CN110954500A - 一种进口牛肉产地混合溯源方法及*** - Google Patents
一种进口牛肉产地混合溯源方法及*** Download PDFInfo
- Publication number
- CN110954500A CN110954500A CN201911141317.6A CN201911141317A CN110954500A CN 110954500 A CN110954500 A CN 110954500A CN 201911141317 A CN201911141317 A CN 201911141317A CN 110954500 A CN110954500 A CN 110954500A
- Authority
- CN
- China
- Prior art keywords
- data
- beef
- identification model
- sample
- model based
- 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.)
- Granted
Links
- 235000015278 beef Nutrition 0.000 title claims abstract description 455
- 238000000034 method Methods 0.000 title claims abstract description 95
- 150000001413 amino acids Chemical class 0.000 claims abstract description 150
- 239000002366 mineral element Substances 0.000 claims abstract description 125
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 119
- 238000001819 mass spectrum Methods 0.000 claims abstract description 97
- 238000012163 sequencing technique Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims description 54
- 238000001228 spectrum Methods 0.000 claims description 42
- 238000001035 drying Methods 0.000 claims description 23
- 230000008676 import Effects 0.000 claims description 23
- 238000004519 manufacturing process Methods 0.000 claims description 18
- 238000005238 degreasing Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000000227 grinding Methods 0.000 claims description 6
- 238000002156 mixing Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000010298 pulverizing process Methods 0.000 claims description 2
- 229910052757 nitrogen Inorganic materials 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 25
- 239000002689 soil Substances 0.000 description 20
- 235000013305 food Nutrition 0.000 description 15
- 239000011669 selenium Substances 0.000 description 14
- 239000000203 mixture Substances 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 12
- 241000196324 Embryophyta Species 0.000 description 10
- 230000000694 effects Effects 0.000 description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 10
- RTZKZFJDLAIYFH-UHFFFAOYSA-N Diethyl ether Chemical compound CCOCC RTZKZFJDLAIYFH-UHFFFAOYSA-N 0.000 description 8
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 description 8
- 239000000126 substance Substances 0.000 description 8
- 230000029087 digestion Effects 0.000 description 6
- 235000013372 meat Nutrition 0.000 description 6
- 230000003595 spectral effect Effects 0.000 description 6
