CN115901666A - 一种基于红外光谱检测金银花中绿原酸的方法 - Google Patents
一种基于红外光谱检测金银花中绿原酸的方法 Download PDFInfo
- Publication number
- CN115901666A CN115901666A CN202211729069.9A CN202211729069A CN115901666A CN 115901666 A CN115901666 A CN 115901666A CN 202211729069 A CN202211729069 A CN 202211729069A CN 115901666 A CN115901666 A CN 115901666A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- chlorogenic acid
- standard
- standard curve
- honeysuckle
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/30—Against vector-borne diseases, e.g. mosquito-borne, fly-borne, tick-borne or waterborne diseases whose impact is exacerbated by climate change
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请涉及金银花检测技术领域，具体公开了一种基于红外光谱检测金银花中绿原酸的方法。一种基于红外光谱检测金银花中绿原酸的方法，包括如下步骤：S1：数据建模：设立组分数目，选取统一的浓度值范围，求取各组分的相关系数r；S2：标准样品的配置及光谱采集；S3：光谱处理：对步骤S2中的光谱进行特征吸收峰范围划定，并对标准样品的光谱进行基线校正；S4：PLS算法建模：将步骤S3中以及预处理后的图谱进行PLS建模，建立标准曲线；S5：供试样品检测：取金银花提取液进行红外光谱采集，然后与标准曲线进行比对，计算绿原酸的预测值即可。本申请的基于红外光谱检测金银花中绿原酸的方法具有准确度高、检测快捷的优点。
Description
技术领域
本申请涉及金银花检测技术领域，更具体地说，它涉及一种基于红外光谱检测金银花中绿原酸的方法。
背景技术
金银花又称双花，简称金花或银花，为忍冬科忍冬属忍冬的干燥花蕾，是临床常用的中药材。绿原酸是金银花的主要药用活性成分，具有显著的清热解毒和抗菌消炎作用。绿原酸类化合物是含有羧基和邻二酚羟基的有机酸，易溶于水、醇、丙酮等溶剂。
绿原酸类化合物的含量直接关系到金银花的药材品质，如何准确的检测金银花中绿原酸的含量对金银花的筛选具有重要指导意义。目前，绿原酸的检测方法通常有紫外分光光度法、比色法、纸层析法、薄层光密度法、高效液相色谱法和生物活性检测法等，这些检测方法可以在一定精度范围内对绿原酸进行定量分析。
由于绿原酸分子内含有邻二酚羟基，受热、见光易氧化，并且在碱性环境下还容易发生水解，再加上不同生长环境的金银花内存在的绿原酸往往是混合物而非单一组分，存在一定数量的异构体，这些干扰组分都对上述传统检测方法的检测结果产生不良影响，使得绿原酸的检测精度较差。
发明内容
为了提高金银花中绿原酸的检测精度，本申请提供一种基于红外光谱检测金银花中绿原酸的方法，采用如下的技术方案：
一种基于红外光谱检测金银花中绿原酸的方法，包括如下步骤：
S1：数据建模：设立组分数目，选取统一的浓度值范围，求取各组分的相关系数r；
S2：标准样品的配置及光谱采集：根据步骤S1中数据建模所得组分含量，配置若干数量的标准样品，标准样品中各组分含量误差小于50ppm，然后将标准样品进行红外光谱采集；
S3：光谱处理：对步骤S2中的光谱进行特征吸收峰范围划定，并对标准样品的光谱进行基线校正；
S4：PLS算法建模：将步骤S3中以及预处理后的图谱进行PLS建模，建立标准曲线；
S5：供试样品检测：取已知浓度的绿原酸供试样品进行红外光谱采集，然后与标准曲线进行比对，计算绿原酸的预测值即可。
