿,激光器发出的紫外光直射到比色皿上激发出荧光;该激发后的荧光通过透镜聚焦到光谱仪里面,由光谱仪分析处理后经CCD拍摄;经CCD拍摄好的照片转换为数据通过数据线传送到电脑上就完成了荧光信息采集。
2、数据预处理
由于采集的数据范围大,可能会影响神经网络收敛慢,训练时间长,所以先进行归一化处理,将数据映射到[-1,1]区间内,等训练结束后,再将数据反归一化,公式如(1)所示。
(1)
3、BP神经网络模型建立
利用BP神经网络算法对得到的光谱数据进行识别分析,算法流程如图2所示,具体为将得到的光谱数据导入神经网络算法中,利用Matlab里面的函数newff构建一个BP神经网络,创建好网络后开始BP神经网络初始化,再利用Matlab里面的train训练BP神经网络,训练结束后如果没有达到训练的条件将重新返回重新进行训练,直到达到训练要求为止,最后利用sim函数将训练好的BP神经网络预测函数输出得到真实值和预测值的决定系数。
实施例2:激光器功率与荧光强度分析
本发明在光学平台上完成了激光诱导荧光系统的搭建,为了分析激光器功率与荧光强度的关系。本实施例首先将0.001g罗丹明B加入200ml纯净水中配置为0.02mg/ml的样品溶液,然后改变激光器的功率得到6组不同的荧光光谱图,如图3所示。其功率分别调制为5mw、6mw、7mw、8mw、9mw、10mw,在每一个功率下有对应不同的荧光光谱图。本实施例采集的光谱范围是530nm~650nm,由图3可以看出随着激光器功率的增加激光器所激发出来的荧光特征峰强度也随之增加,最高荧光峰强度可以达到34000,且在580nm处都有明显的荧光特征峰。由此可见激光器的功率会影响样品的荧光峰强度,且功率越大荧光特征峰强度越强。
为了达到更好的检测效果,本实施例进一步将激光器功率调整到10mw的条件下进行实验,采集的荧光波长范围为:530nm~650nm,检测对象为中罗丹明B浓度为0.0238mg/ml、0.0349mg/ml、0.0455mg/ml、0.0556mg/ml、0.0689mg/ml、0.0726mg/ml、0.0851mg/ml、0.0984mg/ml、0.1183mg/ml、0.1269mg/ml的10组葡萄汁样品,所得荧光光谱图如图4所示。由图4可以看出这10组荧光光谱图的荧光特征峰都在590nm左右,且随着葡萄汁中罗丹明B的浓度增加特征峰强度从3000到13500呈上升趋势。
实施例3:BP仿真过程
本发明构建了一个3层BP神经网络对葡萄汁中罗丹明B的浓度进行预测,其中隐含层节点数设置为5个,学习率为0.01,目标误差设置为1×10-5,最大迭代次数设置为100;其中输入层节点数为300个,输出层节点数为1个。拟合后的实际浓度值和预测浓度值对比结果图如图5所示。经过仿真模拟后可以得出均方误差为3.9569×10-5,决定系数为0.94533。由此可以看出实际浓度和预测浓度之间相差不大,BP神经网络能很好的进行浓度预测。
将50个训练集样本从中划分为内部训练集、内部验证集和内部测试集。如图6所示,它们以及整个训练集的相关系数R分别为0.99773,0.96286,0.97483,0.98938。且预测值和实际值之间的斜率非常接近于1,表明了本发明训练模型的可行性。
实施例4:可靠性验证
通过BP神经网络对葡萄汁中罗丹明B的浓度预测计算得到预测值与真实值的比值百分比即回收率和平均回收率如表2所示。从回收率结果来看,有少数样本预测结果的误差相对较大,回收率分别为83.73%和112.14%。而大多数样本的回收率接近于100%,平均回收率也达到了99.17%,也接近于100%。因此从整体来看整个BP预测模型预测出来的罗丹明B浓度还是比较可靠的。
表2 罗丹明B的BP预测结果回收率
综上,针对葡萄汁中罗丹明B的识别分析问题,本发明构建了激光诱导荧光技术的检测系统,对葡萄汁中罗丹明B进行激发诱导,并得到相应的光谱数据。相比其他检测方法,激光诱导荧光检测技术具有方法简单、检测速度快、抗干扰能力强等优点。通过BP神经网络对葡萄汁中罗丹明B浓度的预测,得到R2=0.94533,平均回收率为99.17%,证明BP神经网络能够很好的对葡萄汁中罗丹明B的浓度进行预测。实验结果表明激光诱导荧光技术是可以用于葡萄汁中罗丹明B的检测,且相比其他检测方法更具有一定的优势,在食品安全问题上有很大的价值意义。
Claims (3)
1.基于激光诱导荧光技术葡萄汁中罗丹明B含量的检测方法,其特征在于,包括以下步骤:采用激光诱导荧光光谱仪对加入罗丹明B的葡萄汁标准样品进行诱导并产生荧光,进而达到对葡萄汁中罗丹明B快速准确的识别;再通过光栅光谱仪采集荧光信息,发现590nm处为罗丹明B的荧光特征峰,再由Setup-Andor SOLIS软件进行数据记录,最后采用BP神经网络算法对采集到的光谱数据进行建模,利用所得到的的模型预测待测葡萄汁中罗丹明B的含量;
所述激光诱导荧光光谱仪是自带CCD相机的Omni-λ500i系列光栅光谱仪,光谱仪的参数如下:波长:355nm,功率:0~10mw,狭缝宽度:0.5mm,曝光时间:0.6s,循环时间:0.6s,采集光谱范围:530nm~650nm;
采集荧光信息的过程为:由355激光器发出的光源照射到样品室里面,样品室里放置装载样品的四面透光的比色皿,激光器发出的紫外光直射到比色皿上激发出荧光;该激发后的荧光通过透镜聚焦到光谱仪里面,由光谱仪分析处理后经CCD拍摄;经CCD拍摄好的照片转换为数据通过数据线传送到电脑上就完成了荧光信息采集。
