CN106970042B - 一种卡拉胶杂质、水分含量检测方法 - Google Patents
一种卡拉胶杂质、水分含量检测方法 Download PDFInfo
- Publication number
- CN106970042B CN106970042B CN201710235705.5A CN201710235705A CN106970042B CN 106970042 B CN106970042 B CN 106970042B CN 201710235705 A CN201710235705 A CN 201710235705A CN 106970042 B CN106970042 B CN 106970042B
- Authority
- CN
- China
- Prior art keywords
- sample
- standard
- spectrogram
- moisture content
- impurity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000012535 impurity Substances 0.000 title claims abstract description 45
- 235000010418 carrageenan Nutrition 0.000 title claims abstract description 42
- 229920001525 carrageenan Polymers 0.000 title claims abstract description 42
- 238000004458 analytical method Methods 0.000 claims abstract description 50
- 239000000679 carrageenan Substances 0.000 claims abstract description 31
- 229940113118 carrageenan Drugs 0.000 claims abstract description 31
- UHVMMEOXYDMDKI-JKYCWFKZSA-L zinc;1-(5-cyanopyridin-2-yl)-3-[(1s,2s)-2-(6-fluoro-2-hydroxy-3-propanoylphenyl)cyclopropyl]urea;diacetate Chemical compound [Zn+2].CC([O-])=O.CC([O-])=O.CCC(=O)C1=CC=C(F)C([C@H]2[C@H](C2)NC(=O)NC=2N=CC(=CC=2)C#N)=C1O UHVMMEOXYDMDKI-JKYCWFKZSA-L 0.000 claims abstract description 31
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 24
- 238000001228 spectrum Methods 0.000 claims abstract description 20
- 239000000126 substance Substances 0.000 claims description 29
- 230000003595 spectral effect Effects 0.000 claims description 23
- 238000005259 measurement Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 claims description 2
- 238000004497 NIR spectroscopy Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 claims 1
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 12
- 238000000513 principal component analysis Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000001320 near-infrared absorption spectroscopy Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000002310 reflectometry Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 241000206575 Chondrus crispus Species 0.000 description 1
- 241001428166 Eucheuma Species 0.000 description 1
- 241001467355 Gigartina Species 0.000 description 1