通过采用上述技术方案，利用数据建模，建立若干个标准样品，并且使标准样品中各组分在各自范围内的相关性较低，有利于PLS回归方程的拟合。然后根据数据建模得到的各组分含量，配置若干数量的标准样品，同时保证每个标准样品中各组分含量误差小于50ppm，误差较大则舍弃并重新配置，然后将配置好的标准样品进行红外光谱采集。接着选取各组分特征吸收峰的波数吸收范围，对标准样品的光谱进行基线校正，排出噪声吸收以及大气和水汽的干扰，进一步提升标准样品图谱的可参考性。采用PLS算法对这些标准样品图谱进行建模，建立标准曲线，接着将金银花提取液的红外光谱与标准曲线进行比对，通过吸收峰的积分面积从而精准匹配相应的预测值，从而获得供试样品中绿原酸的含量预测值，具有非常高的精度和数据指导意义。
优选的，所述步骤S1中，各组分的相关系数r小于0.4。
通过采用上述技术方案，控制标准样品数据建模中各组分的相关系数，进一步提高线性回归方程的拟合度，降低各组分之间的干扰程度，提升标准曲线的准确度。
优选的，所述步骤S1中，统一的浓度值范围为100％。
通过采用上述技术方案，调整各组分统一的浓度值范围大小，可以方便对各组分的贡献值进行划分，能够更好的与光谱数据中特征峰的吸收相匹配。
优选的，所述步骤S2中，每个标准样品的红外光谱扫描次数范围为8-16次。
通过采用上述技术方案，扫描次数过多时，容易受到外界温度、二氧化碳、水汽等因素的影响，导致噪声增大；而扫描次数过少，数据准确度不够，因此优化和调整标准样品的红外光谱扫描次数，可以进一步提升光谱数据的可参考性。
优选的，所述步骤S3中，特征吸收峰波数范围划定为第一吸收区域和第二吸收区域，所述第一吸收区域的波数范围为700-1900cm-1，所述第二吸收区域的波数范围为2100-3800cm-1。
通过采用上述技术方案，绿原酸类化合物分子结构内具有邻二酚羟基和羧基，第一吸收区域对应绿原酸分子结构内羟基和羧基的弯曲振动吸收，第二吸收区域对应绿原酸分子结构内羟基和羧基的伸缩振动吸收，能够大幅度提升对金银花提取液中绿原酸类化合物的辨识度和分析准确度。
优选的，所述步骤S3中，对标准样品的光谱进行基线校正是采用一阶求导，降噪＝2，设立潜在变量数目。
通过采用上述技术方案，采用一阶导数对标准样品的光谱进行处理，降低信噪比例，进一步排除光谱中的无效干扰数据，减弱标准曲线的基准漂移，增强标准曲线的拟合度。
优选的，所述步骤S4中，还包括对标准曲线进行交叉验证，计算标准曲线的杠杆比率、残差比率、SEP、异常值、预测值与指定值的分析，排除异常光谱。
通过采用上述技术方案，以若干个标准样品作为验证组，每个标准样品均交叉验证一次，进而考察标准曲线的预测值与指定值之间的对照关系，以杠杆比率、残差比率、SEP、异常值作为参照，进一步评价标准曲线的拟合状态，排除标准样品组中的异常光谱，提升标准曲线的预测准确度。
优选的，所述步骤S4中，残差比率范围为-0.5-0.5，异常值小于4，杠杆比率的范围为0-2。
通过采用上述技术方案，调整和优化标准曲线的残差比率、异常值和杠杆比率，进一步重复验证标准样品组的线性拟合状态，直至得出合适的均方根误差数，获得一个稳定、准确的标准曲线。
优选的，所述步骤S4中，还包括计算标准曲线的杠杆值hi。
通过采用上述技术方案，通过计算标准曲线的杠杆值hi，它反应了一张图谱在某一特定组分的PLS模型的影响的衡量，利用hi进一步排除影响系数大的标准样品图谱，对PLS均方根误差给出一个推荐值，避免标准曲线拟合过度，进一步提升标准曲线的预测准确度。
综上所述，本申请具有以下有益效果：
1、由于本申请采用数学建模得出一组标准样品各组分相关性较小的组分含量，按照这个组分含量进行标准样品的配置，可以使PLS模型的标准曲线更加准确和稳定，大大提升了供试样品金银花提取液中绿原酸类化合物预测值的准确性。
2、本申请中通过选取绿原酸组分的特征峰吸收波数区间，排除噪声、大气、水汽的干扰，并且对标准样品的光谱进行一阶求导，进一步排除异常光谱数据对模型的影响，增强标准曲线的预测准确性。
3、本申请优选采用标准样品的交叉验证方法，选取最佳的参数设定，并且选取合适的均方根误差数，减少标准曲线的基线漂移，避免拟合过度，提高标准曲线的精度。
附图说明
图1：本申请实施例2中对标准样品的红外光谱特征吸收峰划分图。
图2：本申请实施例2中标准曲线的杠杆比率数据示意图。
图3：本申请实施例2中标准曲线的残差比率数据示意图。
图4：本申请实施例2中标准曲线的SEP数据示意图。
图5：本申请实施例2中标准曲线的异常值数据示意图。
图6：本申请实施例2中标准曲线的预测值与指定值数据示意图。
图7：本申请实施例2中标准曲线的估计值的数据示意图。
图8：本申请实施例中标准曲线的建模流程示意图。
具体实施方式
以下结合图8和实施例对本申请作进一步详细说明。
本申请实施例及对比例的原料除特殊说明以外均为普通市售。
实施例
实施例1
