CN114112988B - 一种基于云平台的玉米品质和伏马毒素污染现场同步快速分析系统及检测方法 - Google Patents
一种基于云平台的玉米品质和伏马毒素污染现场同步快速分析系统及检测方法 Download PDFInfo
- Publication number
- CN114112988B CN114112988B CN202111419728.4A CN202111419728A CN114112988B CN 114112988 B CN114112988 B CN 114112988B CN 202111419728 A CN202111419728 A CN 202111419728A CN 114112988 B CN114112988 B CN 114112988B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- cloud platform
- sample
- mobile phone
- corn
- 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
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 50
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 50
- 235000005822 corn Nutrition 0.000 title claims abstract description 50
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 238000004458 analytical method Methods 0.000 title claims abstract description 38
- 239000003008 fumonisin Substances 0.000 title claims abstract description 29
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 16
- 240000008042 Zea mays Species 0.000 title claims description 48
- 238000001228 spectrum Methods 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000003860 storage Methods 0.000 claims abstract description 9
- 230000005540 biological transmission Effects 0.000 claims abstract description 8
- 238000004891 communication Methods 0.000 claims abstract description 7
- 238000010276 construction Methods 0.000 claims abstract description 4
- 238000004445 quantitative analysis Methods 0.000 claims description 25
- 238000002329 infrared spectrum Methods 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 11
- 229920002472 Starch Polymers 0.000 claims description 10
- 239000008107 starch Substances 0.000 claims description 10
- 235000019698 starch Nutrition 0.000 claims description 10
- 235000019750 Crude protein Nutrition 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000010183 spectrum analysis Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 3
- 239000012535 impurity Substances 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000010561 standard procedure Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 239000004575 stone Substances 0.000 claims description 2
