CN106501325A - 一种优化传感数据及模式识别对辐照食品的实时快检方法 - Google Patents
一种优化传感数据及模式识别对辐照食品的实时快检方法 Download PDFInfo
- Publication number
- CN106501325A CN106501325A CN201611031041.2A CN201611031041A CN106501325A CN 106501325 A CN106501325 A CN 106501325A CN 201611031041 A CN201611031041 A CN 201611031041A CN 106501325 A CN106501325 A CN 106501325A
- Authority
- CN
- China
- Prior art keywords
- detection
- food
- electronic nose
- pattern recognition
- detecting method
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/12—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body in dependence upon absorption of a fluid; of a solid body in dependence upon reaction with a fluid, for detecting components in the fluid
Landscapes
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明属于食品鉴别领域。本发明的目的是克服目前电子鼻在对富含蛋白质、碳水化合物食品进行辐照剂量分类鉴定时检测精度不高的缺点,提供了一种优化传感数据及模式识别对辐照食品的实时快检方法。该方法针对电子鼻检测***进行降维处理,降低了无关及非重要数据对本鉴别的干扰,对同一样品的鉴定,重复性高。适用于对辐照高蛋白、高碳水化合物食品的快速鉴别。
Description
技术领域
本发明属于食品鉴别领域,具体涉及采用电子鼻对辐照高蛋白、高碳水化合物食品的快速鉴别。
背景技术
食品辐照指利用原子能射线对食品物料进行照射,从而对食品进行杀虫、杀菌,可以有效地提高食品的卫生安全质量。但是,国际上要求辐照食品处理的剂量应适宜,特别是不能超过10KGy的常规安全辐照剂量,为了保护消费者的知情权,促进公平贸易,包括出口食品是否满足进口国要求、进口食品是否满足我国辐照食品卫生管理要求,以及相关食品企业是否会随意加减辐照剂量,我们有必要使用新的方法对末端辐照处理过的食品进行辐照与否及强度的判别和侦测,提高食品安全监测水平。
电子鼻是由一系列气敏传感器组成特殊阵列,模仿生物嗅觉***,对探测样品所产生的挥发性有机化合物(VOCs)进行提取、分析的仪器。不同于其它分析仪器,电子鼻将待鉴定样品作为一个整体进行分析,而不是类似于传统食品检测中分别化验样品中的单一项化学成分。这使得电子鼻在鉴定能造成食品发生复杂变化的处理时具有得天独厚的优势。一个典型的电子鼻分析***包括:电子鼻传感器阵列,电子鼻信号提取、传导软件以及模式识别算法。首先,待测样品的挥发性气体分子与传感器发生反应,造成传感器电阻变化,产生电信号,然后电信号经机内处理再由电子鼻内软件传导产生原始数据,最后利用模式识别算法实现对原始数据的处理,从而完成对样品的分类、鉴别。
电子鼻技术提供了一种快速准确的检测方法,由于不需要复杂的样品处理过程,该方法在食品检测中的应用越来越广泛。但目前国内缺乏利用电子鼻对富含蛋白质、碳水化合物食品进行辐照剂量分类鉴定的相关研究,并且,缺少合理有效的数据降维方法优化电子鼻的传感器阵列选择,提高最终的检测精度,使得电子鼻对辐照食品的鉴别在实际操作中有较大局限性。
发明内容
本发明的目的是克服目前电子鼻在对富含蛋白质、碳水化合物食品进行辐照剂量分类鉴定时检测精度不高的缺点,提供一种优化传感数据及模式识别对辐照食品的实时快检方法。
本发明解决其技术问题,采用的技术方案是,一种优化传感数据及模式识别对辐照食品的实时快检方法,其特征在于,包括以下步骤:
步骤1、将与欲检测的辐照高蛋白、高碳水化合物食品的正样品置于检测空间中,待其所发出的气体充满整个检测空间并达到平衡后,抽取检测空间中的气体进行电子鼻检测,并每秒记录一次电子鼻各传感器的响应值,且根据记录的响应值生成对应的响应曲线;
步骤2、选取电子鼻各传感器的响应曲线都较为平稳的一段,并取各响应曲线对应的平均值,作为原始处理数据;
