CN116840202A - 一种基于荧光光谱检测酱香型白酒年份的方法 - Google Patents
一种基于荧光光谱检测酱香型白酒年份的方法 Download PDFInfo
- Publication number
- CN116840202A CN116840202A CN202310682411.2A CN202310682411A CN116840202A CN 116840202 A CN116840202 A CN 116840202A CN 202310682411 A CN202310682411 A CN 202310682411A CN 116840202 A CN116840202 A CN 116840202A
- Authority
- CN
- China
- Prior art keywords
- white spirit
- years
- spectrum
- sample
- year
- 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
- 238000002189 fluorescence spectrum Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 22
- 239000000796 flavoring agent Substances 0.000 title description 7
- 238000001228 spectrum Methods 0.000 claims abstract description 22
- 238000000295 emission spectrum Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims abstract description 6
- 230000000007 visual effect Effects 0.000 claims abstract 2
- 230000005284 excitation Effects 0.000 claims description 24
- 238000013507 mapping Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims 2
- 238000012935 Averaging Methods 0.000 claims 1
- 238000010183 spectrum analysis Methods 0.000 claims 1
- 235000014101 wine Nutrition 0.000 description 12
- 239000000126 substance Substances 0.000 description 9
- 238000000695 excitation spectrum Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000005283 ground state Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005281 excited state Effects 0.000 description 2
- 238000001506 fluorescence spectroscopy Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000000862 absorption spectrum Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 235000021167 banquet Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000004817 gas chromatography Methods 0.000 description 1
- 238000002290 gas chromatography-mass spectrometry Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004811 liquid chromatography Methods 0.000 description 1
- 238000004949 mass spectrometry Methods 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 235000020097 white wine Nutrition 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明提供了一种基于荧光光谱区分白酒年份的方法，步骤如下：分别测试无样本和白酒样本的荧光光谱，分别测试无样本和白酒样本时的荧光光谱：每个样本检测完之后，保存检测数据；利用数据处理软件绘制每个样本的标准光谱图；提取发射光谱中最佳发射峰处的峰值强度大小，将光谱的提取数据写入数据库，进行分类器训练，利用偏最小二乘判别分析建立白酒品质鉴定模型；另取同品牌任意年份白酒进行准确性评判；将白酒品质鉴定模型用于对未知样本进行鉴定，输出鉴定结果。本发明的方法，操作简单，结果直观可靠，可以鉴别不同品牌白酒中的年份，适用性广泛。
Description
技术领域
本发明设计白酒的检测与鉴别，特别涉及一种基于荧光光谱检测白酒年份的方法。
背景技术
酒是中华民族优秀传统文化的重要组成部分，酒文化贯穿了中华几千年历史，无论在哪个时代，酒都是中华人民不可替代的精神食粮。依托于我国农业的发展，以粮谷酿造而成的白酒成为我国特有的酒种，深受中国人的喜爱。古有喝酒御寒之说，今有喝酒活血之理，适度饮用白酒有益于身心健康。除此之外，白酒在现代生活中扮演着越来越重要的角色，无论是走亲访友还是宴请宾客，以白酒为礼都是不错的选择。近些年来，白酒行业发展迅速，大大带动了市场经济。然而，随着白酒种类的增多，市场上的白酒品质稂莠不齐，消费者在购买白酒时往往难以分辨白酒品质的好坏，导致“以重金买劣酒”的现象频发。