- 230000003993 interaction Effects 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 abstract description 3
- 241000209149 Zea Species 0.000 abstract 2
- 231100000678 Mycotoxin Toxicity 0.000 description 5
- 239000002636 mycotoxin Substances 0.000 description 5
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 4
- 229910052744 lithium Inorganic materials 0.000 description 4
- 235000016709 nutrition Nutrition 0.000 description 4
- 239000004615 ingredient Substances 0.000 description 3
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 235000012054 meals Nutrition 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 241000233866 Fungi Species 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 235000001014 amino acid Nutrition 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000009614 chemical analysis method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 235000021049 nutrient content Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 229930000044 secondary metabolite Natural products 0.000 description 1
- 239000007858 starting material Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 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
- G01N21/17—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
本发明公开了一种基于云平台的玉米品质和伏马毒素污染现场同步快速分析系统及检测方法。该系统包括：便携式检测终端、智能手机控制模块和数据处理云平台；便携式检测终端包括：光谱采集模块、蓝牙模块、电源和控制模块；智能手机控制模块可控制便携式检测终端进行光谱采集和数据上传，并起到链接便携式检测终端和云平台的作用。数据处理云平台兼顾数据运算和存储功能，智能手机通过网络连接与云平台实现数据传输。本发明将通过云服务器提升数据运算和存储能力，搭建模型管理和数据处理云平台，通过网络通信实现多用户端和云端的数据交互，降低模型构建和维护成本，提升检测效率。可为实现玉米品质与伏马毒素污染的现场同步快速分析提供技术支撑。
Description
技术领域
本发明属于谷物分析测试领域，涉及一种基于云平台的玉米品质和伏马毒素污染现场同步快速分析方法。
背景技术
玉米产量高，适应性强，含有丰富的营养成分，不仅是我国重要的粮食作物，也是使用量最多的饲料原料之一。玉米在田间和收获后贮藏过程中容易受到产毒真菌的侵染，造成玉米品质下降和营养丢失，并产生真菌毒素等次级代谢产物，严重威胁人畜健康。因此，在玉米生产、储藏、流通等过程中，不仅要关注玉米内部的营养成分含量，也要对真菌毒素污染水平进行检测。目前，玉米营养成分和真菌毒素污染检测主要以湿化学分析方法为主，虽然检测精度较高，但检测成本高、效率低，无法实现营养成分和真菌毒素污染的同步分析，难以满足现场快速分析的需求。
近红外光谱主要反映含氢基团(C-H、N-H、O-H等)振动的倍频和合频吸收，能反映样品内部丰富的结构、组成和属性信息，不仅在谷物中水分、粗蛋白、淀粉、氨基酸等含量分析方面得到了广泛应用，在谷物中真菌毒素污染检测中也表现出巨大的应用潜力，可用于玉米粉品质和伏马毒素污染现场同步快速分析。随着制造技术的进步和谷物品质现场快速分析的迫切需求，近红外光谱仪正在向小型化、便携式方向发展。目前市售的便携式近红外光谱仪大都采用内嵌模型的检测方式，但便携式设备中微型芯片系统存储和计算能力有限，不利于复杂的数据分析，影响模型精度；独立终端中模型维护难度较大，不便于一线人员操作使用。
发明内容
针对现有检测模式的不足，本发明旨在提供一种基于云平台、智能手机和微型近红外光谱仪的便携式现场快速检测系统，为实现玉米粉品质和伏马毒素污染现场同步快速分析提供一种新方法。
