CN109614714A - 一种发酵乳香气感官质量控制的模型建立方法 - Google Patents
一种发酵乳香气感官质量控制的模型建立方法 Download PDFInfo
- Publication number
- CN109614714A CN109614714A CN201811524377.1A CN201811524377A CN109614714A CN 109614714 A CN109614714 A CN 109614714A CN 201811524377 A CN201811524377 A CN 201811524377A CN 109614714 A CN109614714 A CN 109614714A
- Authority
- CN
- China
- Prior art keywords
- acidified milk
- model
- variable
- electronic nose
- tree
- 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
- 235000020167 acidified milk Nutrition 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000003205 fragrance Substances 0.000 title claims abstract description 19
- 238000003908 quality control method Methods 0.000 title claims abstract description 13
- 238000007637 random forest analysis Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000005516 engineering process Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 5
- 239000008267 milk Substances 0.000 claims description 5
- 235000013336 milk Nutrition 0.000 claims description 5
- 210000004080 milk Anatomy 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 238000009966 trimming Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000007418 data mining Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 235000015141 kefir Nutrition 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 8
- 230000001953 sensory effect Effects 0.000 abstract description 6
- 238000001303 quality assessment method Methods 0.000 abstract description 4
- 238000011160 research Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 3
- 238000011002 quantification Methods 0.000 abstract description 3
- 235000013365 dairy product Nutrition 0.000 abstract description 2
- 238000013461 design Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 10
- 235000013305 food Nutrition 0.000 description 7
- 238000012795 verification Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 2
- 210000000697 sensory organ Anatomy 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 241000717739 Boswellia sacra Species 0.000 description 1
- 239000004863 Frankincense Substances 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 239000006071 cream Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000003989 dielectric material Substances 0.000 description 1