本实施例的基于红外光谱检测金银花中绿原酸的方法，包括如下步骤：
S1：数据建模：采用三组分的红外光谱样本，样本数量为200，组分为水、绿原酸、杂质S，其中，水的质量分数范围为79-87％，绿原酸的质量分数范围为1-12％，杂质S的质量分数范围为3-18％，所有组分的平均值(最大+最小)/2之和必须等于想要的组分值之和，统一的浓度值范围为100％，得到200个标准样品的组分数据组成，求取各组分的相关系数r，水/绿原酸的相关系数r为0.56，水/杂质S的相关系数r为0.47，绿原酸/杂质S的相关系数r为0.68；
本实施例的杂质S由5-羟基-3,4,7-三甲氧基黄酮、三萜皂苷、咖啡酸按摩尔比0.25:0.5:1.2组成，模拟金银花提取液中干扰组分；
S2：标准样品的配置及光谱采集：根据步骤S1中数据建模所得组分含量数据组成，随机选取并配置100个标准样品，标准样品中各组分含量误差小于50ppm，然后将标准样品进行红外光谱采集，每个标准样品的光谱扫描8次，取8次光谱数据平均值保存备用；
S3：光谱处理：对步骤S2中的光谱进行特征吸收峰范围划定，截取特征吸收峰波数范围划定为第一吸收区域和第二吸收区域，第一吸收区域的波数范围为400-2000cm-1，第二吸收区域的波数范围为2500-3800cm-1；
S4：PLS算法建模：将步骤S3中以及预处理后的图谱进行PLS建模，建立标准曲线，将这100个标准样品作为验证组，采用留一样法交叉验证，获取标准曲线的杠杆比率、残差比率、SEP、异常值、杠杆值hi、预测值与指定值的数据，根据上述数据排除异常标准样品的光谱，优化模型，排除异常光谱数据后重新进行交叉验证，得出标准曲线以及回归属性如表1所示；
表1实施例1的标准曲线及回归属性
S5：供试样品检测：取已知浓度的绿原酸供试样品进行红外光谱采集，然后与标准曲线进行比对，计算绿原酸的预测值即可，得出的真实值与估计值如表2所示。
表2实施例1的供试样品的真实值与预测值数据
| 组分 | 真实值 | 预测值 | 误差 |
| 水 | 76.9 | 75.16 | -2.26％ |
| 绿原酸 | 6.321 | 6.229 | -1.46％ |
| 杂质S | 16.78 | 17.049 | 1.607％ |
实施例2
本实施例的基于红外光谱检测金银花中绿原酸的方法，包括如下步骤：
S1：数据建模：采用三组分的红外光谱样本，样本数量为200，组分为水、绿原酸、杂质S，其中，水的质量分数范围为79-87％，绿原酸的质量分数范围为1-12％，杂质S的质量分数范围为3-18％，所有组分的平均值(最大+最小)/2之和必须等于想要的组分值之和，统一的浓度值范围为100％，得到200个标准样品的组分数据组成，求取各组分的相关系数r，水/绿原酸的相关系数r为0.074，水/杂质S的相关系数r为0.01，绿原酸/杂质S的相关系数r为0.18；
本实施例的杂质S由5-羟基-3,4,7-三甲氧基黄酮、三萜皂苷、咖啡酸按摩尔比0.25:0.5:1.2组成，模拟金银花提取液中干扰组分；
S2：标准样品的配置及光谱采集：根据步骤S1中数据建模所得组分含量数据组成，随机选取并配置100个标准样品，标准样品中各组分含量误差小于50ppm，然后将标准样品进行红外光谱采集，每个标准样品的光谱扫描16次，取16次光谱数据平均值保存备用；
S3：光谱处理：对步骤S2中的光谱进行特征吸收峰范围划定，截取特征吸收峰波数范围划定为第一吸收区域和第二吸收区域，第一吸收区域的波数范围为700-1900cm-1，第二吸收区域的波数范围为2100-3800cm-1，并对标准样品的光谱进行一阶导数处理，噪声＝2；
S4：PLS算法建模：将步骤S3中以及预处理后的图谱进行PLS建模，建立标准曲线，将这100个标准样品作为验证组，采用留一样法交叉验证，获取标准曲线的杠杆比率、残差比率、SEP、异常值、杠杆值hi、预测值与指定值的数据，根据上述数据排除异常标准样品的光谱，优化模型，使得残差比率范围为-0.5-0.5，异常值小于4，杠杆比率的范围为0-2，排除异常光谱数据后重新进行交叉验证，得出标准曲线以及回归属性如表3所示；
表3实施例2的标准曲线及回归属性
S5：供试样品检测：取已知浓度的绿原酸供试样品进行红外光谱采集，然后与标准曲线进行比对，计算绿原酸的预测值即可，得出的真实值与预测值如表4所示。
表4实施例2的供试样品的真实值与预测值数据
| 组分 | 真实值 | 预测值 | 误差 |
| 水 | 76.9 | 76.54 | -0.468％ |
| 绿原酸 | 6.321 | 6.273 | -0.759％ |