- 241000206572 Rhodophyta Species 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 239000003995 emulsifying agent Substances 0.000 description 1
- 235000013373 food additive Nutrition 0.000 description 1
- 239000002778 food additive Substances 0.000 description 1
- 239000003349 gelling agent Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 239000003381 stabilizer Substances 0.000 description 1
- QAOWNCQODCNURD-UHFFFAOYSA-L sulfate group Chemical group S(=O)(=O)([O-])[O-] QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 description 1
- 239000000375 suspending agent Substances 0.000 description 1
- 239000002562 thickening agent Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (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 Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种卡拉胶杂质、水分含量检测方法，该方法采用近红外光谱分析检测。本申请提供的卡拉胶杂质、水分含量检测方法，通过近红外光谱仪扫描结合光谱预处理和模型优化方法建立分析库，可以实现对卡拉胶中各种参数含量快速、无破坏性的绿色分析。具有快速、无损、方便和环保的优点。
Description
技术领域
本发明涉及杂质、水分含量检测技术领域，特别是涉及一种利用近红外检测仪实现卡拉胶杂质、水分含量检测方法。
背景技术
近红外光(Near Infrared简称NIR)是介于可见光(Vis)和中红外光(简写为MIR或IR)之间的电磁波,美国ASTM(Amerncan Socnety of Testnng Maternals,美国材料检测协会)将近红外谱区定义为780-2526nm(波数为12820-3959cm-1)。近红外光谱分析方法由于一系列独特的优点正在全球范围内受到广泛的重视和推广应用。相比于其他分析技术具有快速、简便、无损等优点，在农产品和食品的品质和安全检测中应用广泛。近红外光谱分析是20世纪70年代发展起来的一项高效、快速的现代分析技术。它丰要是利用有机物中含有C-H、N-H、0-H、C-C等化学键的泛频振动或转动，以漫反射方式获得在近红外区的吸收光谱，通过主成分分析、偏摄小二乘法、人工神经网等化学计量学的手段，建立物质光谱与待测成分含量问的线形或非线形模犁，从而实现用物质近红外光谱信息对待测成分含量的快速计量。但由于近红外光谱分析的特点，决定了其建立的数学模型只能适用于一定时间、空间与样品范围。
卡拉胶(Carrageenan)最初起源于爱尔兰南部的卡拉根郡。18世纪开始工业化生产。目前主要的原料为红藻类海藻如麒麟菜及角叉藻、杉藻等。依其半乳糖残基上硫酸脂基团的不同,分为κ-型、ι-型、λ-型。在食品工业中通常将其用作增稠剂、胶凝剂、悬浮剂、乳化剂和稳定剂等。卡拉胶的技术要求和检验方法由GB 15044-2009《食品添加剂卡拉胶》进行规定，标准中规定的检验方法都是传统的常规方法，操作繁琐、耗时、费力。
发明内容
本发明提供了一种采用近红外光谱分析技术卡拉胶杂质、水分含量检测方法。
本发明提供了如下方案：
一种卡拉胶杂质、水分含量检测方法，包括：采用近红外光谱分析检测。
优选的：取卡拉胶样本若干份并对每份样本进行编号，从每份样本中各取两份，一份进行常规化学分析，另一份采用近红外光谱仪进行近红外光谱分析；
依次对各个样本进行常规化学分析以及近红外线光谱测量，分别记录每份样本进行化学分析获得的标准杂质、水分含量数据以及获得的标准光谱图，并根据各个样本的编号生成标准杂质、水分含量数据库以及标准光谱图库；
取待检测卡拉胶样本采用所述近红外光谱仪进行近红外光谱测量，将获得的待检测样本光谱图与标准光谱图库中的各个标准光谱图进行对比；
当所述待检测样本光谱图与所述标准光谱图库中的某一标准光谱满足预置的误差条件时，则通过该标准光谱图的编号在标准杂质、水分含量数据库中查找与其相对于的标准杂质、水分含量数据；所述查找到的标准杂质、水分含量数据即为所述待检测卡拉胶样本的杂质、水分含量。
优选的：采用四分法从每份样本中各取两份。
优选的：所述近红外光谱仪的扫描范围为1100-1650nm，光谱分辨率为0.5nm，采样数据点为1100个。