- 235000021001 fermented dairy product Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002906 microbiologic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 235000013618 yogurt Nutrition 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种发酵乳香气感官质量控制的模型建立方法,其特征在于,采用电子鼻技术,以发酵乳的合格品和不合格品作为研究载体。本发明提供的是一种发酵乳香气感官质量控制的模型设计方法,该方法是发明人基于指纹图谱技术的应用,结合随机森林方法用于发酵乳香气感官质量控制模型的构建过程。以发酵乳的合格样品和不合格样品的电子鼻检测结果作为研究对象,建立了发酵乳香气感官质量控制模型。相比传统的人工感官评价方法,该模型大大提高了感官质量评价的效率,同时具有较高的可靠性,解决了人工感官评价主观性强、重现性差、量化困难等缺点。实现了发酵乳感官质量评价的客观化、***化,为乳品企业在产品品质控制方法方面提供了参考方法。
Description
技术领域
本发明涉及一种建立发酵乳香气感官质量控制模型的方法,属于发酵乳香气感官质量控制领域。
背景技术
随着发酵乳市场的扩大,人们对发酵乳的要求越来越高,因而提升发酵乳品质已成为食品生产者所关注的重点问题。发酵乳的品质主要包括卫生与安全性、营养价值和感官性状,其中发酵乳香气感官质量的好坏对产品有极大的影响。
检测食品感官品质并控制其质量达到相应标准是食品工业在生产过程中非常重要的一个环节。另外,从产品品质要求来说,根据发酵乳的国家标准《GB19302-2010发酵乳》,发酵乳应在感官指标、理化指标和微生物指标三方面达到一定的要求,方便通过特定的检测方法进行测定。
目前,发酵乳感官质量控制主要依赖于人工感官评价,通常由感官评定人员运用感官分析法对样品进行一系列的评价,是一种对客观情况进行主观判断的分析方法,存在主观性强、重现性差、量化困难等明显的缺点和不足,远未实现客观化、***化和细节化。国家已经开始重视食品产品的感官质量控制,颁布了《GB/T 29605-2013感官分析食品感官质量控制导则》指导食品企业进行产品的感官质量控制,然而由于导则针对所有食品,只能提出宽泛的总体要求,感官评价方法及体系主观性强、重现性差的局限性依然存在,企业应用的现状及前景不容乐观。
为了解决上述问题,人们一直在寻求用物理化学方法来代替传统的感官分析方法,并且已经取得了一定的进展。其中,指纹图谱分析技术正是近十年来针对于复杂介质和含协同作用的样品而发展起来的新技术。指纹图谱技术可以应用气相色谱仪、液相色谱仪、质谱仪,电子鼻等不同的仪器分析手段对样品的香气成分进行分析,分析的结果应用化学计量学、统计学、应用数学等计算方法,建立样品的香气指纹谱库。该方法可以稳定、真实、全面地反映分析对象个性和特征,具有专属性、可量化性、稳定性、重现性等特征,可以作为鉴别发酵乳制品优劣的依据。
然而,目前基于指纹图谱分析技术的感官质量控制主要限于实验室的探索应用研究阶段,在实际生产领域的应用并不普及。这其中的原因有仪器本身价格过高、性能不足等客观问题。更重要的是,相关完善、***的研究报道还较少,基于指纹谱库建立评价的指标没有确定到可以操作的程度,导致在实际生产中没有合适的标准可以参照执行。
发明内容
本发明的目的是:基于指纹图谱技术,采用电子鼻技术,以发酵乳的合格样品和不合格样品为研究载体,建立发酵乳香气感官质量控制模型,并对模型准确度进行验证,为发酵乳生产过程中的感官质量控制提供参考方法。
为了达到上述目的,本发明的技术方案是提供了一种发酵乳香气感官质量控制的模型建立方法,其特征在于,采用电子鼻技术,以发酵乳的合格品和不合格品作为研究载体,包括以下步骤:
步骤1、获取合格发酵乳样品和不合格发酵乳样品的电子鼻传感器响应值数据,构成原始训练集;
步骤2、确定用于建模的关键参数,该关键参数包括筛选出M个原始变量、随机***变量mtry、误差率以及随机森林ntree,M个原始变量为对电子鼻所有传感器进行变量筛选后得到的对感官质量结果具有累积贡献率的特征变量;
步骤3、采用随机森林法建立模型,包括以下步骤:
步骤301、使用Bagging方法从原始训练集的N个样本中提取m个样本构建一个独立训练集;
步骤302、从没有修剪回归树的每个单独训练集生成树,包括以下步骤:
有M个原始变量,正整数mtry满足mtry<M,在每个内部节点处,mtry变量被随机提取为候选变量,用于从M个原始变量中进行节点***,整个森林建设过程中整数mtry没有变化,从mtry候选变量拆分的方法是拆分节点,每棵树都能在没有修剪的情况下增加生长;
步骤303、重复步骤301及步骤302,直到产生ntree个分类回归树;
步骤4、模型的验证
对发酵乳的合格样品和不合格样品进行电子鼻检测,并将确定的电子鼻传感器响应值输入步骤3建立的模型,模型对合格样品和不合格样品进行分类时,根据所有构造的树分类器的预测结果确定输出结果,根据输出结果进行模型的验证分析。
优选地,步骤1中,采用Fox4000电子鼻***获取合格发酵乳样品和不合格发酵乳样品的电子鼻传感器响应值数据,则步骤2中,筛选M个原始变量时,根据特征贡献方法分析电子鼻所有传感器中每个变量的重要性,用于在数据探索期间移除最小及无效的信息,选择T40/1、TA/2、LY2/LG、LY2/GH和LY2/gCT五个传感器用于构建模型。
优选地,步骤2中,所述随机***变量mtry确定为1,所述随机森林ntree在600~1000的范围内取任一值。