为实现上述目的，本发明的技术方案如下：
一种基于云平台的玉米品质和伏马毒素污染现场同步快速分析系统，所述系统包括：便携式检测终端、智能手机控制模块和数据处理云平台；其中，所述便携式检测终端包括：光谱采集模块、蓝牙模块、电源和控制模块；所述便携式检测终端与智能手机控制模块通过蓝牙进行链接，进行数据传输与通信，进而实现智能手机对便携式检测终端的控制，并将样品光谱数据上传至智能手机；所述数据处理云平台兼顾数据运算和存储功能，智能手机通过网络与数据处理云平台实现数据传输。
其中，所述光谱采集模块为便携式近红外光谱仪。
所述智能手机对便携式检测终端的控制，包括：光谱扫描参数设置，参比光谱更新，样品光谱获取，分析模型选择等。所述智能手机对便携式检测终端的控制可通过APP实现。
所述便携式近红外光谱仪配备锂电池供电模块，既可以通过USB供电使用，也可借助锂电池供电独立使用。
所述智能手机控制模块一方面通过蓝牙模块中的蓝牙检索和蓝牙配对功能与便携式检测终端进行通讯，另一方面通过网络链接与数据处理云平台实现数据传输，将便携式检测终端采集的样品光谱数据上传至数据处理云平台，并发送数据分析请求。
此外，智能手机控制模块还具有设定用户权限，选择分析模型，接收并显示数据分析结果的功能。
其中，上述网络链接方式为Internet网络或者GPRS通信；数据分析请求是通过网络向云服务端发送Web请求，服务端通过Nginx反向代理进行负载均衡后，将手机控制模块请求按照指定的分析模型区分后，分发到相应的预测算法服务中。
所述数据处理云平台兼顾数据运算和存储功能，搭载多个光谱分析模型，在接收到手机控制模块上传的样品光谱数据后，按照指定的模型进行预测分析，并将分析结果反馈至手机端进行显示。管理员具有对模型进行添加、升级、分类和删除等操作的权限。
其中，数据处理云平台所搭载模型为基于Matlab平台和PLS Toolbox构建的定量分析模型，模型数量根据所需测定指标个数确定。所述指标可包括：玉米样品的粗蛋白含量、淀粉含量以及伏马毒素的含量。
管理员具有对模型进行添加、升级、分类和删除等操作的权限。不同用户可访问模型受管理员预设的用户权限限制，管理员可根据需求对用户权限进行修改。
利用上述分析系统，本发明还提供了一种基于云平台的玉米品质和伏马毒素污染现场同步快速检测方法。
本发明中所述伏马毒素为伏马毒素B1和伏马毒素B2的总含量。
本发明所提供的基于云平台的玉米品质和伏马毒素污染现场同步快速检测方法，包括如下步骤：
步骤1：将待分析的玉米样品粉碎，放置室温条件备用；
步骤2：基于Matlab和PLS Toolbox构建定量分析模型，将定量分析模型保存为.mat文件，然后分类并上传至云服务器指定的目录下；
步骤3：打开便携式近红外光谱仪开关，将光谱仪与智能手机通过蓝牙进行链接，启动手机APP，输入用户名和密码，获取云端数据库使用权限；
步骤4：登录后先设置光谱仪参比扫描参数，将参比板置于光谱仪检测窗口，并将重置参比按钮调整至“ON”，然后点击扫描按钮重置参比，最后通过预测类型下拉选择框，选择要使用的分析模型类别；
步骤5：将待测样品置于扫描窗口，在样品编号窗口中对样品进行命名，点击扫描预测按钮获取样品光谱信息，等待光谱上传至云服务器进行光谱预测分析；
步骤6：云服务器接收到光谱后会按照用户指定的模型类型进行分析，并将光谱分析结果反馈至手机端，点击查看报告按钮，获取样品预测结果。
上述方法步骤1中，所述玉米样品应去除杂质后粉碎过40目筛。
上述方法步骤2中，所述定量分析模型为基于Matlab平台和PLS Toolbox构建的偏最小二乘(PLS)定量分析模型，同一文件目录下可保存单个或多个模型。
其中，偏最小二乘(PLS)定量分析模型的构建步骤为：
(a)使用便携式近红外光谱仪扫描获取粉碎后玉米样品的近红外光谱；
(b)参考国家标准方法，测定玉米样品的粗蛋白、淀粉和伏马毒素含量；
(c)使用K-stone、浓度梯度法或随机分集方法，将玉米样品近红外光谱分为校正集和验证集(可按照3:1的比例分配)，其中，校正集数据用于构建定量分析模型，验证集用来对定量分析模型进行评价；
(d)对玉米样品近红外光谱进行光谱预处理，消除背景干扰，降低光谱噪声，提高光谱质量和信号差异；
(e)剔除出异常样品，将步骤(d)处理后的校正集中玉米样品的近红外光谱分别与该玉米样品测定的粗蛋白、淀粉和伏马毒素的含量，使用PLS算法构建定量分析模型，采用留一交互验证的方式选取最佳潜变量数；
(f)使用步骤(e)中构建的定量分析模型对所述验证集进行预测，对比预测值与真实值，计算预测均方根误差，对模型进行评价。
其中，所述步骤(a)中使用便携式近红外光谱仪的扫描参数可为：光谱扫描范围为900-1700nm，光谱平均次数为50次，曝光时间为0.635ms，每个样品可重复扫描3次。
所述步骤(d)中所述光谱预处理的方法包括标准正态变量变换、平滑和导数等。
上述方法步骤3中，所述便携式近红外光谱仪配备锂电池供电模块，既可以通过USB供电使用，也可借助锂电池供电独立使用。