优选的：依次对各个样本进行常规化学分析以及近红外线光谱测量，分别记录每份样本进行化学分析获得的标准杂质、水分含量数据以及获得的标准光谱图，包括：
所述常规化学分析为按照GB 15044-2009《食品添加剂卡拉胶》中的方法，分别对各个样本进行水分、灰分的测定获得标准杂质、水分含量数据；所述近红外线光谱测量为每次取一个样本放入仪器专用的小样品杯中，以全部覆盖样品杯底部的投射镜片为准，放入所述近红外光谱仪中盖上盖子，使用最大7个点进行扫描，并保存扫描获得标准光谱图。
优选的：所述近红外线光谱测量包括每个样本采用所述近红外光谱仪进行三次扫描，并在采用近红外或傅立叶变换红外应用的定标开发软件计算平均值，得到最终的光谱反射率数据；同时将光谱反射率数据进行Log(1/R)变换，然后进行数据预处理和卷积平滑处理过滤各种高频噪声获得标准光谱图。
优选的：当所述待检测样本光谱图与所述标准光谱图库中的某一标准光谱满足预置的误差条件时，包括：
判断所述待检测样本光谱图与所述标准光谱图库中的某一标准光谱的马氏距离相关性是否小于10倍，如果是，则判断为满足误差条件。
优选的：当所述待检测样本光谱图与所述标准光谱图库中所有图谱的马氏距离相关性均大于10倍时，则将该待检测样品进行编号，并取另外一份该待检测样本进行常规化学分析记录该份样本进行化学分析获得的杂质、水分含量数据以及获得的光谱图，并作为标准杂质、水分含量数据以及标准光谱图加入所述标准杂质、水分含量数据库以及标准光谱图库中。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
通过本发明，可以实现一种卡拉胶杂质、水分含量检测方法，在一种实现方式下，该方法采用近红外光谱分析检测。本申请提供的卡拉胶杂质、水分含量检测方法，通过近红外光谱仪扫描结合光谱预处理和模型优化方法建立分析库，可以实现对卡拉胶中各种参数含量快速、无破坏性的绿色分析。具有快速、无损、方便和环保的优点。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的不同卡拉胶样本近红外反射图；
图2是本发明实施例提供的PLS模型预测水分实际值结果；
图3是本发明实施例提供的PLS模型预测灰分实际值结果。
具体实施方式
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所获得的所有其他实施例，都属于本发明保护的范围。
实施例
本发明实施例提供的一种卡拉胶杂质、水分含量检测方法，该方法采用近红外光谱分析检测。具体的检测方法为：
取卡拉胶样本若干份并对每份样本进行编号，从每份样本中各取两份，一份进行常规化学分析，另一份采用近红外光谱仪进行近红外光谱分析；具体的取样方法可以采用四分法从每份样本中各取两份。
依次对各个样本进行常规化学分析以及近红外线光谱测量，分别记录每份样本进行化学分析获得的标准杂质、水分含量数据以及获得的标准光谱图，并根据各个样本的编号生成标准杂质、水分含量数据库以及标准光谱图库；在实际应用中，可以使用FOSS公司的NIRS DA1650二极管阵列，漫反射和透反射型近红外光谱仪，其扫描范围为1100-1650nm，光谱分辨率为0.5nm，采样数据点为1100个。具体的检测方法可以是，所述常规化学分析为按照GB15044-2009《食品添加剂卡拉胶》中的方法，分别对各个样本进行水分、灰分的测定获得标准杂质、水分含量数据；所述近红外线光谱测量为每次取一个样本放入仪器专用的小样品杯中，以全部覆盖样品杯底部的投射镜片为准，放入所述近红外光谱仪中盖上盖子，使用最大7个点进行扫描，并保存扫描获得标准光谱图。光谱数据采用Mosaic软件导出，分析和定标软件为WINISI。为了减少误差，所述近红外线光谱测量包括每个样本采用所述近红外光谱仪进行三次扫描，并在采用近红外或傅立叶变换红外应用的定标开发软件计算平均值，得到最终的光谱反射率数据；同时将光谱反射率数据进行Log(1/R)变换，然后进行数据预处理和卷积平滑处理过滤各种高频噪声获得标准光谱图。
取待检测卡拉胶样本采用所述近红外光谱仪进行近红外光谱测量，将获得的待检测样本光谱图与标准光谱图库中的各个标准光谱图进行对比；
当所述待检测样本光谱图与所述标准光谱图库中的某一标准光谱满足预置的误差条件时，则通过该标准光谱图的编号在标准杂质、水分含量数据库中查找与其相对于的标准杂质、水分含量数据；所述查找到的标准杂质、水分含量数据即为所述待检测卡拉胶样本的杂质、水分含量。具体的，判断所述待检测样本光谱图与所述标准光谱图库中的某一标准光谱的马氏距离相关性是否小于10倍，如果是，则判断为满足误差条件。当所述待检测样本光谱图与所述标准光谱图库中所有图谱的马氏距离相关性均大于10倍时，则将该待检测样品进行编号，并取另外一份该待检测样本进行常规化学分析记录该份样本进行化学分析获得的杂质、水分含量数据以及获得的光谱图，并作为标准杂质、水分含量数据以及标准光谱图加入所述标准杂质、水分含量数据库以及标准光谱图库中。
下面通过实验说明本申请提供的方法的可行性。
1材料和方法
1.1仪器设备