本发明提供的是一种发酵乳香气感官质量控制的模型设计方法,该方法是发明人基于指纹图谱技术的应用,结合随机森林方法用于发酵乳香气感官质量控制模型的构建过程。以发酵乳的合格样品和不合格样品的电子鼻检测结果作为研究对象,将建模过程中变量筛选、随机***变量mtry、误差率以及随机森林ntree作为关键建模参数,建立了发酵乳香气感官质量控制模型。相比传统的人工感官评价方法,该模型大大提高了感官质量评价的效率,同时具有较高的可靠性,解决了人工感官评价主观性强、重现性差、量化困难等缺点。实现了发酵乳感官质量评价的客观化、***化,为乳品企业在产品品质控制方法方面提供了参考方法。
附图说明
图1为实施例1发酵乳电子鼻传感器贡献率;
图2为实施例1不同随机***变量的模型准确率;
图3为实施例1随机森林法不同ntree的模型误差;
图4为实施例2发酵乳电子鼻传感器贡献率;
图5为实施例2不同随机***变量的模型准确率;
图6为实施例2随机森林法不同ntree的模型误差;
图7为实施例3发酵乳电子鼻传感器贡献率;
图8为实施例3不同随机***变量的模型准确率;
图9为实施例3随机森林法不同ntree的模型误差。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
实施例1:
(1)发酵乳样品的采集:
从上海一家乳品厂收集了270个同一类别的发酵乳样品,共10个不同批次,其中包括200个合格样品和70个不合格样品。
(2)发酵乳合格样品与不合格样品的电子鼻传感器响应值采集:
使用Fox4000电子鼻***(Alpha MOS,Toulouse,France)分析酸奶样品。分别称取发酵乳样品各4份,每份2g。顶空产生参数:温度50℃,时间420s,样品盒震荡速度:500r/min;顶空注射参数:注射体积2200μL,注射速度2200μL/s,注射温度60℃;采集时间120s,每份样品重复采集五次。然后对每个样品的五次重复测量并取平均值用于进一步分析。
(3)确定关键建模参数
通过文献分析确定关键建模参数主要包括变量筛选、随机***变量mtry、误差率以及随机森林ntree。其中,为了消除过度数据噪声导致的算法性能不佳,对电子鼻18个传感器进行变量筛选,使用对感官质量结果具有累积贡献率的特征变量来作为构建模型。通过计算获得每个传感器的贡献率,直到累积贡献率超过85%,结果如图1所示。由图可得,特征变量为T40/1、TA/2、LY2/LG、LY2/GH和LY2/gCT五个传感器;为了提高模型的准确性,需要减少mtry的数量,以此增加每棵树的强度,结果如图2。由图可得,mtry=1时,模型的解释率最高;随着随机森林ntree的增加,随机森林模型可以泛化误差值的限制,减少模型误差,结果如图3。如图所示,ntree在600~1000的范围内,模型误差保持平滑,为了保证模型的准确度,选择ntree=1000进行模型构建。
(4)模型的建立
(4.1)使用Bagging方法构建了一个独立的训练集。每个训练集从原始训练集的260个样本中提取m个样本。
(4.2)以下过程用于从没有修剪回归树的每个单独训练集生成树。共5个原始变量,正整数mtry=1。在每个内部节点处,mtry变量被随机提取为候选变量,用于从5个原始变量中进行节点***。整个森林建设过程中整数mtry没有变化。从mtry候选变量拆分的最佳方法是拆分节点。每棵树都能在没有修剪的情况下增加生长。
(4.3)重复(4.1)和(4.2),直到产生ntree=1000个分类回归树。在对未知样本进行分类时,根据所有构造的树分类器的预测结果确定输出结果。
(5)模型的验证
使用步骤(2)的方法对发酵乳的40个合格样品和30个不合格样品进行电子鼻检测,并将步骤(3)中确定的电子鼻传感器响应值输入本发明建立的模型,进行模型的验证分析,分析结果如表1。根据表中结果可以看出,本发明所建立的模型可以准确的将发酵乳香气质量的合格样品和不合格样品区分开,判别准确度达到了100%。
表1实施例1模型验证结果
实施例2:
(1)从上海一家乳品厂收集了150个同一类别的发酵乳样品,共5个不同批次,其中包括100个合格样品和50个不合格样品。
(2)同实施例1所用电子鼻检测方法收集样品的传感器响应值数据,并按照前述实施例1中累积贡献率方法确定特征变量,结果如图4所示,由图4可知,累积贡献率达到85%以上时,贡献率较高的传感器与实施例1相同,因此将T40/1、TA/2、LY2/LG、LY2/GH和LY2/gCT五个传感器作为特征变量,并利用随机森林方法进行建模。模型在不同随机***变量时的模型准确率如图5所示,因此选择mtry=1作为建模参数构建模型;所建模型随着随机森林ntree的增加,随机森林模型可以泛化误差值的限制,减少模型误差,结果如图6。如图所示,ntree仍然是在600~1000的范围内时,模型误差保持平滑,为了保证模型的准确度,选择ntree=1000进行模型构建。
(3)选择30个合格样品和20个不合格样品的检测数据对模型的判别效果进行验证分析,验证结果如表2所示。
表2实施例2模型验证结果
实施例3:
(1)从上海一家乳品厂收集了210个同一类别的发酵乳样品,共8个不同批次,其中包括150个合格样品和60个不合格样品。
(2)同实施例1所用电子鼻检测方法收集样品的传感器响应值数据,并按照前述实施例1中累积贡献率方法确定特征变量,结果如图7所示,由图7可知,累积贡献率达到85%以上时,贡献率较高的传感器与实施例1相同,因此将T40/1、TA/2、LY2/LG、LY2/GH和LY2/gCT五个传感器作为特征变量,并利用随机森林方法进行建模。模型在不同随机***变量时的模型准确率如图8所示,因此选择mtry=1作为建模参数构建模型;所建模型随着随机森林ntree的增加,随机森林模型可以泛化误差值的限制,减少模型误差,结果如图9。如图所示,ntree在800~1000的范围内时,模型误差保持平滑,为了保证模型的准确度,选择ntree=1000进行模型构建。