- 235000013622 meat product Nutrition 0.000 description 5
- 239000000047 product Substances 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 241000283690 Bos taurus Species 0.000 description 4
- MHAJPDPJQMAIIY-UHFFFAOYSA-N Hydrogen peroxide Chemical compound OO MHAJPDPJQMAIIY-UHFFFAOYSA-N 0.000 description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 4
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 4
- 238000000862 absorption spectrum Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000002485 combustion reaction Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 239000003651 drinking water Substances 0.000 description 4
- 235000020188 drinking water Nutrition 0.000 description 4
- 235000019197 fats Nutrition 0.000 description 4
- 239000000706 filtrate Substances 0.000 description 4
- 229910052739 hydrogen Inorganic materials 0.000 description 4
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 4
- 230000007062 hydrolysis Effects 0.000 description 4
- 238000006460 hydrolysis reaction Methods 0.000 description 4
- 239000011259 mixed solution Substances 0.000 description 4
- 210000003205 muscle Anatomy 0.000 description 4
- 239000005416 organic matter Substances 0.000 description 4
- 239000003208 petroleum Substances 0.000 description 4
- 102000004169 proteins and genes Human genes 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000004949 mass spectrometry Methods 0.000 description 3
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 2
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 2
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 2
- 238000004497 NIR spectroscopy Methods 0.000 description 2
- GRYLNZFGIOXLOG-UHFFFAOYSA-N Nitric acid Chemical compound O[N+]([O-])=O GRYLNZFGIOXLOG-UHFFFAOYSA-N 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- BUGBHKTXTAQXES-UHFFFAOYSA-N Selenium Chemical compound [Se] BUGBHKTXTAQXES-UHFFFAOYSA-N 0.000 description 2
- 241001465385 Solandra grandiflora Species 0.000 description 2
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 2
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 239000011575 calcium Substances 0.000 description 2
- 229910052791 calcium Inorganic materials 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 239000000460 chlorine Substances 0.000 description 2
- 229910052801 chlorine Inorganic materials 0.000 description 2
- 229910052804 chromium Inorganic materials 0.000 description 2