上述方法步骤4中，所述光谱仪扫描参数设置包括曝光时间和光谱重复次数。
本发明为一种基于云平台的玉米品质和伏马毒素污染现场同步快速分析系统，包括便携式检测终端、智能手机控制模块和数据处理云平台，具有便携，可现场快速分析的优势。分析系统通过云服务器提升数据运算和存储能力，搭建模型管理和数据处理云平台，通过网络通信实现多用户端和云端的数据交互，降低模型构建和维护成本，提升检测效率，本发明可实现玉米品质和伏马毒素污染现场同步快速分析，对保障粮食安全具有重要意义，适于推广应用。
附图说明
图1为基于云平台的便携式检测系统示意图。
图2为玉米样品近红外光谱图。
图3为基于便携式近红外光谱仪构建的玉米粗蛋白、淀粉和伏马毒素的模型结果图。
具体实施方式
下面结合具体实施例对本发明作进一步阐述，但本发明并不限于以下实施例。所述方法如无特别说明均为常规方法。所述原材料如无特别说明均能从公开商业途径获得。
实施例1
如图1所示，一种基于云平台的玉米品质和伏马毒素污染现场同步快速分析系统，包括便携式检测终端、智能手机控制模块和数据处理云平台。所述便携式检测终端包括：光谱采集模块、蓝牙模块、电源和控制模块；所述便携式检测终端与智能手机控制模块通过蓝牙进行链接，进而实现数据传输与通信，智能手机对便携式检测终端的控制，并将样品光谱数据上传至智能手机。云平台接收到手机端上传的光谱信息后会根据指定模型类型进行分析，并将分析结果反馈至手机端显示，实现玉米样品的现场快速分析。
具体的，首先需要构建定量分析模型，并将模型上传至云服务器，供光谱分析使用。本实施例中以350个玉米样品为例(使用前，需除杂质后粉碎过40目筛)，使用便携式光谱仪获取样品光谱信息，具体扫描参数为：光谱扫描范围为900-1700nm，光谱平均次数为50次，曝光时间为0.635ms，每个样品重复扫描3次，玉米样品光谱图如图2所示。
然后，通过国家标准方法测定玉米样品粗蛋白(GB/T 6432-2018)、淀粉(GB5009.9-2016)和伏马毒素(GB 5009.240-2016)的含量，以测定值作为参考值。
使用浓度梯度方法，将测定的350个玉米样品的近红外光谱分为校正集和验证集(按照3:1的比例分配)，其中，校正集数据用于构建定量分析模型，验证集用来对定量分析模型进行评价。
对玉米样品近红外光谱进行标准正态变量变换，平滑和一阶导数预处理，将经过上述光谱预处理后的校正集中的玉米样品的近红外光谱分别与该玉米样品测定的粗蛋白、淀粉和伏马毒素的含量，基于PLS算法分别构建各指标的定量分析模型，采用留一交互验证的方式选取最佳潜变量数。
以上数据处理均在Matlab 2014a(MathWorks,美国)和PLS-toolbox 8.0(Eigenvector Research,美国)中完成。结果如图3所示，其中，粗蛋白、淀粉和伏马毒素的校正集决定系数和校正集均方根误差分别为0.88和0.37％、0.70和0.98％、0.80和18642.00μg/kg，并通过交互验证和外部验证证明了模型的稳定性，将上述获得的各指标的定量分析模型导出保存为.mat文件，然后分类并上传至云服务器指定的目录下。
然后打开便携式近红外光谱仪开关，将光谱仪与手机通过蓝牙进行链接，启动手机APP，输入用户名和密码，获取云端数据库使用权限。
登录后先设置光谱仪参比扫描参数，将参比板置于光谱仪检测窗口，并将重置参比按钮调整至“ON”，然后点击扫描按钮重置参比，最后通过预测类型下拉选择框，选择要使用的分析模型类型。
将待测样品置于扫描窗口，在样品编号窗口中对样品进行命名，点击扫描预测按钮获取样品光谱信息，等待光谱上传至云服务器进行光谱预测分析。
云服务器接收到光谱后会按照用户指定的模型类型进行分析，并将光谱分析结果反馈至手机端显示，用户可在手机端查看分析结果。
以上实施例只为说明本发明的技术方案和特点，通过上述方案可实现玉米品质与伏马毒素污染的现场快速分析，对保障粮食安全具有重要意义。
Claims (4)
1.利用基于云平台的玉米品质和伏马毒素污染现场同步快速分析系统对玉米品质和伏马毒素污染现场同步快速检测的方法，包括如下步骤：
步骤1：将待分析的玉米样品粉碎，放置室温条件备用；
步骤2：基于Matlab和PLS Toolbox 构建定量分析模型，将定量分析模型保存为.mat文件，然后分类并上传至云服务器指定的目录下；
步骤3：打开便携式近红外光谱仪开关，将光谱仪与智能手机通过蓝牙进行链接，启动手机APP，输入用户名和密码，获取云端数据库使用权限；
步骤4：登录后先设置光谱仪参比扫描参数，将参比板置于光谱仪检测窗口，并将重置参比按钮调整至“ON”，然后点击扫描按钮重置参比，最后通过预测类型下拉选择框，选择要使用的分析模型类别；
步骤5：将待测样品置于扫描窗口，在样品编号窗口中对样品进行命名，点击扫描预测按钮获取样品光谱信息，等待光谱上传至云服务器进行光谱预测分析；
步骤6：云服务器接收到光谱后会按照用户指定的模型类型进行分析，并将光谱分析结果反馈至手机端，点击查看报告按钮，获取样品预测结果；
所述步骤1中，所述玉米样品应去除杂质后粉碎过40目筛；
所述步骤2中，所述定量分析模型为基于Matlab平台和PLS Toolbox构建的偏最小二乘定量分析模型；