(3)最后选择30个合格样品和30个不合格样品的检测数据对模型的判别效果进行验证分析,验证结果如表3所示。
表3实施例3模型验证结果
Claims (3)
1.一种发酵乳香气感官质量控制的模型建立方法,其特征在于,采用电子鼻技术,以发酵乳的合格品和不合格品作为研究载体,包括以下步骤:
步骤1、获取合格发酵乳样品和不合格发酵乳样品的电子鼻传感器响应值数据,构成原始训练集;
步骤2、确定用于建模的关键参数,该关键参数包括筛选出M个原始变量、随机***变量mtry、误差率以及随机森林ntree,M个原始变量为对电子鼻所有传感器进行变量筛选后得到的对感官质量结果具有累积贡献率的特征变量;
步骤3、采用随机森林法建立模型,包括以下步骤:
步骤301、使用Bagging方法从原始训练集的N个样本中提取m个样本构建一个独立训练集;
步骤302、从没有修剪回归树的每个单独训练集生成树,包括以下步骤:
有M个原始变量,正整数mtry满足mtry<M,在每个内部节点处,mtry变量被随机提取为候选变量,用于从M个原始变量中进行节点***,整个森林建设过程中整数mtry没有变化,从mtry候选变量拆分的方法是拆分节点,每棵树都能在没有修剪的情况下增加生长;
步骤303、重复步骤301及步骤302,直到产生ntree个分类回归树;
步骤4、模型的验证
对发酵乳的合格样品和不合格样品进行电子鼻检测,并将确定的电子鼻传感器响应值输入步骤3建立的模型,模型对合格样品和不合格样品进行分类时,根据所有构造的树分类器的预测结果确定输出结果,根据输出结果进行模型的验证分析。
2.如权利要求1所述的一种发酵乳香气感官质量控制的模型建立方法,其特征在于:步骤1中,采用Fox4000电子鼻***获取合格发酵乳样品和不合格发酵乳样品的电子鼻传感器响应值数据,则步骤2中,筛选M个原始变量时,根据特征贡献方法分析电子鼻所有传感器中每个变量的重要性,用于在数据探索期间移除最小及无效的信息,选择T40/1、TA/2、LY2/LG、LY2/GH和LY2/gCT五个传感器用于构建模型。
3.如权利要求1所述的一种发酵乳香气感官质量控制的模型建立方法,其特征在于:步骤2中,所述随机***变量mtry确定为1,所述随机森林ntree在600~1000的范围内取任一值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811524377.1A CN109614714A (zh) | 2018-12-13 | 2018-12-13 | 一种发酵乳香气感官质量控制的模型建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811524377.1A CN109614714A (zh) | 2018-12-13 | 2018-12-13 | 一种发酵乳香气感官质量控制的模型建立方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109614714A true CN109614714A (zh) | 2019-04-12 |
Family
ID=66008513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811524377.1A Pending CN109614714A (zh) | 2018-12-13 | 2018-12-13 | 一种发酵乳香气感官质量控制的模型建立方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109614714A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949984A (zh) * | 2021-02-01 | 2021-06-11 | 中国水产科学研究院南海水产研究所 | 一种基于气味可视化的梅香鱼发酵程度多维融合鉴别方法 |
CN113921092A (zh) * | 2021-10-08 | 2022-01-11 | 上海应用技术大学 | 一种快速筛查生鲜乳中中和酸类物质的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101793886A (zh) * | 2010-03-24 | 2010-08-04 | 北京林业大学 | 一种基于bp神经网络预测发酵酸乳感官评定方法 |
CN106501470A (zh) * | 2016-11-23 | 2017-03-15 | 广东嘉豪食品有限公司 | 利用味觉***与电子鼻联合评价芥辣酱风味等级的方法 |
CN106529584A (zh) * | 2016-10-25 | 2017-03-22 | 福建农林大学 | 一种烤烟香型和品质判定的智能评价方法 |
CN107668107A (zh) * | 2017-09-06 | 2018-02-09 | 河南科技大学 | 肉制品煎烤熟度控制方法及肉制品煎烤设备 |
CN108287184A (zh) * | 2017-12-29 | 2018-07-17 | 东北电力大学 | 基于电子鼻的石蜡嗅味等级评定方法 |
-
2018