目前国内外鉴别白酒较为科学的方法主要有：光谱分析法(包括吸收光谱、红外光谱及三维荧光光谱等)，即利用酒液中的粒子对光的吸收与发射特性进行定性分析；智能感官分析法，即利用电子鼻或电子舌等人工智能对白酒进行指纹图谱采集，提取酒样特征峰进行数据分析；气相或液相色谱分析法，即通过剖析酒内香味物质成分，建立数据库进行鉴别；质谱法，即对带电粒子质荷比排列形成的不同图谱进行定量分析，该方法可同其他技术联合使用，如气相色谱—质谱指纹图谱法等。
荧光光谱法即利用物质被紫外光或可见光照射后发出的能够反映物质特性的荧光对物质进行定量或定性分析的方法。一般情况下，分子处于单重态的基态，在紫外光或可见光的照射下，分子吸收辐射能使电子能级从基态跃迁至激发态，同时伴随着振动能级和转动能级的跃迁。处于激发态的分子不稳定，容易通过内部转换或振动弛豫的非辐射方式跃迁回基态，在此过程中会辐射出荧光光子，利用荧光光谱仪测得辐射荧光的波长及强度即可得到荧光光谱图，由于不同结构的物质吸收和发射光波的波长不同，因此通过分析荧光光谱即可定性鉴别物质结构。
荧光光谱包含荧光激发光谱和荧光发射光谱两个特征光谱，它们是定性和定量分析物质结构的两个基本依据。荧光激发光谱反映了荧光物质在不同波长的激发作用下，在某一固定波长处的荧光强度变化情况，即不同波长的光激发荧光的相对效率；荧光发射光谱即反映了在某一固定波长的激发作用下，不同波长处的荧光强度的分布情况，即荧光中不同波长的光的相对强度。在白酒品质的鉴别中，主要通过测得的不同年份及香型白酒的荧光激发和发射光谱来分析和判断白酒的品质特点。
荧光光谱分析法具有灵敏度高、选择性强、样品用量少以及环保的特点。由于荧光光谱仪是在与入射光线垂直的方向上检测荧光，这在一定程度上消除了入射光的干扰，实现了在相对较暗的环境下检测荧光，极大地提高了检测的灵敏度。更重要的是，在进行光谱图的分析时，既可通过激光光谱得到信息，也可通过发射光谱得到信息，因而该方法具有极大的选择性。综上，在鉴别物质成分及其相对含量方面，荧光光谱法具有广阔的应用前景。
发明内容
本发明提供了一种基于荧光光谱区分白酒年份的方法，步骤如下：分别测试无样本和白酒样本的荧光光谱，分别测试无样本和白酒样本时的荧光光谱：每个样本检测完之后，保存检测数据；利用数据处理软件绘制每个样本的标准光谱图；提取发射光谱中最佳发射峰处的峰值强度大小，将光谱的提取数据写入数据库，进行分类器训练，利用偏最小二乘判别分析建立白酒品质鉴定模型；另取同品牌任意年份白酒进行准确性评判；将白酒品质鉴定模型用于对未知样本进行鉴定，得出鉴定结果。
进一步，所述的样品应为同一品牌的年份白酒，样品年份为5年、10年、13年、15年、30年。
进一步，所述的测定年份酒最佳激发波长的步骤中，发射狭缝(Em)设置为2nm，激发狭缝(Ex)设置为3nm，扫描速度设置为300nm/min，激发光波段设置为250nm到450nm，测量3次后取平均值，得到最佳激发波长。
进一步，在测定发射光谱步骤中，发射狭缝(Em)设置为2nm，激发狭缝(Ex)设置为3nm，扫描速度设置为300nm/min，测量3次后取平均值，测定最佳激发波长下的发射光谱。
进一步，使用origin2021软件将各光谱数据整合后绘制光谱图用于光谱分析。
进一步，所述的白酒的年份随着发射光谱的波形变化，有如下的相关性：不同年份的白酒在波峰数量上呈现聚集性，主要分布在405nm和428nm附近。
进一步，将标准光谱进行做非线性映射，把样本光谱类比非线性映射的线性组合，利用优化算法求解得到线性组合的权重系数，利用权重系数和非线性映射重新绘制光谱，得到校正之后的光谱。
进一步，建立了包括最佳激发波长、最佳发射波长和最佳发射峰值强度三个数据集的回归模型，用于进行对同一品牌的白酒年份的模型训练。
进一步，对于年份为X的白酒，其光强的预期值为IDEK＝b*X+a，采用最小二分法得出误差最小时a和b的值，代入预期公式。将相对强度IDEK作为纵坐标，年份X作为横坐标，建立相对强度和年份的对应关系。
进一步，检测某品牌任意白酒年份时，通过光谱仪测出白酒光谱数据后代入光强预测公式，即可得到白酒的具体年份值。
有益效果
由以上可知，本发明通过仪器设备鉴别白酒的年份，得出它们分别所对应的荧光光谱，研究分析酱香酒产生荧光光谱的原因与年份的关系。本发明方法较易实现，操作简单，可直观地鉴别白酒的年份。
附图说明
图1为本发明系统和方法的示意图；
图2为不同年份的酱香型白酒最佳发射波长光谱图；
图3为荧光光谱与年份关系图。
以下结合附图对本发明的具体实施方式进行进一步详细的说明。
具体实施方式
实施例
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供了一种基于荧光光谱区分白酒年份的方法，包括测定年份酒最佳激发波长的步骤；测定发射光谱和激发光谱，对两种光谱进行分析，探究荧光光谱与白酒年份的相关性，鉴定出酱香型白酒中的年份。
本实施例中的白酒酒样品，为天邦系列酱香型年份白酒。
本实施例中的在测定激发光谱步骤中，发射狭缝(Em)设置为2nm，激发狭缝(Ex)设置为3nm，扫描速度设置为300nm/min，激发光波段设置为250到450nm，测定最佳激发波长光谱。本实施例中的白酒年份随着激发光谱的强度变化，并呈现正相关。
本实施例中的在测定发射光谱步骤中，发射狭缝(Em)设置为2nm，激发狭缝(Ex)设置为3nm，扫描速度设置为300nm/min，测定最佳激发波长下的发射光谱。
本实施例中的白酒的年份随着发射光谱的波形变化，有如下的相关性：如图2，5种不同年份的白酒在波峰数量上呈现聚集性，主围绕在405nm和428nm附近，并与波峰处的强度值呈现正相关。