所述偏最小二乘定量分析模型的构建步骤包括：
(a) 使用便携式近红外光谱仪扫描获取粉碎后玉米样品的近红外光谱；
(b) 参考国家标准方法，测定玉米样品的粗蛋白、淀粉和伏马毒素的含量；
(c) 使用K-stone、浓度梯度法或随机分集方法，将玉米样品近红外光谱分为校正集和验证集，其中，校正集数据用于构建定量分析模型，验证集用来对定量分析模型定标模型进行评价；
(d) 对玉米样品近红外光谱进行光谱预处理；
(e) 剔除出异常样品，将步骤（d）处理后的校正集中玉米样品的近红外光谱数据分别与该玉米样品测定的粗蛋白、淀粉和伏马毒素的含量，使用PLS算法构建定量分析模型，采用留一交互验证的方式选取最佳潜变量数；
(f) 使用步骤(e)中构建的定量分析模型对所述验证集进行预测，对比预测值与真实值，计算预测均方根误差，对模型进行评价；
所述步骤（a）中使用便携式近红外光谱仪的扫描参数为：光谱扫描范围为900-1700nm，光谱平均次数为50次，曝光时间为0.635 ms；
所述步骤（d）中所述光谱预处理的方法依次为标准正态变量变换、平滑和导数；
所述基于云平台的玉米品质和伏马毒素污染现场同步快速分析系统包括：便携式检测终端、智能手机控制模块和数据处理云平台；
所述便携式检测终端包括：光谱采集模块、蓝牙模块、电源和控制模块；
所述便携式检测终端与智能手机控制模块通过蓝牙链接，进行数据传输与通信，进而实现智能手机对便携式检测终端的控制，并将样品光谱数据上传至智能手机；
所述数据处理云平台兼顾数据运算和存储功能，智能手机通过网络与数据处理云平台实现数据传输；
所述便携式检测终端中的光谱采集模块为便携式近红外光谱仪；
所述智能手机对便携式检测终端的控制，包括：光谱仪扫描参数设置、参比光谱更新、样品光谱获取、分析模型选择；
所述数据处理云平台搭载多个分析模型；
所述数据处理云平台所搭载模型为基于Matlab平台和PLS Toolbox构建的定量分析模型，模型数量根据所需测定指标个数确定。
2.根据权利要求1所述的方法，其特征在于：所述步骤4中，所述光谱仪参比扫描参数设置包括曝光时间和光谱重复次数。
3.根据权利要求1所述的方法，其特征在于：所述智能手机控制模块一方面通过蓝牙模块中的蓝牙检索和蓝牙配对功能与便携式检测终端进行通讯；另一方面通过网络链接与数据处理云平台实现数据传输，将便携式检测终端采集的样品光谱数据上传至数据处理云平台，并发送数据分析请求；
所述智能手机控制模块还具有设定用户权限，选择分析模型，接收并显示数据分析结果的功能。
4.根据权利要求1所述的方法，其特征在于：智能手机与数据处理云平台的网络链接方式为Internet网络或者GPRS通信。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111419728.4A CN114112988B (zh) | 2021-11-26 | 2021-11-26 | 一种基于云平台的玉米品质和伏马毒素污染现场同步快速分析系统及检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111419728.4A CN114112988B (zh) | 2021-11-26 | 2021-11-26 | 一种基于云平台的玉米品质和伏马毒素污染现场同步快速分析系统及检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114112988A CN114112988A (zh) | 2022-03-01 |
| CN114112988B true CN114112988B (zh) | 2024-05-24 |
Family
ID=80369986
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111419728.4A Active CN114112988B (zh) | 2021-11-26 | 2021-11-26 | 一种基于云平台的玉米品质和伏马毒素污染现场同步快速分析系统及检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114112988B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103575694A (zh) * | 2013-11-11 | 2014-02-12 | 东北农业大学 | 一种基于近红外光谱技术的稻谷黄曲霉毒素b1 快速检测方法 |
| CN105973837A (zh) * | 2016-05-13 | 2016-09-28 | 深圳市比特原子科技有限公司 | 一种有机物的检测方法及其系统 |
| CN106932360A (zh) * | 2017-03-07 | 2017-07-07 | 北京工商大学 | 便携式近红外光谱食品快速检测与建模一体化系统和方法 |
| CN108107019A (zh) * | 2017-12-15 | 2018-06-01 | 暨南大学 | 一种基于近红外光谱法快速检测玉米中杂色曲菌素含量的方法 |