- 2018-12-13 CN CN201811524377.1A patent/CN109614714A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101793886A (zh) * | 2010-03-24 | 2010-08-04 | 北京林业大学 | 一种基于bp神经网络预测发酵酸乳感官评定方法 |
CN106529584A (zh) * | 2016-10-25 | 2017-03-22 | 福建农林大学 | 一种烤烟香型和品质判定的智能评价方法 |
CN106501470A (zh) * | 2016-11-23 | 2017-03-15 | 广东嘉豪食品有限公司 | 利用味觉***与电子鼻联合评价芥辣酱风味等级的方法 |
CN107668107A (zh) * | 2017-09-06 | 2018-02-09 | 河南科技大学 | 肉制品煎烤熟度控制方法及肉制品煎烤设备 |
CN108287184A (zh) * | 2017-12-29 | 2018-07-17 | 东北电力大学 | 基于电子鼻的石蜡嗅味等级评定方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949984A (zh) * | 2021-02-01 | 2021-06-11 | 中国水产科学研究院南海水产研究所 | 一种基于气味可视化的梅香鱼发酵程度多维融合鉴别方法 |
CN112949984B (zh) * | 2021-02-01 | 2021-10-26 | 中国水产科学研究院南海水产研究所 | 一种基于气味可视化的梅香鱼发酵程度多维融合鉴别方法 |
CN113921092A (zh) * | 2021-10-08 | 2022-01-11 | 上海应用技术大学 | 一种快速筛查生鲜乳中中和酸类物质的方法 |
CN113921092B (zh) * | 2021-10-08 | 2023-09-15 | 上海应用技术大学 | 一种快速筛查生鲜乳中中和酸类物质的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105300923B (zh) | 一种近红外光谱分析仪在线应用时无测点温度补偿模型修正方法 | |
Vitale et al. | A rapid and non-invasive method for authenticating the origin of pistachio samples by NIR spectroscopy and chemometrics | |
CN102879353B (zh) | 近红外检测花生中蛋白质组分含量的方法 | |
CN105044298B (zh) | 一种基于机器嗅觉的蟹类新鲜度等级检测方法 | |
CN106483166B (zh) | 一种基于介电谱技术快速检测牛乳脂肪含量的方法 | |
CN106248746B (zh) | 一种基于介电频谱技术的牛乳蛋白质含量快速检测方法 | |
CN102735642B (zh) | 一种快速无损鉴别初榨橄榄油和油橄榄果渣油的方法 | |
CN107817223A (zh) | 快速无损实时预测原油性质模型的构建方法及其应用 | |
CN107174258A (zh) | 血糖浓度预测方法 | |
CN106950192A (zh) | 一种基于近红外光谱分析技术的植物蛋白饮料中主要成分含量快速检测的方法 | |
CN108376295A (zh) | 一种油气甜点预测方法及存储介质 | |
CN106560691A (zh) | 具有深度学习功能的武夷岩茶产地鉴别方法 | |
CN103645155A (zh) | 生鲜羊肉嫩度的快速无损检测方法 | |
CN109211829A (zh) | 一种基于SiPLS的近红外光谱法测定大米中水分含量的方法 | |
JP6760663B2 (ja) | 試料解析装置および試料解析用プログラム | |
JP6212454B2 (ja) | チーズの熟成度指標推定方法、チーズの熟成度指標推定装置、コンピュータが実行可能なプログラム、及びプロセスチーズの製造方法 | |
CN106560699A (zh) | 用于武夷岩茶产地鉴别的联合检测方法 | |
CN107632010A (zh) | 一种结合激光诱导击穿光谱对钢铁样品的定量方法 | |
CN109614714A (zh) | 一种发酵乳香气感官质量控制的模型建立方法 | |
CN115993344A (zh) | 一种近红外光谱分析仪质量监测分析***及方法 | |
US11093869B2 (en) | Analytical system with iterative method of analyzing data in web-based data processor with results display designed for non-experts | |
CN105223140A (zh) | 同源物质的快速识别方法 | |
CN110672578A (zh) | 针对煎炸油极性组分检测的模型通用性及稳定性验证方法 | |
CN112651173B (zh) | 一种基于跨域光谱信息的农产品品质无损检测方法及可泛化*** | |
CN109961179A (zh) | 一种水产品品质检测方法及便携式拉曼装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190412 |