将每个年份下波峰处的荧光光谱数据进行整理，作为纵坐标，年份为横坐标，建立强度与年份的对映关系。研究发现在与年份的对映关系中，白酒的强度与年份呈现近似线性的关系，即对于年份为X的白酒，其光强的预期值为
IDEK＝b*X+a
对于年份为X的白酒，实际测量值与预期值的偏差为
构造目标函数，得到误差最小时a和b的值，
采用最小二乘法，a和b的值分别为
代入数据得到b＝3811.36,a＝9890.97,R2＝0.934,公式为
IDEK＝3811.36*X+9890.97
将测试数据代入公式验证结果如表1。
表1一次函数年份预测结果
如图3，显示了荧光强度与年份的对映关系，将5个年份的白酒带入公式中，误差在1年以内，基本上满足定量鉴定白酒年份的需求。
对比例
测试光谱数据步骤均与上述实施例相同，得到光谱数据后采用指数函数对荧光强度及白酒年份进行拟合，对于年份为x的酒，荧光强度为f(x)拟合的函数公式如下：
f(x)＝axb
代入数据得到a＝8462,b＝0.7588,公式为：
f(x)＝8462x0.7588
将测试数据代入公式验证结果如表2。
表2指数函数年份预测结果
从表2结果可以得出，较实施例中所提出的一次函数拟合，使用指数函数拟合时得到的预测年份在白酒酒龄超过10年以后产生了较大误差，30年酒龄的白酒预测误差达到了1年以上。故本发明提出的预测模型具有较高的检测准确性。
以上所述，仅是本发明的较佳实施例而已，并非对本发明做任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (10)
1.一种基于荧光光谱区分白酒年份的方法，其特征在于：分别测试无样本和白酒样本的荧光光谱，分别测试无样本和白酒样本时的荧光光谱：每个样本检测完之后，保存检测数据；利用数据处理软件绘制每个样本的标准光谱图；提取发射光谱中最佳发射峰处的峰值强度大小，将光谱的提取数据写入数据库，进行分类器训练，利用偏最小二乘判别分析建立白酒品质鉴定模型；另取同品牌任意年份白酒进行准确性评判；将白酒品质鉴定模型用于对未知样本进行鉴定，得出鉴定结果。本发明的方法，操作简单，结果直观可靠，可以鉴别不同品牌白酒中的年份，适用性广泛。
2.如权利要求1所述的一种基于荧光光谱区分白酒年份的方法，其特征在于，所述的样品应为同一品牌的年份白酒，样品年份为5年、10年、13年、15年、30年。
3.如权利要求1所述的一种基于荧光光谱区分白酒年份的方法，其特征在于，所述的测定年份酒最佳激发波长的步骤中，发射狭缝(Em)设置为2nm，激发狭缝(Ex)设置为3nm，扫描速度设置为300nm/min，激发光波段设置为250nm到450nm，测量3次后取平均值，得到最佳激发波长。
4.如权利要求1所述的一种基于荧光光谱区分白酒年份的方法，其特征在于，在测定发射光谱步骤中，发射狭缝(Em)设置为2nm，激发狭缝(Ex)设置为3nm，扫描速度设置为300nm/min，测量3次后取平均值，测定最佳激发波长下的发射光谱。
5.如权利要求1所述的分类器训练，其特征在于，建立了包括最佳激发波长、最佳发射波长和最佳发射峰值强度三个数据集的回归模型，用于进行对同一品牌的白酒年份的模型训练。
6.如权利要求1所述的白酒年份鉴定模型，其特征在于，对于年份为X的白酒，其光强的预期值为IDEK＝b*X+a，采用最小二分法得出误差最小时a和b的值，代入预期公式。将相对强度IDEK作为纵坐标，年份X作为横坐标，建立相对强度和年份的对应关系。
7.如权利要求1所述的数据库，其特征在于，将标准光谱进行做非线性映射，把样本光谱类比非线性映射的线性组合，利用优化算法求解得到线性组合的权重系数，利用权重系数和非线性映射重新绘制光谱，得到校正之后的光谱。
8.如权利要求3所述的发射光谱，其特征在于，所述的白酒的年份随着发射光谱的波形变化，有如下的相关性：不同年份的白酒在波峰数量上呈现聚集性，主要分布在405nm和428nm附近。
9.如权利要求7所述的校正光谱，其特征在于，使用origin2021软件将各光谱数据整合后绘制光谱图用于光谱分析。
10.如权利要求6所述的白酒年份鉴定模型，其特征在于，检测某品牌任意白酒年份时，通过光谱仪测出白酒光谱数据后代入光强预测公式，即可得到白酒的具体年份值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310682411.2A CN116840202A (zh) | 2023-06-09 | 2023-06-09 | 一种基于荧光光谱检测酱香型白酒年份的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310682411.2A CN116840202A (zh) | 2023-06-09 | 2023-06-09 | 一种基于荧光光谱检测酱香型白酒年份的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116840202A true CN116840202A (zh) | 2023-10-03 |
Family
ID=88166138
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310682411.2A Pending CN116840202A (zh) | 2023-06-09 | 2023-06-09 | 一种基于荧光光谱检测酱香型白酒年份的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116840202A (zh) |
-
2023
- 2023-06-09 CN CN202310682411.2A patent/CN116840202A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cozzolino et al. | Can spectroscopy geographically classify Sauvignon Blanc wines from Australia and New Zealand? | |