步骤3、对各原始处理数据使用偏最小二乘回归进行计算其判定该样品辐照剂量的判定权重值,将各判定权重值由大至小进行排序,选择靠前的一定数量的判定权重值,从而选择出与这些一定数量的判定权重值对应的原始处理数据所对应的传感器,作为检测传感器;
步骤4、检测时,将欲检测的辐照高蛋白、高碳水化合物食品的样品置于检测空间中,待其所发出的气体充满整个检测空间并达到平衡后,抽取检测空间中的气体进行电子鼻检测,并每秒记录一次电子鼻各检测传感器的响应值,且根据记录的响应值生成对应的响应曲线;
步骤5、选取电子鼻各传感器的响应曲线都较为平稳的一段,并取各响应曲线对应的平均值,作为待处理数据,并从中选择出各检测传感器对应的待处理数据,作为检测数据;
步骤6、对获取到的检测数据进行电子鼻检测运算,对其进行辐照剂量的鉴定分类。
具体的,步骤1及步骤4中,所述检测空间为顶空瓶。
进一步的,步骤1中,将与欲检测的辐照高蛋白、高碳水化合物食品的正样品置于顶空瓶后,在室温中静置15分钟,从而可使其所发出的气体充满整个检测空间并达到平衡;
步骤4中,将欲检测的辐照高蛋白、高碳水化合物食品的样品置于顶空瓶后,在室温中静置15分钟,从而可使其所发出的气体充满整个检测空间并达到平衡。
具体的,步骤1及步骤4中,所述电子鼻检测中,其检测时间为120秒。
再进一步的,步骤1及步骤4中,所述抽取检测空间中的气体中,抽取速率为每分钟100毫升。
具体的,步骤1及步骤4中,所述电子鼻为含有食品常见相关气体化合物族类传感器的科研型常规电子鼻。
再进一步的,步骤2及步骤5中,所述选取电子鼻各传感器的响应曲线都较为平稳的一段,并取各响应曲线对应的平均值的方法为:采用平稳曲线5点平均数值法,获取各响应曲线中第88、89、90、91及92秒的响应值,分别对其取平均值,从而得到各响应曲线对应的平均值。
具体的,步骤3中,所述对各原始处理数据使用偏最小二乘回归进行计算其判定该样品辐照剂量的判定权重值的计算方法为:根据PLS法计算得到的变量投影重要性指标VIPj(Variable Importance for Projection,其中j表示第j个原始处理数据)值,作为判定权重值,其计算公式为:
其中,VIPj用于表示在解释因变量y时其作用的重要性,y指代辐照剂量,k为原始处理数据数,m为原始处理数据总数量,ch为相关原始处理数据中提取的主成分,r(y,ch)为y与ch的相关系数,表示ch对y的解释能力,whj为原始处理数据在主成分上的权重。
再进一步的,步骤3中,所述一定数量为5个。
具体的,步骤6中,所述对获取到的检测数据进行电子鼻检测运算,对其进行辐照剂量的鉴定分类的方法为:结合人工神经网络及其他相关智能分类算法,对获取到的检测数据进行运算,从而得到该食品的辐照剂量的鉴定分类。
本发明的有益效果是,在本发明方案中,通过上述一种优化传感数据及模式识别对辐照食品的实时快检方法,通过降维,可以在对食品的辐照剂量进行鉴定分类时,降低了无关及非重要数据对本鉴别的干扰,对同一样品的鉴定,重复性高,所得到的电子鼻图线趋于重合,对不同辐照剂量样品的分离性好,预测准确性高,且由于所需要处理的数据不再那么庞杂,能够实现快速检测鉴定。
具体实施方式
下面结合实施例,详细描述本发明的技术方案。
本发明的一种优化传感数据及模式识别对辐照食品的实时快检方法中,首先将与欲检测的辐照高蛋白、高碳水化合物食品的正样品置于检测空间中,待其所发出的气体充满整个检测空间并达到平衡后,抽取检测空间中的气体进行电子鼻检测,并每秒记录一次电子鼻各传感器的响应值,且根据记录的响应值生成对应的响应曲线,再选取电子鼻各传感器的响应曲线都较为平稳的一段,并取各响应曲线对应的平均值,作为原始处理数据,然后对各原始处理数据使用偏最小二乘回归进行计算其判定该样品辐照剂量的判定权重值,将各判定权重值由大至小进行排序,选择靠前的一定数量的判定权重值,从而选择出与这些一定数量的判定权重值对应的原始处理数据所对应的传感器,作为检测传感器,在检测时,将欲检测的辐照高蛋白、高碳水化合物食品的样品置于检测空间中,待其所发出的气体充满整个检测空间并达到平衡后,抽取检测空间中的气体进行电子鼻检测,并每秒记录一次电子鼻各检测传感器的响应值,且根据记录的响应值生成对应的响应曲线,然后选取电子鼻各传感器的响应曲线都较为平稳的一段,并取各响应曲线对应的平均值,作为待处理数据,并从中选择出各检测传感器对应的待处理数据,作为检测数据,最后对获取到的检测数据进行电子鼻检测运算,对其进行辐照剂量的鉴定分类。
实施例
本发明实施例中的一种优化传感数据及模式识别对辐照食品的实时快检方法,其具体包括以下步骤:
步骤1、将与欲检测的辐照高蛋白、高碳水化合物食品的正样品置于检测空间中,待其所发出的气体充满整个检测空间并达到平衡后,抽取检测空间中的气体进行电子鼻检测,并每秒记录一次电子鼻各传感器的响应值,且根据记录的响应值生成对应的响应曲线。
本步骤中,检测空间可以为顶空瓶,将与欲检测的辐照高蛋白、高碳水化合物食品的正样品置于顶空瓶后,在室温(25±1℃)中静置15分钟,从而可使其所发出的气体充满整个检测空间并达到平衡。电子鼻检测中,其检测时间优选为120秒。抽取检测空间中的气体中,抽取速率优选为每分钟100毫升。本例中,电子鼻优选为含有食品常见相关气体化合物族类传感器的科研型常规电子鼻。在生成了响应曲线以后,更换样品之前需要对检测空间进行清洗,其清洗时间一般为120秒,抽取空气的速率为每分钟300毫升。
步骤2、选取电子鼻各传感器的响应曲线都较为平稳的一段,并取各响应曲线对应的平均值,作为原始处理数据。
本步骤中,选取电子鼻各传感器的响应曲线都较为平稳的一段,并取各响应曲线对应的平均值的方法为:采用平稳曲线5点平均数值法,获取各响应曲线中第88、89、90、91及92秒的响应值(5点取样对应的时间点根据取反应平稳的图线而定,若对应的时间段内的电子响应信号不平稳则视为取样失败,需要回到步骤1重新检测),分别对其取平均值,从而得到各响应曲线对应的平均值。
步骤3、对各原始处理数据使用偏最小二乘回归进行计算其判定该样品辐照剂量的判定权重值,将各判定权重值由大至小进行排序,选择靠前的一定数量的判定权重值,从而选择出与这些一定数量的判定权重值对应的原始处理数据所对应的传感器,作为检测传感器。
本步骤中,对各原始处理数据使用偏最小二乘回归进行计算其判定该样品辐照剂量的判定权重值的计算方法为:根据PLS法计算得到的变量投影重要性指标VIPj(VariableImportance for Projection,其中j表示第j个原始处理数据)值,作为判定权重值,其计算公式为:
其中,VIPj用于表示在解释因变量y时其作用的重要性,y指代辐照剂量,k为原始处理数据数,m为原始处理数据总数量,ch为相关原始处理数据中提取的主成分,r(y,ch)为y与ch的相关系数,表示ch对y的解释能力,whj为原始处理数据在主成分上的权重。
另,由于一般电子鼻中具有10个传感器,为了将其减为5个传感器,因此这里将一定数量设定为5个,即将各传感器对应的VIPj值由大至小进行排序,选择靠前的5个VIPj值,从而选择出对应的5个传感器作为检测传感器。
本例中,本步骤的运算可由智能算法专业计算软件AOSPS 5.0进行。
步骤4、检测时,将欲检测的辐照高蛋白、高碳水化合物食品的样品置于检测空间中,待其所发出的气体充满整个检测空间并达到平衡后,抽取检测空间中的气体进行电子鼻检测,并每秒记录一次电子鼻各检测传感器的响应值,且根据记录的响应值生成对应的响应曲线。
本步骤与步骤1相对应,这样可保证检测鉴定结果的准确,步骤4与步骤1不同的地方仅在于步骤4中置于检测空间中的为样品,而非步骤1中的正样品。
步骤5、选取电子鼻各传感器的响应曲线都较为平稳的一段,并取各响应曲线对应的平均值,作为待处理数据,并从中选择出各检测传感器对应的待处理数据,作为检测数据。
本步骤与步骤2相对应,这样可保证检测鉴定结果的准确,步骤5与步骤2不同的地方在于步骤5中还需要选择出各检测传感器对应的待处理数据,作为检测数据。
步骤6、对获取到的检测数据进行电子鼻检测运算,对其进行辐照剂量的鉴定分类。
本步骤中,对获取到的检测数据进行电子鼻检测运算,对其进行辐照剂量的鉴定分类的方法为:结合人工神经网络及其他相关智能分类算法,对获取到的检测数据进行运算,从而得到该食品的辐照剂量的鉴定分类。本例中使用的BP神经网络方法及SVM支持向量机,此为现有技术,此处不再详述。
具体举例如下:
本例以电子鼻鉴定高蛋白含脂食品代表——卤汁豆腐干和以碳水化合物为主食品代表——柠檬酱为例,将由电子鼻采集的两种样品数据经步骤1、2处理后,具体解释电子鼻结合人工神经网络和智能分类算法的实际运用效能和机制。
其中,根据步骤1,2,将电子鼻原始数据导入AOSPS 5.0,进行运算,实现步骤3。确定下来的传感器阵列为:用于探测芳香族类的传感器W3C,用于探测氢键的传感器W6S,用于探测芳香脂类的传感器W5C,用于探测含硫化合物的传感器W1W,用于探测硫氯键的传感器W2W。
使用电子鼻结合SVM智能分类算法,对经剂量分别为2、4、6kGy的辐照柠檬酱鉴定、分类取得了92.7%的总精确度,对经剂量分别为4、6、8、10kGy的辐照卤汁豆腐干鉴定、分类测取得了85.7%的总精确度。
使用电子鼻结合BP神经网络算法,对经剂量分别为2、4、6kGy的辐照柠檬酱的鉴定、分类取得了94.6%的总精确度,对经剂量分别为4、6、8、10kGy的辐照卤汁豆腐干的鉴定、分类取得了88.5%的总精确度。