| 杂质S | 16.78 | 16.53 | 1.4％ |
对比例
对比例1
本对比例的检测金银花中绿原酸的方法，包括如下步骤：
S1：分别准确吸取绿原酸标准液0、1、2、3、4、5ml于10ml容量瓶中，用乙醇定容，然后用280nm、325nm和380nm的三个波长处的紫外吸光度计算A的值(A＝A325-(A280+A380)/2)，以样品的浓度C(mg/ml)为横坐标，紫外吸光度A为纵坐标，绘制出标准曲线；
S2：取已知浓度的绿原酸供试样品，在280nm、325nm和380nm的三个波长测定紫外吸光度，根据标准曲线得出绿原酸的预测值，得出的真实值与预测值如表5所示；
本对比例的杂质S由5-羟基-3,4,7-三甲氧基黄酮、三萜皂苷、咖啡酸按摩尔比0.25:0.5:1.2组成，模拟金银花提取液中干扰组分；
表5对比例1的供试样品的真实值与预测值数据
结果分析
分析实施例1-2、对比例1并结合表1-5可以看出，本申请的PLS模型标准曲线能够很准确的预测未知样品中绿原酸的含量，可以大大提高金银花样品中绿原酸的测定速度和准确性。
从表2和表4中可以看出，本申请中测定已知浓度的绿原酸供试样品的预测值误差可降低至-0.759％，准确性非常高。而对比例1中采用紫外分光光度法测试时，预测值的误差达-5.79％，准确度相较于本申请相差近10倍，并且检测效率也远不如本申请的红外光谱检测。
分析实施例2并结合图1-8可以看出，参照图1，根据绿原酸分子的红外吸收特点，以羧基和邻二酚羟基作为特征吸收标的，合理的划分特征峰吸收区域，有利于屏蔽无效吸收峰对光谱数据的干扰，进而可以大幅度提升标准曲线的准确度。参照图2可以看出，本申请实施例2的标准曲线的杠杆比率非常低，几乎都分布在1左右，并且仅有一个异常光谱数据，在经过筛选排除后，获得的标准样品光谱可靠性非常好。
参照图3和图4可以看出，本申请实施例2中的标准曲线残差基本处于-0.5-0.4范围，并且模型主成分为三个时的SEP值处于0.6以下，整个模型的噪声非常小，线性回归方程的拟合度非常高，能够对未知样品中的绿原酸含量作出准确的预测值。另外，分析图5、图6和图7可以看出，本申请实施例2的标准曲线异常值基本分布在[(0,1)，(-0.2,2.5)]范围内，预测值和指定值基本处于一条拟合曲线上，重合度非常高，可以准确预测金银花样品中的绿原酸含量。
本具体实施例仅仅是对本申请的解释，其并不是对本申请的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本申请的权利要求范围内都受到专利法的保护。
Claims (9)
1.一种基于红外光谱检测金银花中绿原酸的方法，其特征在于，包括如下步骤：
S1：数据建模：设立组分数目，选取统一的浓度值范围，求取各组分的相关系数r；
S2：标准样品的配置及光谱采集：根据步骤S1中数据建模所得组分含量，配置若干数量的标准样品，标准样品中各组分含量误差小于50ppm，然后将标准样品进行红外光谱采集；
S3：光谱处理：对步骤S2中的光谱进行特征吸收峰范围划定，并对标准样品的光谱进行基线校正；
S4：PLS算法建模：将步骤S3中以及预处理后的图谱进行PLS建模，建立标准曲线；
S5：供试样品检测：取已知浓度的绿原酸供试样品进行红外光谱采集，然后与标准曲线进行比对，计算绿原酸的预测值即可。
2.根据权利要求1所述的一种基于红外光谱检测金银花中绿原酸的方法，其特征在于，所述步骤S1中，各组分的相关系数r小于0.4。
3.根据权利要求2所述的一种基于红外光谱检测金银花中绿原酸的方法，其特征在于，所述步骤S1中，统一的浓度值范围为100%。
4.根据权利要求1所述的一种基于红外光谱检测金银花中绿原酸的方法，其特征在于，所述步骤S2中，每个标准样品的红外光谱扫描次数范围为8-16次。
5.根据权利要求1所述的一种基于红外光谱检测金银花中绿原酸的方法，其特征在于，所述步骤S3中，特征吸收峰波数范围划定为第一吸收区域和第二吸收区域，所述第一吸收区域的波数范围为700-1900cm-1，所述第二吸收区域的波数范围为2100-3800cm-1。
6.根据权利要求1所述的一种基于红外光谱检测金银花中绿原酸的方法，其特征在于，所述步骤S3中，对标准样品的光谱进行基线校正是采用一阶求导，降噪=2，设立潜在变量数目。
7.根据权利要求1所述的一种基于红外光谱检测金银花中绿原酸的方法，其特征在于，所述步骤S4中，还包括对标准曲线进行交叉验证，计算标准曲线的杠杆比率、残差比率、SEP、异常值、预测值与指定值的分析，排除异常光谱。