试验使用FOSS公司的NIRS DA1650二极管阵列，漫反射和透反射型近红外光谱仪，扫描范围1100-1650nm，光谱分辨率0.5nm，采样数据点1100个。光谱数据采用Mosaic软件导出，分析和定标软件为WINISI。
1.2样品采集和制备
试验用卡拉胶取自防城港市本地生产企业6月-10月份生产的105份样品，用四分法从每个样本中取两份，一份用于常规化学分析，另一份用于近红外分析。
1.3常规分析
用于化学分析的样本按照GB 15044-2009《食品添加剂卡拉胶》中的方法做水分、灰分的测定。表1为常规分析的测量结果，从表中可以看出各个参数的结果变化幅度不大，这也是由卡拉胶的生产工艺、原料及其化学结构所决定的，所有样品建立的模型基本能够满足绝大多数情况下的测量范围。
表1卡拉胶中水分、灰分参数
| 成分 | 样品数量 | 平均值 | 最小值 | 最大值 | 标准偏差 |
| 水分 | 105 | 8.9％ | 7.6％ | 10.5％ | 0.6526 |
| 灰分 | 105 | 21.59％ | 19.03％ | 23.79％ | 1.616 |
1.4卡拉胶光谱测量
每次取一个样本放入仪器专用的小样品杯中，以全部覆盖样品杯底部的投射镜片为准，放入仪器中盖上盖子，使用最大7个点进行扫描，并保存数据，所有样本完成扫描后，导出样本数据，待进一步数据处理。
1.5光谱数据预处理
每个样本进行三次扫描，并在WINISI软件上计算平均值，得到最终的光谱反射率数据。同时将光谱反射数据进行Log(1/R)变换，然后采用SNV预处理和卷积平滑处理过滤各种高频噪声。光谱数据处理在1100-1650nm仪器的全部波段进行分析。
2结果与分析
2.1光谱图分析
卡拉胶105个样本的近红外光谱曲线如图1所示。从图中看出，不同样本的光谱形状基本相似，波峰波谷比较明显，反射率与卡拉胶的水分和灰分有一定的相关趋势，用红外光谱来预测卡拉胶中的水分和灰分的含量是可行的。
利用WINISI处理软件设置水分和灰分两个项目，并输入每个样本的实验室常规分析数据，用90个样本数据建立预测模型，剩余的15个样本数据用于预测模型的性能验证。光谱处理方式采用PCA(主成分分析)+MDF(计算马氏距离方式)+SNV(标准正常化)+Detrend(去散射处理)+一阶导数+平滑处理和PCA(主成分分析)+MDF(计算马氏距离方式)+平滑处理两种处理方式进行比较，并采用PLS(最小二乘法回归技术)、MPLS(改进最小二乘法回归技术)和PCR(主成分分析回归技术)三种定标算法进行计算得分，筛选出最好的定标方程。SNV是标准矢量归一化，主要用于消除和重复性相关的变化，可以消除样品光谱中线性平移的影响。一阶倒数和去散射处理分别主要用于消除基线、背景干扰和颗粒分布不均匀及颗粒大小产生的散射影响。
2.2 PLS、MPLS与PCR预测模型的建立
在软件中设置数据处理条件，T值设置为2.5，即当某些预测结果与传统化学结果的差大于定标误差的2.5倍时，则这些样品被认为是T值超常样品；H值设置为10，即当某样品的偏差大于定标样品的平均偏差10倍时，则将被认为是光谱值超常样品；定标模型采用的光谱区段为1100-1648nm，然后分别选择PLS、MPLS和PCR三种算法计算预测模型的定标方程。表2为PLS、MPLS和PCR三种建模方式不同光谱处理方法对建模结果的影响。以交叉验证相关系数越接近1，交叉验证误差最小为指标，确定最优的定标方程组合。从表2中可以得知，水分含量采用PLS、PCR模式标准正常化去散射1阶倒数平滑滤波处理和MPLS模式平滑滤波处理效果比较理想，而灰分含量采用PLS、PCR模式进行平滑滤波处理和MPLS模式标准正常化去散射1阶倒数平滑滤波处理的效果比较好。
表2 PLS、MPLS和PCR三种建模方式不同光谱处理方法的建模效果
2.3模型的验证
为了检验模型的预测效果，将样本中未参与建模的15个样本光谱数据代入模型中，将模型预测值与实际含量做相关分析。表3为PLS、MPLS和PCR三种模型的验证结果，其中Bias是方程的斜率，是偏差报警限，它是0.6倍的预测标准偏差；SEP(c)表示预测标准偏差的报警限，它是预测标准偏差的1.3倍；Slope是方程的截距；RSQ是定标方程的相关系数。以RSQ最大为指标，从表3验证结果可以看出，PLS模式建立的预测模型效果较好，结合图2PLS模式预测模型的预测结果统计，水分相关系数0.877，灰分相关系数0.973，其他模式建立的模型差异不大，完全可以用来对未知样品水分和杂质含量的实际预测。
表3三种模型的验证结果
3、总结
从定标数据来看，采用PLS方法建立的预测模型的相关系数分别为0.6366(水分)、0.9686(灰分)，灰分相对来说效果不错，有比较高的相关性，准确性相对也较好。水分结果一般，其原因可能是因为参比方法的准确度不高，所以应注意提高手工分析的准确性。从样品光谱图来看这些样品有几个不同的来源，光谱有比较大的差异，样品分为几个不同的团，应该收集更多的样品或分组进行定标。在模型验证中，预测RSQ为0.877(水分)、0.973(灰分)，以上结果表明，用NIRS技术对卡拉胶水分和灰分含量加以预测是可行的，甚至可以扩展到预测卡拉胶其他项目。