使用电子鼻结合DT决策树算法,对经剂量分别为2、4、6kGy的辐照柠檬酱的鉴定、分类取得了91.9%的总精确度,对经剂量分别为4、6、8、10kGy的辐照卤汁豆腐干的鉴定、分类取得了83.5%的总精确度。
Claims (10)
1.一种优化传感数据及模式识别对辐照食品的实时快检方法,其特征在于,包括以下步骤:
步骤1、将与欲检测的辐照高蛋白、高碳水化合物食品的正样品置于检测空间中,待其所发出的气体充满整个检测空间并达到平衡后,抽取检测空间中的气体进行电子鼻检测,并每秒记录一次电子鼻各传感器的响应值,且根据记录的响应值生成对应的响应曲线;
步骤2、选取电子鼻各传感器的响应曲线都较为平稳的一段,并取各响应曲线对应的平均值,作为原始处理数据;
步骤3、对各原始处理数据使用偏最小二乘回归进行计算其判定该样品辐照剂量的判定权重值,将各判定权重值由大至小进行排序,选择靠前的一定数量的判定权重值,从而选择出与这些一定数量的判定权重值对应的原始处理数据所对应的传感器,作为检测传感器;
步骤4、检测时,将欲检测的辐照高蛋白、高碳水化合物食品的样品置于检测空间中,待其所发出的气体充满整个检测空间并达到平衡后,抽取检测空间中的气体进行电子鼻检测,并每秒记录一次电子鼻各检测传感器的响应值,且根据记录的响应值生成对应的响应曲线;
步骤5、选取电子鼻各传感器的响应曲线都较为平稳的一段,并取各响应曲线对应的平均值,作为原始处理数据,并从中选择出各检测传感器对应的原始处理数据,作为检测数据;
步骤6、对获取到的检测数据进行电子鼻检测运算,对其进行辐照剂量的鉴定分类。
2.如权利要求1所述的一种优化传感数据及模式识别对辐照食品的实时快检方法,其特征在于,步骤1及步骤4中,所述检测空间为顶空瓶。
3.如权利要求2所述的一种优化传感数据及模式识别对辐照食品的实时快检方法,其特征在于,步骤1中,将与欲检测的辐照高蛋白、高碳水化合物食品的正样品置于顶空瓶后,在室温中静置15分钟,从而可使其所发出的气体充满整个检测空间并达到平衡;
步骤4中,将欲检测的辐照高蛋白、高碳水化合物食品的样品置于顶空瓶后,在室温中静置15分钟,从而可使其所发出的气体充满整个检测空间并达到平衡。
4.如权利要求3所述的一种优化传感数据及模式识别对辐照食品的实时快检方法,其特征在于,步骤1及步骤4中,所述电子鼻检测中,其检测时间为120秒。
5.如权利要求4所述的一种优化传感数据及模式识别对辐照食品的实时快检方法,其特征在于,步骤1及步骤4中,所述抽取检测空间中的气体中,抽取速率为每分钟100毫升。
6.如权利要求5所述的一种优化传感数据及模式识别对辐照食品的实时快检方法,其特征在于,步骤1及步骤4中,所述电子鼻为含有食品常见相关气体化合物族类传感器的科研型常规电子鼻。
7.如权利要求5所述的一种优化传感数据及模式识别对辐照食品的实时快检方法,其特征在于,步骤2及步骤5中,所述选取电子鼻各传感器的响应曲线都较为平稳的一段,并取各响应曲线对应的平均值的方法为:采用平稳曲线5点平均数值法,获取各响应曲线中第88、89、90、91及92秒的响应值,分别对其取平均值,从而得到各响应曲线对应的平均值。
8.如权利要求1或2或3或4或5或6或7所述的一种优化传感数据及模式识别对辐照食品的实时快检方法,其特征在于,步骤3中,所述对各原始处理数据使用偏最小二乘回归进行计算其判定该样品辐照剂量的判定权重值的计算方法为:根据PLS法计算得到的变量投影重要性指标VIPj值作为判定权重值,其中j表示第j个原始处理数据,其计算公式为:
其中,VIPj用于表示在解释因变量y时其作用的重要性,y指代辐照剂量,k为原始处理数据数,m为原始处理数据总数量,ch为相关原始处理数据中提取的主成分,r(y,ch)为y与ch的相关系数,表示ch对y的解释能力,whj为原始处理数据在主成分上的权重。
9.如权利要求8所述的一种优化传感数据及模式识别对辐照食品的实时快检方法,其特征在于,步骤3中,所述一定数量为5个。
10.如权利要求1所述的一种优化传感数据及模式识别对辐照食品的实时快检方法,其特征在于,步骤6中,所述对获取到的检测数据进行电子鼻检测运算,对其进行辐照剂量的鉴定分类的方法为:结合人工神经网络及其他相关智能分类算法,对获取到的检测数据进行运算,从而得到该食品的辐照剂量的鉴定分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611031041.2A CN106501325A (zh) | 2016-11-22 | 2016-11-22 | 一种优化传感数据及模式识别对辐照食品的实时快检方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611031041.2A CN106501325A (zh) | 2016-11-22 | 2016-11-22 | 一种优化传感数据及模式识别对辐照食品的实时快检方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106501325A true CN106501325A (zh) | 2017-03-15 |