- 239000011651 chromium Substances 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 235000019784 crude fat Nutrition 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007865 diluting Methods 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 238000010812 external standard method Methods 0.000 description 2
- 230000004720 fertilization Effects 0.000 description 2
- -1 foodstuff Substances 0.000 description 2
- 238000005194 fractionation Methods 0.000 description 2
- 125000000524 functional group Chemical group 0.000 description 2
- 239000010438 granite Substances 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 230000003301 hydrolyzing effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- PNDPGZBMCMUPRI-UHFFFAOYSA-N iodine Chemical compound II PNDPGZBMCMUPRI-UHFFFAOYSA-N 0.000 description 2
- 150000002500 ions Chemical class 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 230000000155 isotopic effect Effects 0.000 description 2
- 239000011777 magnesium Substances 0.000 description 2
- 229910052749 magnesium Inorganic materials 0.000 description 2
- WPBNNNQJVZRUHP-UHFFFAOYSA-L manganese(2+);methyl n-[[2-(methoxycarbonylcarbamothioylamino)phenyl]carbamothioyl]carbamate;n-[2-(sulfidocarbothioylamino)ethyl]carbamodithioate Chemical compound [Mn+2].[S-]C(=S)NCCNC([S-])=S.COC(=O)NC(=S)NC1=CC=CC=C1NC(=S)NC(=O)OC WPBNNNQJVZRUHP-UHFFFAOYSA-L 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 230000004060 metabolic process Effects 0.000 description 2
- 230000000813 microbial effect Effects 0.000 description 2
- 238000000120 microwave digestion Methods 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 229910017604 nitric acid Inorganic materials 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 230000035764 nutrition Effects 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 238000004062 sedimentation Methods 0.000 description 2
- 229910052711 selenium Inorganic materials 0.000 description 2
- 229910052708 sodium Inorganic materials 0.000 description 2
- 239000011734 sodium Substances 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000000087 stabilizing effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000004659 sterilization and disinfection Methods 0.000 description 2
- 239000011593 sulfur Substances 0.000 description 2
- 229910052717 sulfur Inorganic materials 0.000 description 2
- 239000011573 trace mineral Substances 0.000 description 2
- 235000013619 trace mineral Nutrition 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 239000011701 zinc Substances 0.000 description 2