总之，本申请提供的卡拉胶杂质、水分含量检测方法，通过近红外光谱仪扫描结合光谱预处理和模型优化方法建立分析库，可以实现对卡拉胶中各种参数含量快速、无破坏性的绿色分析。具有快速、无损、方便和环保的优点。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (4)
1.一种卡拉胶杂质、水分含量检测方法，其特征在于，采用近红外光谱分析检测；
取卡拉胶样本若干份并对每份样本进行编号，从每份样本中各取两份，一份进行常规化学分析，另一份采用近红外光谱仪进行近红外光谱分析；所述近红外光谱仪的扫描范围为1100-1650nm，光谱分辨率为0.5nm，采样数据点为1100个；
依次对各个样本进行常规化学分析以及近红外线光谱测量，分别记录每份样本进行化学分析获得的标准杂质、水分含量数据以及获得的标准光谱图，并根据各个样本的编号生成标准杂质、水分含量数据库以及标准光谱图库；
取待检测卡拉胶样本采用所述近红外光谱仪进行近红外光谱测量，将获得的待检测样本光谱图与标准光谱图库中的各个标准光谱图进行对比；
判断所述待检测样本光谱图与所述标准光谱图库中的某一标准光谱的马氏距离相关性是否小于10倍，如果是，则判断为满足误差条件；当所述待检测样本光谱图与所述标准光谱图库中的某一标准光谱满足预置的误差条件时；
则通过该标准光谱图的编号在标准杂质、水分含量数据库中查找与其相对的标准杂质、水分含量数据；所述查找到的标准杂质、水分含量数据即为所述待检测卡拉胶样本的杂质、水分含量；
当所述待检测样本光谱图与所述标准光谱图库中所有图谱的马氏距离相关性均大于10倍时，则将该待检测样本进行编号，并取另外一份该待检测样本进行常规化学分析记录该份样本进行化学分析获得的杂质、水分含量数据以及获得的光谱图，并作为标准杂质、水分含量数据以及标准光谱图加入所述标准杂质、水分含量数据库以及标准光谱图库中。
2.根据权利要求1所述的方法，其特征在于，采用四分法从每份样本中各取两份。
3.根据权利要求1所述的方法，其特征在于，依次对各个样本进行常规化学分析以及近红外线光谱测量，分别记录每份样本进行化学分析获得的标准杂质、水分含量数据以及获得的标准光谱图，包括：
所述常规化学分析为按照GB 15044-2009《食品添加剂卡拉胶》中的方法，分别对各个样本进行水分、灰分的测定获得标准杂质、水分含量数据；所述近红外线光谱测量为每次取一个样本放入仪器专用的小样品杯中，以全部覆盖样品杯底部的投射镜片为准，放入所述近红外光谱仪中盖上盖子，使用最大7个点进行扫描，并保存扫描获得标准光谱图。
4.根据权利要求3所述的方法，其特征在于，所述近红外线光谱测量包括每个样本采用所述近红外光谱仪进行三次扫描，并在采用近红外或傅立叶变换红外应用的定标开发软件计算平均值，得到最终的光谱反射率数据；同时将光谱反射率数据进行Log(1/R)变换，然后进行数据预处理和卷积平滑处理过滤各种高频噪声获得标准光谱图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710235705.5A CN106970042B (zh) | 2017-04-12 | 2017-04-12 | 一种卡拉胶杂质、水分含量检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710235705.5A CN106970042B (zh) | 2017-04-12 | 2017-04-12 | 一种卡拉胶杂质、水分含量检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106970042A CN106970042A (zh) | 2017-07-21 |
| CN106970042B true CN106970042B (zh) | 2020-07-28 |
Family
ID=59332224
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710235705.5A Active CN106970042B (zh) | 2017-04-12 | 2017-04-12 | 一种卡拉胶杂质、水分含量检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106970042B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109115692B (zh) * | 2018-07-04 | 2021-06-25 | 北京格致同德科技有限公司 | 一种光谱数据分析方法及装置 |
| CN109211633B (zh) * | 2018-09-20 | 2019-10-01 | 山东东阿一品堂阿胶生物有限公司 | 一种制作鹿胶糕的方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ES2186549B1 (es) * | 2001-07-03 | 2004-08-16 | Universidad De Vigo | Analisis cuantitativo de carrageninas mediante espectroscopia de ir aplicando el metodo pls. |