Family
ID=58327785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611031041.2A Pending CN106501325A (zh) | 2016-11-22 | 2016-11-22 | 一种优化传感数据及模式识别对辐照食品的实时快检方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106501325A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107515204A (zh) * | 2017-10-19 | 2017-12-26 | 西华大学 | 利用nir对郫县豆瓣甜瓣子发酵成熟度的检测方法 |
CN107764793A (zh) * | 2017-10-19 | 2018-03-06 | 西华大学 | 电子鼻对郫县豆瓣制曲过程中米曲霉发酵情况的检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011237444A (ja) * | 2011-07-15 | 2011-11-24 | Takara Scale Co Ltd | 果菜類の非破壊品質評価装置及び非破壊品質評価方法 |
CN102692488A (zh) * | 2012-03-22 | 2012-09-26 | 浙江大学 | 基于电子鼻技术的金华火腿分级与鉴别方法 |
CN105092528A (zh) * | 2015-07-30 | 2015-11-25 | 浙江工商大学 | 一种通过理化指标和电子鼻技术鉴别蜂蜜品质的方法 |
CN105181761A (zh) * | 2015-08-26 | 2015-12-23 | 安徽农业大学 | 一种利用电子鼻快速鉴别茶叶辐照吸收剂量的方法 |
CN105784672A (zh) * | 2016-04-12 | 2016-07-20 | 河北伊诺光学科技股份有限公司 | 一种基于双树复小波算法的毒品检测仪标准化方法 |
CN105974058A (zh) * | 2016-05-01 | 2016-09-28 | 上海大学 | 基于电子鼻-人工神经网络的快速检测烟叶中钾含量的方法 |
-
2016
- 2016-11-22 CN CN201611031041.2A patent/CN106501325A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011237444A (ja) * | 2011-07-15 | 2011-11-24 | Takara Scale Co Ltd | 果菜類の非破壊品質評価装置及び非破壊品質評価方法 |
CN102692488A (zh) * | 2012-03-22 | 2012-09-26 | 浙江大学 | 基于电子鼻技术的金华火腿分级与鉴别方法 |
CN105092528A (zh) * | 2015-07-30 | 2015-11-25 | 浙江工商大学 | 一种通过理化指标和电子鼻技术鉴别蜂蜜品质的方法 |
CN105181761A (zh) * | 2015-08-26 | 2015-12-23 | 安徽农业大学 | 一种利用电子鼻快速鉴别茶叶辐照吸收剂量的方法 |
CN105784672A (zh) * | 2016-04-12 | 2016-07-20 | 河北伊诺光学科技股份有限公司 | 一种基于双树复小波算法的毒品检测仪标准化方法 |
CN105974058A (zh) * | 2016-05-01 | 2016-09-28 | 上海大学 | 基于电子鼻-人工神经网络的快速检测烟叶中钾含量的方法 |
Non-Patent Citations (2)
Title |
---|
罗莉: "<"60>Coγ辐照对保健食品品质影响的实验研究", 《万方中国学位论文全文数据库》 * |