| Magdas et al. | Wine discrimination based on chemometric analysis of untargeted markers using FT-Raman spectroscopy | |
| CN104677875B (zh) | 一种三维荧光光谱结合平行因子鉴别不同品牌白酒的方法 | |
| Markechová et al. | Fluorescence spectroscopy and multivariate methods for the determination of brandy adulteration with mixed wine spirit | |
| Kiefer et al. | Analysis of single malt Scotch whisky using Raman spectroscopy | |
| Pallipurath et al. | Multivariate analysis of combined Raman and fibre‐optic reflectance spectra for the identification of binder materials in simulated medieval paints | |
| CN101351688A (zh) | 测定介质中化合物的同一性或不同性和浓度的方法 | |
| CN106525759A (zh) | 一种基于衰减全反射太赫兹介电谱鉴别蜂蜜品种的方法 | |
| CN109752363A (zh) | 一种速溶茶粉中农药残留的便携式拉曼光谱检测方法 | |
| CN111398233A (zh) | 一种红酒品质的激光光谱检测方法 | |
| Yu et al. | Quality determination of Chinese rice wine based on Fourier transform near infrared spectroscopy | |
| Hu et al. | Development of a new three-dimensional fluorescence spectroscopy method coupling with multilinear pattern recognition to discriminate the variety and grade of green tea | |
| Chen et al. | Laser induced fluorescence spectroscopy for detection of Aflatoxin B 1 contamination in peanut oil | |
| Ceballos-Magana et al. | Quantitation of twelve metals in tequila and mezcal spirits as authenticity parameters | |
| Shibata et al. | Predicting the buckwheat flour ratio for commercial dried buckwheat noodles based on the fluorescence fingerprint | |
| Bernardes et al. | Different chemometric methods for the discrimination of commercial aged cachaças | |
| Shen et al. | Discrimination of blended Chinese rice wine ages based on near-infrared spectroscopy | |
| CN116840202A (zh) | 一种基于荧光光谱检测酱香型白酒年份的方法 | |
| Tian et al. | Development of a handheld system for liquor authenticity detection based on laser spectroscopy technique | |
| Cheng et al. | Application of Three-Dimensional Fluorescence Spectroscopy in Smart Agriculture—Detection of Oil Pollutants in Water | |
| US7427508B2 (en) | Method for assaying multi-component mixtures | |
| Wu et al. | A rapid and low-cost method for detection of nine kinds of vegetable oil adulteration based on 3-D fluorescence spectroscopy | |
| Hasi et al. | A fast and nondestructive method for identifying liquor from outside the bottle | |
| CN106770018A (zh) | 近红外光谱快速测定油料种类的方法 | |
| Ramírez-Elías et al. | Assessment of mezcal aging combining Raman spectroscopy and multivariate analysis techniques |
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 |