| CN103743677A (zh) * | 2013-12-30 | 2014-04-23 | 山东东阿阿胶股份有限公司 | 一种阿胶水份的快速检测方法 |
| CN104849232A (zh) * | 2015-04-27 | 2015-08-19 | 中国农业科学院蜜蜂研究所 | 一种快速检测蜂王浆水分和蛋白质含量的方法 |
| CN106092960A (zh) * | 2016-07-28 | 2016-11-09 | 深圳市芭田生态工程股份有限公司 | 一种快速校正近红外设备并检测农产品中化学成分的方法 |
-
2017
- 2017-04-12 CN CN201710235705.5A patent/CN106970042B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ES2186549B1 (es) * | 2001-07-03 | 2004-08-16 | Universidad De Vigo | Analisis cuantitativo de carrageninas mediante espectroscopia de ir aplicando el metodo pls. |
| CN103743677A (zh) * | 2013-12-30 | 2014-04-23 | 山东东阿阿胶股份有限公司 | 一种阿胶水份的快速检测方法 |
| CN104849232A (zh) * | 2015-04-27 | 2015-08-19 | 中国农业科学院蜜蜂研究所 | 一种快速检测蜂王浆水分和蛋白质含量的方法 |
| CN106092960A (zh) * | 2016-07-28 | 2016-11-09 | 深圳市芭田生态工程股份有限公司 | 一种快速校正近红外设备并检测农产品中化学成分的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 用13C-核磁共振和红外光谱法对三种卡拉胶原藻分步提取的卡拉胶级分的结构分析;纪明侯;《海洋与湖沼》;19880531;第19卷(第3期);第249-261页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106970042A (zh) | 2017-07-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gomes et al. | Comparison of different approaches for the prediction of sugar content in new vintages of whole Port wine grape berries using hyperspectral imaging | |
| Cuadrado et al. | Comparison and joint use of near infrared spectroscopy and Fourier transform mid infrared spectroscopy for the determination of wine parameters | |
| Moscetti et al. | Near infrared spectroscopy is suitable for the classification of hazelnuts according to Protected Designation of Origin | |
| Che et al. | Application of visible/near‐infrared spectroscopy in the prediction of azodicarbonamide in wheat flour | |
| Qing et al. | Wavelength selection for predicting physicochemical properties of apple fruit based on near‐infrared spectroscopy | |
| Cui et al. | Identification of maize seed varieties based on near infrared reflectance spectroscopy and chemometrics | |
| Dupuy et al. | Chemometric analysis of combined NIR and MIR spectra to characterize French olives | |
| CN110749565A (zh) | 一种快速鉴别普洱茶存储年份的方法 | |