2.根据权利要求1所述的基于激光诱导荧光技术葡萄汁中罗丹明B含量的检测方法,其特征在于:采用BP神经网络算法对采集到的光谱数据进行建模之前对数据进行预处理,所述预处理的过程为:先进行归一化处理,将数据映射到[-1,1]区间内,等训练结束后,再将数据反归一化,公式如(1)所示:
(1)
其中,x为原始荧光强度,min为荧光强度最小值,max为荧光强度最大值,y为归一化后的荧光强度。
3.根据权利要求1或2所述的基于激光诱导荧光技术葡萄汁中罗丹明B含量的检测方法,其特征在于:建模的过程为将得到的光谱数据导入神经网络算法中,利用Matlab里面的函数newff构建一个BP神经网络,创建好网络后开始BP神经网络初始化,再利用Matlab里面的train训练BP神经网络,训练结束后如果没有达到训练的条件将重新返回重新进行训练,直到达到训练要求为止,最后利用sim函数将训练好的BP神经网络预测函数输出得到真实值和预测值的决定系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210596057.7A CN114935565B (zh) | 2022-05-30 | 2022-05-30 | 基于激光诱导荧光技术葡萄汁中罗丹明b含量的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210596057.7A CN114935565B (zh) | 2022-05-30 | 2022-05-30 | 基于激光诱导荧光技术葡萄汁中罗丹明b含量的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114935565A CN114935565A (zh) | 2022-08-23 |
CN114935565B true CN114935565B (zh) | 2024-03-29 |
Family
ID=82867448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210596057.7A Active CN114935565B (zh) | 2022-05-30 | 2022-05-30 | 基于激光诱导荧光技术葡萄汁中罗丹明b含量的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114935565B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102507516A (zh) * | 2011-09-28 | 2012-06-20 | 江南大学 | 一种荧光光谱结合人工神经网络检测食品色素的方法 |
CN103792246A (zh) * | 2014-02-20 | 2014-05-14 | 北京农业质量标准与检测技术研究中心 | 一种基于lm-bp神经网络的x射线荧光光谱定量分析方法 |
CN107255629A (zh) * | 2017-07-05 | 2017-10-17 | 滁州学院 | 一种食品中罗丹明b快速检测方法 |
CN210863540U (zh) * | 2019-10-14 | 2020-06-26 | 哈尔滨理工大学 | 一种基于荧光光谱特性的罗丹明检测装置 |
CN111929285A (zh) * | 2020-08-11 | 2020-11-13 | 安徽理工大学 | 一种激光诱导荧光红酒掺杂酒精的光谱识别方法 |
CN113075184A (zh) * | 2021-03-26 | 2021-07-06 | 广东省计量科学研究院(华南国家计量测试中心) | 罗丹明b溶液相对荧光发射强度标准物质及其制备方法与应用 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6985730B2 (ja) * | 2017-11-17 | 2021-12-22 | 株式会社日立ハイテクサイエンス | 試料分析システム、表示方法及び試料分析方法 |
-
2022
- 2022-05-30 CN CN202210596057.7A patent/CN114935565B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102507516A (zh) * | 2011-09-28 | 2012-06-20 | 江南大学 | 一种荧光光谱结合人工神经网络检测食品色素的方法 |
CN103792246A (zh) * | 2014-02-20 | 2014-05-14 | 北京农业质量标准与检测技术研究中心 | 一种基于lm-bp神经网络的x射线荧光光谱定量分析方法 |
CN107255629A (zh) * | 2017-07-05 | 2017-10-17 | 滁州学院 | 一种食品中罗丹明b快速检测方法 |
CN210863540U (zh) * | 2019-10-14 | 2020-06-26 | 哈尔滨理工大学 | 一种基于荧光光谱特性的罗丹明检测装置 |
CN111929285A (zh) * | 2020-08-11 | 2020-11-13 | 安徽理工大学 | 一种激光诱导荧光红酒掺杂酒精的光谱识别方法 |