8.根据权利要求7所述的一种基于红外光谱检测金银花中绿原酸的方法，其特征在于，所述步骤S4中，残差比率范围为-0.5-0.5，异常值小于4，杠杆比率的范围为0-2。
9.根据权利要求7所述的一种基于红外光谱检测金银花中绿原酸的方法，其特征在于，所述步骤S4中，还包括计算标准曲线的杠杆值hi。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211729069.9A CN115901666A (zh) | 2022-12-30 | 2022-12-30 | 一种基于红外光谱检测金银花中绿原酸的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211729069.9A CN115901666A (zh) | 2022-12-30 | 2022-12-30 | 一种基于红外光谱检测金银花中绿原酸的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115901666A true CN115901666A (zh) | 2023-04-04 |
Family
ID=86478938
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211729069.9A Pending CN115901666A (zh) | 2022-12-30 | 2022-12-30 | 一种基于红外光谱检测金银花中绿原酸的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115901666A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117030654A (zh) * | 2023-10-10 | 2023-11-10 | 武汉怡特环保科技有限公司 | 一种空气中痕量级二氧化硫浓度测量方法 |
| CN117647499A (zh) * | 2024-01-30 | 2024-03-05 | 四川省农业科学院蚕业研究所(四川省农业科学院特种经济动植物研究所) | 一种基于红外光谱的桑椹膏生产监测方法及系统 |
-
2022
- 2022-12-30 CN CN202211729069.9A patent/CN115901666A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117030654A (zh) * | 2023-10-10 | 2023-11-10 | 武汉怡特环保科技有限公司 | 一种空气中痕量级二氧化硫浓度测量方法 |
| CN117030654B (zh) * | 2023-10-10 | 2023-12-29 | 武汉怡特环保科技有限公司 | 一种空气中痕量级二氧化硫浓度测量方法 |
| CN117647499A (zh) * | 2024-01-30 | 2024-03-05 | 四川省农业科学院蚕业研究所(四川省农业科学院特种经济动植物研究所) | 一种基于红外光谱的桑椹膏生产监测方法及系统 |
| CN117647499B (zh) * | 2024-01-30 | 2024-04-09 | 四川省农业科学院蚕业研究所(四川省农业科学院特种经济动植物研究所) | 一种基于红外光谱的桑椹膏生产监测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115901666A (zh) | 一种基于红外光谱检测金银花中绿原酸的方法 | |
| Li et al. | Application of near infrared spectroscopy for rapid analysis of intermediates of Tanreqing injection | |
| Ferrari et al. | Adulteration of the anthocyanin content of red wines: Perspectives for authentication by Fourier Transform-Near InfraRed and 1H NMR spectroscopies | |
| CN103278473B (zh) | 白胡椒中胡椒碱及水分含量的测定和品质评价方法 | |