| CN106970042B (zh) | 一种卡拉胶杂质、水分含量检测方法 | |
| Thanasi et al. | Fourier transform infrared spectroscopy in monitoring the wine production | |
| CN102854151B (zh) | 一种光谱分析中样品集划分的化学计量学方法 | |
| CN109283153B (zh) | 一种酱油定量分析模型的建立方法 | |
| Zhou et al. | Applications of near infrared spectroscopy in cotton impurity and fiber quality detection: A review | |
| CN113030007B (zh) | 基于相似度学习算法快速检验烟用香精质量稳定性的方法 | |
| Liu et al. | Estimation of chlorophyll content in maize canopy using wavelet denoising and SVR method | |
| Riau et al. | Selection of compound group to identify the authenticity one of jamu product using the group lasso for logistic regression | |
| Hiroaki et al. | Classification of pesticide residues in the agricultural products based on diffuse reflectance IR spectroscopy | |
| CN114062306B (zh) | 一种近红外光谱数据分段预处理方法 | |
| Dong et al. | Nondestructive method for analysis of the soybean quality | |
| Niu et al. | The application of near-infrared spectroscopy and chemometrics to classify Shaoxing wines from different breweries | |
| CN112763448A (zh) | 一种基于atr-ftir技术的米糠中多糖含量的快速检测方法 | |
| CN113191618A (zh) | 一种基于中红外光谱技术及特征提取的小米产地溯源方法 | |
| Wang et al. | Optimization of informative spectral regions in FT-NIR spectroscopy for measuring the soluble solids content of apple | |
| Weindorf et al. | Advanced modeling of soil biological properties using visible near infrared diffuse reflectance spectroscopy | |
| CN103134762A (zh) | 由红外光谱预测原油氮含量的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Chen Yanwei Inventor before: Chen Tingwei |
|
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 538000 port 91, Fangchenggang Port Road, the Guangxi Zhuang Autonomous Region, China Patentee after: Fangcheng customs comprehensive technical service center (Fangchenggang sub center of Nanning customs international travel health care center, Fangcheng customs port outpatient department) Address before: 538000 port 91, Fangchenggang Port Road, the Guangxi Zhuang Autonomous Region, China Patentee before: INTEGRATED TECHNICAL SERVICE CENTER OF EXIT INSPECTION AND QUARANTINE OF FANGCHENGGANG (GUANGXI INTERNATIONAL TRAVEL HEALTH CARE CENTER FANGCHENGGANG SUB-CENTER) |