CN113075184A (zh) * | 2021-03-26 | 2021-07-06 | 广东省计量科学研究院(华南国家计量测试中心) | 罗丹明b溶液相对荧光发射强度标准物质及其制备方法与应用 |
Also Published As
Publication number | Publication date |
---|---|
CN114935565A (zh) | 2022-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Raman spectroscopy coupled with chemometrics for food authentication: A review | |
Jiang et al. | Comparison of algorithms for wavelength variables selection from near-infrared (NIR) spectra for quantitative monitoring of yeast (Saccharomyces cerevisiae) cultivations | |
ElMasry et al. | Non-invasive sensing of freshness indices of frozen fish and fillets using pretreated excitation–emission matrices | |
CN107064084A (zh) | 微小型激光荧光光谱仪及光谱检测方法 | |
Ge et al. | Classification of oolong tea varieties based on hyperspectral imaging technology and BOSS‐LightGBM model | |
CN103472031A (zh) | 一种基于高光谱成像技术的脐橙糖度检测方法 | |
CN103543132B (zh) | 一种基于小波变换的煤质特性测量方法 | |
Sun et al. | Nondestructive identification of green tea varieties based on hyperspectral imaging technology | |
CN111398233A (zh) | 一种红酒品质的激光光谱检测方法 | |
CN113899702A (zh) | 一种基于量子傅里叶变换的疫苗多光谱快速检测方法 | |
CN112504983A (zh) | 一种基于浊度色度补偿的硝酸盐浓度预测方法 | |
CN112505010A (zh) | 一种基于荧光光谱的变压器故障诊断装置及方法 | |
CN101349638A (zh) | 果蔬维生素c含量的光谱快速无损检测方法 | |
Jiang et al. | Detecting total acid content quickly and accurately by combining hyperspectral imaging and an optimized algorithm method | |
He et al. | Estimating bulk optical properties of AFB1 contaminated edible oils in 300–900 nm by combining double integrating spheres technique with laser induced fluorescence spectroscopy | |
Lu et al. | Identification of Chinese red wine origins based on Raman spectroscopy and deep learning | |
CN114935565B (zh) | 基于激光诱导荧光技术葡萄汁中罗丹明b含量的检测方法 | |
Yan et al. | Neural network assisted electrochemical fingerprint method for tea recognition | |
CN111929285A (zh) | 一种激光诱导荧光红酒掺杂酒精的光谱识别方法 | |
Gong et al. | Comparative assessments between conventional and promising technologies for wheat aging or mold detection | |
CN111398238A (zh) | 一种食用油掺杂蓖麻油的激光诱导荧光光谱识别方法 | |
CN206788033U (zh) | 一种近红外光谱检测水果内部品质的专用检测系统 | |
CN110108647A (zh) | 一种肉类品种的鉴别方法和鉴别系统 | |
Zhao et al. | ConInceDeep: A novel deep learning method for component identification of mixture based on Raman spectroscopy | |
CN113504200A (zh) | 一种基于太赫兹时域光谱的香豆素类食品添加剂鉴别方法 |
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 |