陈斌主编: "《食品加工机械与设备》", 30 June 2004, 机械工业出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107515204A (zh) * | 2017-10-19 | 2017-12-26 | 西华大学 | 利用nir对郫县豆瓣甜瓣子发酵成熟度的检测方法 |
CN107764793A (zh) * | 2017-10-19 | 2018-03-06 | 西华大学 | 电子鼻对郫县豆瓣制曲过程中米曲霉发酵情况的检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sliwinska et al. | Food analysis using artificial senses | |
Wei et al. | Detecting internal quality of peanuts during storage using electronic nose responses combined with physicochemical methods | |
Wei et al. | Classification and prediction of rice wines with different marked ages by using a voltammetric electronic tongue | |
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 | |
CN100575950C (zh) | 一种水果成熟度预测方法 | |
Zhang et al. | ‘Sensory analysis’ of Chinese vinegars using an electronic nose | |
CN105954412B (zh) | 用于山核桃新鲜度检测的传感器阵列优化方法 | |
EP3044582A1 (en) | Method and electronic nose for comparing odors | |
CN103134850A (zh) | 一种基于特征香气的茶叶品质快速检测装置及检测方法 | |
Panagou et al. | Table olives volatile fingerprints: Potential of an electronic nose for quality discrimination | |
CN106706546A (zh) | 一种基于红外和拉曼光谱数据的人工智能学习物质分析方法 | |
CN105699437B (zh) | 一种基于电子鼻的不同新鲜度山核桃的快速无损区分方法 | |
CN105181761B (zh) | 一种利用电子鼻快速鉴别茶叶辐照吸收剂量的方法 | |
CN106568907A (zh) | 一种基于半监督鉴别投影的大闸蟹新鲜度无损检测方法 | |
CN106501325A (zh) | 一种优化传感数据及模式识别对辐照食品的实时快检方法 | |
CN108333300A (zh) | 用于鉴别玛咖产地的方法 | |
CN103487465A (zh) | 一种基于方差比的表征蜂蜜差异性智能嗅觉图谱特征提取方法 | |
CN109856344A (zh) | 一种食品安全抽样检测设备 | |
CN106770477A (zh) | 一种优化传感数据及模式识别对蜜源鉴别及掺假快检方法 | |
CN107764793A (zh) | 电子鼻对郫县豆瓣制曲过程中米曲霉发酵情况的检测方法 | |
CN105738422A (zh) | 一种基于电子鼻检测山核桃储藏时间的方法 | |
CN103487463A (zh) | 一种基于网格优化的支持向量机分类器参数选择的蜂蜜检测方法 | |
Lin et al. | Detection of acoustic velocity and electrical resistance tomographies for evaluation of peripheral-inner wood demarcation in urban royal palms | |
CN111624317A (zh) | 一种娃娃菜新鲜度判别的无损检测方法 | |
CN103499606A (zh) | 一种基于核主成分分析的表征蜂蜜差异性智能嗅觉图谱特征提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170315 |
|
RJ01 | Rejection of invention patent application after publication |