| CN108663339A (zh) * | 2018-05-15 | 2018-10-16 | 南京财经大学 | 基于光谱和图像信息融合的霉变玉米在线检测方法 |
| CN110007042A (zh) * | 2019-04-25 | 2019-07-12 | 江苏省农业科学院 | 谷物伏马毒素及其衍生物的检测方法 |
-
2021
- 2021-11-26 CN CN202111419728.4A patent/CN114112988B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103575694A (zh) * | 2013-11-11 | 2014-02-12 | 东北农业大学 | 一种基于近红外光谱技术的稻谷黄曲霉毒素b1 快速检测方法 |
| CN105973837A (zh) * | 2016-05-13 | 2016-09-28 | 深圳市比特原子科技有限公司 | 一种有机物的检测方法及其系统 |
| CN106932360A (zh) * | 2017-03-07 | 2017-07-07 | 北京工商大学 | 便携式近红外光谱食品快速检测与建模一体化系统和方法 |
| CN108107019A (zh) * | 2017-12-15 | 2018-06-01 | 暨南大学 | 一种基于近红外光谱法快速检测玉米中杂色曲菌素含量的方法 |
| CN108663339A (zh) * | 2018-05-15 | 2018-10-16 | 南京财经大学 | 基于光谱和图像信息融合的霉变玉米在线检测方法 |
| CN110007042A (zh) * | 2019-04-25 | 2019-07-12 | 江苏省农业科学院 | 谷物伏马毒素及其衍生物的检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114112988A (zh) | 2022-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108037081B (zh) | 一种酿酒葡萄成熟度监测方法和系统 | |
| CN110411957B (zh) | 水果货架期及新鲜程度的无损快速预测方法及装置 | |
| CN103293111B (zh) | 一种土壤背景干扰下小麦叶层氮含量光谱监测模型及建模方法 | |
| CN108872143A (zh) | 一种基于近红外光谱的小麦感染赤霉病等级检测方法 | |
| US20120203510A1 (en) | Spectral analysis operating system | |
| CN101769866B (zh) | 一种牛奶成分的检测装置和方法 | |
| CN105445218B (zh) | 中红外光谱油菜籽蛋白质含量检测自适应模型的建立方法 | |
| CN106092959A (zh) | 一种基于云平台的近红外食品质量监测系统 | |
| CN107764976B (zh) | 土壤氮素快速诊断方法及在线监测系统 | |
| CN103237078A (zh) | 近红外食品安全鉴别系统 | |
| CN106841083A (zh) | 基于近红外光谱技术的芝麻油品质检测方法 | |
| CN109724940A (zh) | 利用近红外光谱仪检测酒糟成分含量的方法及系统 | |
| CN114783539B (zh) | 一种基于光谱聚类的中药成分分析方法及系统 | |
| CN111398198A (zh) | 一种小麦籽粒微量元素快速无损检测方法 | |
| CN113607669A (zh) | 一种基于迁移学习的土壤养分光谱检测方法 | |
| CN109540837A (zh) | 近红外快速检测苎麻叶片木质纤维素含量的方法 | |
| CN112945901A (zh) | 一种基于近红外光谱的青贮大豆品质检测方法 | |
| CN114112988B (zh) | 一种基于云平台的玉米品质和伏马毒素污染现场同步快速分析系统及检测方法 | |
| CN103487398B (zh) | 一种赖氨酸发酵液的分析方法 | |
| CN115824996A (zh) | 基于近红外光谱的烟叶常规化学成分通用模型建模方法 | |
| CN108562555A (zh) | 基于微型近红外光谱仪的小麦粉品质在线检测系统 | |
| CN111289459B (zh) | 混合物质组分浓度检测方法、装置、设备及存储介质 | |
| CN205506679U (zh) | 一种便携式近红外光谱检测系统 | |
| CN103743697A (zh) | 一种采用近红外光谱实现茶叶生产实时监测的方法 | |
| CN107300535A (zh) | 近红外快速检测有机肥有效成分含量的方法 |
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 |