- 229910052725 zinc Inorganic materials 0.000 description 2
- 208000035473 Communicable disease Diseases 0.000 description 1
- 208000007212 Foot-and-Mouth Disease Diseases 0.000 description 1
- 241000710198 Foot-and-mouth disease virus Species 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000002105 tongue Anatomy 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/286—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q involving mechanical work, e.g. chopping, disintegrating, compacting, homogenising
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/34—Purifying; Cleaning
-
- 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
- G01N27/62—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating the ionisation of gases, e.g. aerosols; by investigating electric discharges, e.g. emission of cathode
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
- G01N33/12—Meat; Fish
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/286—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q involving mechanical work, e.g. chopping, disintegrating, compacting, homogenising
- G01N2001/2866—Grinding or homogeneising
Landscapes
- Physics & Mathematics (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)
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Medicinal Chemistry (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Meat, Egg Or Seafood Products (AREA)
Abstract
本发明公开了一种进口牛肉产地混合溯源方法及***,其中溯源方法包括步骤:采集不同国家的牛肉样品,采集标准牛肉样品的δ13C、δ2H、δ15N、Se、Rb、Ti、Asp、Thr、Ser、Glu、Gly、Val、Ile、Leu、Tyr、Phe、Lys、His的值,训练生成基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型,并对各鉴别模型根据性能进行排序,综合四个鉴别模型的结果及排序位置判断进口牛肉的产地。本发明针对进口牛肉运输时间长、运输环境复杂等问题,提出了进口牛肉产地混合溯源的方法和***,提高了进口牛肉的溯源精度,同时适应了现有的进口牛肉使用范围广的需求。
Description
技术领域
本发明涉及产地溯源领域,具体涉及一种进口牛肉产地混合溯源方法及***。
背景技术
随着社会和经济的发展,经济全球化,运输条件愈加便利。食品市场的全球化使消费者更加关注食品的产地,与此同时,牛肉作为高附加值的肉类,标明牛肉产地的标签标识错误、标签造假、冒用地理标志所导致的牛肉食品安全事件也常见报端,增加了公众对食品原产地认定的关注。我国《商标法》(修订)规定,原产地证明商标受法律保护,食品安全是牛肉市场规则不可或缺的一部分,每一个市场参与者都应该尊法守法,注意食品安全。同时重视牛肉的食品安全是维护牛肉市场的正常秩序和公平竞争的需要、是维护消费者的利益的要求,是实现牛肉商品价值的需要。
除此之外,疯牛病、牛***等牛传染病的出现也会严重威胁牛肉产品的安全。当这些疫情爆发时,迅速准确地找到疫情源头并采取有效措施控制疫情的传播,有利于确保牛肉的食品安全、也有利于保障人们的身体健康。我国政府是人民意旨的执行者和人民利益的捍卫者,其宗旨是为人民服务,其原则是对人民负责,政府十分重视食品安全问题。牛肉作为市场流通性大的肉类,其食品安全问题关系到社会的各个方面,必须引起重视,防止出现食品安全事故。
目前,对牛肉的溯源多利用稳定同位素、近红外、电子舌和矿物元素等生物技术,以找出牛肉原产地,排查可能会出现病害的牛肉,预防食源性致病菌的传播。
公开号为CN109187130A的发明专利公开了一种基于矿物元素判别模型的牦牛肉溯源方法,其特征在于,包括:(1)采集牦牛肉样品,预处理,得到脱脂牦牛肉样品;(2)检测脱脂牦牛肉样品中矿物元素Se、Rb、Ti含量;(3)将上述矿物元素含量代入判别模型,根据计算结果,判断出牦牛肉样品的产地。