| Şahin et al. | Orthogonal signal correction‐based prediction of total antioxidant activity using partial least squares regression from chromatograms | |
| CN104990895B (zh) | 一种基于局部区域的近红外光谱信号标准正态校正方法 | |
| CN104048941A (zh) | 采用近红外光谱快速测定麦冬中多指标性成分含量的方法 | |
| CN1403822A (zh) | 中药生产工艺中产品质量指标在线检测 | |
| Martín-Tornero et al. | Comparative quantification of chlorophyll and polyphenol levels in grapevine leaves sampled from different geographical locations | |
| Lu et al. | Rapid discrimination and quantification of alkaloids in Corydalis Tuber by near-infrared spectroscopy | |
| CN108241033A (zh) | 一种快速检测麦冬醇提取液中6个质量指标物质含量的方法及应用 | |
| CN112595692A (zh) | 一种水果总糖含量预测模型的建立方法及水果总糖含量的预测方法 | |
| Wang et al. | Potential of hyperspectral imaging for nondestructive determination of chlorogenic acid content in Flos Lonicerae | |
| CN108051396B (zh) | 一种心可舒片有效成分含量的快速检测方法 | |
| Lu et al. | Hyperspectral imaging with chemometrics for non-destructive determination of cannabinoids in floral and leaf materials of industrial hemp (Cannabis sativa L.) | |
| CN114184717B (zh) | 一种基于谱效关系的兽用双黄连口服液质量检测方法 | |
| Chen et al. | Rapid identification of total phenolic content levels in boletes by two-dimensional correlation spectroscopy combined with deep learning | |
| CN110231305A (zh) | 一种测定奇亚籽中dpph自由基清除能力的方法 | |
| Yu et al. | The spectrum model established for measuring the contents of Rebaudioside A and Stevioside quickly in the leaves of Stevia rebaudiana Bertoni | |
| CN113176227A (zh) | 一种快速预测河南石斛掺伪霍山石斛的方法 | |
| Yang et al. | Determination of total flavonoids for Paris polyphylla var. yunnanensis in different geographical origins using UV and FT-IR spectroscopy | |
| Hu et al. | Rapid determination of acid value of edible oils via FTIR spectroscopy using infrared quartz cuvette | |
| JP2009244015A (ja) | トウキの品質鑑定方法 | |
| CN114486798B (zh) | 一种快速预测蕨菜中总黄酮含量的方法 | |
| CN110726695A (zh) | 小鼠脑组织不同部位天麻素近红外光谱特异性识别方法 |
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 |