上述溯源方法虽然能对牛肉进行溯源,但其主要针对国内牛肉进行溯源,如牛肉出自河南县、大通县、或碌曲县等,而不能对进口牛肉进行溯源。随着经济社会的发展,越来越多的牛肉依靠进口,且进口牛肉覆盖范围广,当出现疯牛病等时,其影响更大。且进口牛肉的特性与国内牛肉完全不同,因此现有的针对国内牛肉的溯源方法不适用于进口牛肉。此外,现有的牛肉溯源方法都是采用单一的生物技术进行溯源,溯源精度低。因此,如何为进口牛肉提供有效的溯源是本领域亟待解决的问题。
发明内容
本发明的目的是针对现有技术的缺陷,提供了一种进口牛肉产地混合溯源方法及***。生成基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型,综合四个鉴别模型的结果及排序位置判断进口牛肉的产地。本发明针对进口牛肉运输时间长、运输环境复杂等问题,提出了进口牛肉产地混合溯源的方法和***,提高了进口牛肉的溯源精度,同时适应了现有的进口牛肉使用范围广的需求。
为了实现以上目的,本发明采用以下技术方案:
一种进口牛肉产地混合溯源方法,包括步骤:
S1、采集不同国家的牛肉样品,对牛肉样品进行粉碎、干燥、脱脂处理,脱脂完成后,对牛肉样本进行研磨,利用固定大小的筛板进行过滤,再次进行干燥,得到标准的进口牛肉样品;
S2、利用红外光谱仪采集所述标准的进口牛肉样品近红外光谱,所采集扫描的波数范围是8000-5000cm-1,分辨率为4cm-1,扫描的温度维持在25℃、湿度控制在保持稳定,每个样本的光谱扫描三次,对三次所采集的光谱数据求取平均值得到每个进口牛肉样本的光谱数据;根据牛肉样品近红外光谱的方差及标准差,剔除奇异点样本,得到最终的进口牛肉样品近红外光谱数据;
S3、利用同位素比率质谱仪检测所述标准的进口牛肉样品中δ13C、δ2H、δ15N的值,每个样本利用同位素比率质谱仪检测三次,对三次所采集的同位素质谱数据求取平均值得到每个进口牛肉样本的同位素质谱数据;根据牛肉样品同位素质谱数据的方差及标准差,剔除奇异点样本,得到最终的进口牛肉样品同位素质谱数据;
S4、利用等离子质谱仪检测所述标准的进口牛肉样品中Se、Rb和Ti的含量,每个样本利用等离子质谱仪检测三次,对三次所采集的矿物元素数据求取平均值得到每个进口牛肉样本的矿物元素数据;根据牛肉样品同矿物元素数据的方差及标准差,剔除奇异点样本,得到最终的进口牛肉样品矿物元素数据;
S5、利用氨基酸分析仪检测所述标准的进口牛肉样品中Asp、Thr、Ser、Glu、Gly、Val、Ile、Leu、Tyr、Phe、Lys、His 12种氨基酸含量,每个样本利用氨基酸分析仪检测三次,对三次所采集的氨基酸含量求取平均值得到每个进口牛肉样本的氨基酸含量数据;根据牛肉样品同矿物元素数据的方差及标准差,剔除奇异点样本,得到最终的进口牛肉样品氨基酸数据;
S6、建立偏最小二乘法鉴别模型,对所述进口牛肉样品红外光谱数据、同位素质谱数据、矿物元素数据及氨基酸数据进行分割,选取1/n个样本数据作为测试集,其余样本数据为训练集,分别基于红外光谱数据、同位素质谱数据、矿物元素数据及氨基酸数据,不断对鉴别模型进行训练,得到基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型;
S7、交叉验证基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型的性能;
S8、对所述基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型按照性能进行排序,根据性能排名赋予鉴别模型相应的权重;
S9、分别利用基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型对进口牛肉进行检测,当判断进口牛肉不为相应国家的牛肉时,检测结果为0,否则检测结果为1;
S10、计算利用基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型得到的检测结果分别与相应的鉴别模型的加权和,将所述加权和与设定阈值进行对比,判断进口牛肉的产地。
进一步地,所述对牛肉样品进行粉碎、干燥具体为:
将进口牛肉样品切成丁,放入槽型混合机中在避光的环境中大约粉碎两个小时;牛肉粉碎后,将牛肉放入干燥室彻底干燥24小时。
进一步地,所述对牛肉样品进行粉碎、干燥具体为:所述脱脂处理具体为:采用静置法对进口牛肉样品的进行脱脂。
进一步地,所述剔除奇异点样本具体为:
计算每个产地进口牛肉样品的检测数据含量的平均值,当样本的方差和标准差超过设定阈值,将该样本从样品集中剔除;所述检测数据包括红外光谱数据、同位素质谱数据、矿物元素数据及氨基酸数据。
进一步地,所述步骤S7具体为:
将样本数据集随机划分为K个子集,一个子集作为验证集,其余的K-1组子集作为训练集;轮流将K个子集作为验证集,交叉重复K次,得到K次的结果,并用K次结果的平均值作为分类器或模型的性能指标。
进一步地,所述根据性能排名赋予鉴别模型相应的权重具体为:
假设基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型的权重分别为ω1、ω2、ω3、ω4,则:
ω1+ω2+ω3+ω4=1
其中,基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型的性能越好,权重越大。
进一步地,所述步骤S10具体为:
通过基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型进行混合检测,假设其分别的检测结果为r1、r2、r3、r4,则鉴别模型最终的检测结果为:
r=r1*ω1+r2*ω2+r3*ω3+r4*ω4
当r大于设定阈值,则进口牛肉为相应的国家进口,否则不为相应的国家进口。
本发明还提出一种进口牛肉产地混合溯源***,包括:
预处理模块,用于采集不同国家的牛肉样品,对牛肉样品进行粉碎、干燥、脱脂处理,脱脂完成后,对牛肉样本进行研磨,利用固定大小的筛板进行过滤,再次进行干燥,得到标准的进口牛肉样品;
近红外光谱采集模块,用于利用红外光谱仪采集所述标准的进口牛肉样品近红外光谱,所采集扫描的波数范围是8000-5000cm-1,分辨率为4cm-1,扫描的温度维持在25℃、湿度控制在保持稳定,每个样本的光谱扫描三次,对三次所采集的光谱数据求取平均值得到每个进口牛肉样本的光谱数据;根据牛肉样品近红外光谱的方差及标准差,剔除奇异点样本,得到最终的进口牛肉样品近红外光谱数据;
同位素采集模块,用于利用同位素比率质谱仪检测所述标准的进口牛肉样品中δ13C、δ2H、δ15N的值,每个样本利用同位素比率质谱仪检测三次,对三次所采集的同位素质谱数据求取平均值得到每个进口牛肉样本的同位素质谱数据;根据牛肉样品同位素质谱数据的方差及标准差,剔除奇异点样本,得到最终的进口牛肉样品同位素质谱数据;
矿物元素采集模块,用于利用等离子质谱仪检测所述标准的进口牛肉样品中Se、Rb和Ti的含量,每个样本利用等离子质谱仪检测三次,对三次所采集的矿物元素数据求取平均值得到每个进口牛肉样本的矿物元素数据;根据牛肉样品同矿物元素数据的方差及标准差,剔除奇异点样本,得到最终的进口牛肉样品矿物元素数据;
氨基酸采集模块,用于利用氨基酸分析仪检测所述标准的进口牛肉样品中Asp、Thr、Ser、Glu、Gly、Val、Ile、Leu、Tyr、Phe、Lys、His 12种氨基酸含量,每个样本利用氨基酸分析仪检测三次,对三次所采集的氨基酸含量求取平均值得到每个进口牛肉样本的氨基酸含量数据;根据牛肉样品同矿物元素数据的方差及标准差,剔除奇异点样本,得到最终的进口牛肉样品氨基酸数据;
模型训练模型,建立偏最小二乘法鉴别模型,对所述进口牛肉样品红外光谱数据、同位素质谱数据、矿物元素数据及氨基酸数据进行分割,选取1/n个样本数据作为测试集,其余样本数据为训练集,分别基于红外光谱数据、同位素质谱数据、矿物元素数据及氨基酸数据,不断对鉴别模型进行训练,得到基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型;
验证评价模块,用于交叉验证基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型的性能;
排序模块,用于对所述基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型按照性能进行排序,根据性能排名赋予鉴别模型相应的权重;
检测模块,用于分别利用基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型对进口牛肉进行检测,当判断进口牛肉不为相应国家的牛肉时,检测结果为0,否则检测结果为1;
综合溯源模块,用于计算利用基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型得到的检测结果分别与相应的鉴别模型的加权和,将所述加权和与设定阈值进行对比,判断进口牛肉的产地。
进一步地,所述根据性能排名赋予鉴别模型相应的权重具体为:
假设基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型的权重分别为ω1、ω2、ω3、ω4,则:
ω1+ω2+ω3+ω4=1
其中,基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型的性能越好,权重越大。
进一步地,所述综合溯源模块包括:
通过基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型进行混合检测,假设其分别的检测结果为r1、r2、r3、r4,则鉴别模型最终的检测结果为:
r=r1*ω1+r2*ω2+r3*ω3+r4*ω4
当r大于设定阈值,则进口牛肉为相应的国家进口,否则不为相应的国家进口。
本发明与现有技术相比,具有如下效果:
(1)本发明深入分析进口牛肉的特点,针对性地提出的进口牛肉产地混合溯源方法及***,能够针对进口牛肉进行检测,适用范围光,具有极强的应用价值;
(2)由于进口牛肉在进口过程中,所花费的时间长,且运输的过程中环境差异大,现有的溯源技术中稳定同位素技术、矿物元素、氨基酸等存在受测试环境影响大、近红外光谱技术比较依赖数据库,需大量样品的来源和数量才能一定程度上提高溯源的精度等问题,如果直接将现有的溯源技术应用于进口牛肉,溯源的精度低。本发明结合红外光谱数据、同位素质谱数据、矿物元素数据、氨基酸混合对进口牛肉的产地进行溯源,通过四种溯源方式相结合,克服进口牛肉在运输过程中的影响,提高溯源的精度;
(3)本发明根据性能对四种溯源方式进行排序,并根据排序结果赋予不同溯源方式相应的的权重,能够根据溯源模型的性能调整其对综合溯源结果的影响,充分发挥各溯源方式的优势,而不是将各溯源方式的简单混合;
(4)本发明先对进口牛肉粉碎后再进行干燥,能够提高牛肉的干燥效果,同时采用静置法对进口牛肉样品的进行脱脂,能够快速制得大量的脱脂样品,操作简单,操作效率高;
(5)本发明通过多次采集每个进口牛肉样本的光谱数据、同位素数据、矿物元素数据、氨基酸数据,能够避免单次光谱数据采集过程中的误差;
(6)本发明对采集的每个进口牛肉样本的光谱数据、同位素数据、矿物元素数据、氨基酸数据,计算相应的方差和标准差,剔除相应的奇异点样本,避免采集环境等对数据的影响。
附图说明
图1是实施例一提供的一种进口牛肉产地混合溯源方法流程图;
图2是实施例二提供的一种进口牛肉产地混合溯源***结构图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
实施例一
如图1所示,本实施例提出了一种进口牛肉产地混合溯源方法,包括:
S1、采集不同国家的牛肉样品,对牛肉样品进行粉碎、干燥、脱脂处理,脱脂完成后,对牛肉样本进行研磨,利用固定大小的筛板进行过滤,再次进行干燥,得到标准的进口牛肉样品;
目前我国仅允许澳大利亚、新西兰、乌拉圭、阿根廷、加拿大、哥斯达黎加、智利、匈牙利等8个国家的牛肉进口。美国、巴西、日本等其他国家的牛肉被禁止进口销售。如果是名单之外的肉制品,可能经非法途径入境,或者是假冒的。因此,本发明对澳大利亚、新西兰、乌拉圭、阿根廷、加拿大、哥斯达黎加、智利、匈牙利、美国、巴西、日本这11个国家的牛肉进行采集,每个国家的牛肉采集200份,每份500g。
为了更准确地溯源进口牛肉,需要对牛肉样品进行预处理。首先将样品切成丁,放入槽型混合机中进行粉碎,在避光的环境中大约粉碎两个小时。牛肉粉碎后,进行干燥处理,可以将牛肉放入干燥室彻底干燥24小时。本发明先对进口牛肉粉碎后再进行干燥,能够提高牛肉的干燥效果。
现有技术中,进行进口牛肉脱脂主要是在样品中加入石油醚,利用索氏提取器进行提取,然后回收提取液中的石油醚,得到粗脂肪样品。但索氏提取器每次制备的脱脂样品量很少,且操作繁琐。本发明为了得到大量的脱脂样品,用于以后的检测分析,采用静置法对进口牛肉样品的进行脱脂。
S2、利用红外光谱仪采集所述标准的进口牛肉样品近红外光谱,所采集扫描的波数范围是8000-5000cm-1,分辨率为4cm-1,扫描的温度维持在25℃、湿度控制在保持稳定,每个样本的光谱扫描三次,对三次所采集的光谱数据求取平均值得到每个进口牛肉样本的光谱数据;根据牛肉样品近红外光谱的方差及标准差,剔除奇异点样本,得到最终的进口牛肉样品近红外光谱数据;
近红外光是波长在可见光与中红外光间的一段电磁波,其波长范围为780~2526nm。近红外光谱能反映红外射线与进口牛肉样品中物质的相互作用,在自然界中,每个分子的组成和结构是不同的,其内部不同官能团或化学键如O-H、C-H、N-H和S-H基团对红色外光的吸收作用均不同,这些氢基团再吸收近红外光中的部分能量后,会受激发从而发生跃迁,所以在近红外光谱上所显现的曲线的位置和吸收强度也不同,从而在近红外光谱仪中产生近红外光谱,并得到每个样品特征性的近红外吸收光谱。
近红外光谱反映样品中有机物的组分和含量的信息。不同产地的进口牛肉样品受品种、产地环境、加工方法、运输方式等因素影响,也受所处的生长环境、气候、土壤、水质等因素影响,导致食品的主要化学成分(如蛋白质、脂肪、水分等)的结构和含量存在一定差异,其有机物成分具有显著差异。除此之外,由于基因型、饲料类型、饲养方式、个体代谢等不同,各产地的动物机体中蛋白质、脂肪、水分等物质成分并不相同。在近红外光谱上,这些差异得到反映并由此得到每个产地的样品特征性的近红外吸收光谱。
本发明利用红外光谱仪采集所述标准的牛肉样品近红外光谱,取标准的进口牛肉样品中1~3g进行光谱采集,所采集扫描的波数范围是8000-5000cm-1,分辨率为4cm-1,扫描的温度维持在25℃、湿度控制在保持稳定,每个样本的光谱扫描三次,对三次所采集的光谱数据求取平均值得到每个进口牛肉样本的光谱数据。本发明通过多次采集每个进口牛肉样本的光谱数据,能够避免单次光谱数据采集过程中的误差。
此外,由于进口牛肉受环境影响较大,因此,不同的扫描环境对光谱数据的影响不同,因此,本发明在对不同的进口牛肉样本进行多次扫描时,其扫描的环境维持恒定。
在进口牛肉样本制作的过程中,可能存在被污染或者近红外光谱在采集的过程中受设备、环境等因素的影响,由此导致的进口牛肉样本数据不准确的问题。因此,本发明在利用样本数据进行进口牛肉产地溯源前,对样本过程中出现的奇异点样本进行剔除,避免奇异点样本对溯源结果的影响。
本发明采用牛肉样品近红外光谱的方差及标准差,剔除奇异点样本。同一产地的进口牛肉其近红外光谱通常表现出相似的特征,不同进口牛肉样本采集的光谱间差异较小。因此,本发明利用不同牛肉样品近红外光谱的方差及标准差进行比较,当某一近红外光谱的方差及标准差超过一定的阈值时,说明该样本偏离同一产地其它样本的幅度大,该样本很可能为奇异点样本,进行剔除。
因此,本发明计算每个产地进口牛肉200份样品的红外光谱平均值,进一步计算每个进口牛肉样品的方差及标准差。当该样品的方差及标准差超过设定阈值,将该样品从样品集中剔除。
S3、利用同位素比率质谱仪检测所述标准的进口牛肉样品中δ13C、δ2H、δ15N的值,每个样本利用同位素比率质谱仪检测三次,对三次所采集的同位素质谱数据求取平均值得到每个进口牛肉样本的同位素质谱数据;根据牛肉样品同位素质谱数据的方差及标准差,剔除奇异点样本,得到最终的进口牛肉样品同位素质谱数据;
稳定同位素技术的进行产地溯源的原理是利用同位素的自然分馏效应来鉴定目标样品的产地。因气温、日照、土壤、食料、空气质量等差异,致使目标样品中某元素的同位素丰度与不同产地的其他样品存在显著差异,以此可以比较准确的区分并进行动物源性农产品的产地溯源。具体来说,通过稳定同位素中13C和12C的比例可以表征饲料种类,其比值与饲料中C3、C4植物所占比例密切相关;而同位素中15N和14N的比例则受很多因素影响,主要取决于营养水平,不但与饲料种类密切相关,也可以指示土壤、气候、农业施肥中的差异,甚至与海洋和陆地植物在饲料中的占比有所联系;除此之外,同位素中18O和16O的比例和2H和1H的比例与产地当地的气候、地形、水的蒸发、浓缩、沉降有关;同位素中34S和32S的比例与微生物作用和海洋因素有关。
由于不同地区来源的各国进口牛肉所喂养的饲料、饮用水、土壤、气候等完全不同。尤其是碳、氮、氢同位素呈极显著相关性,δ13C、δ2H、δ15N作为本发明区牛肉的主要指标,其中δ13C反映出饲料中C3和C4植物的比例,而δ2H组成与饮用水有关,δ15N反应进口牛肉所在国土壤条件。
检测所述标准的进口牛肉样品中δ13C的值:将每个标准的进口牛肉样品取2~4g放入锡箔杯中,通过自动进样器进入元素分析仪,将进口牛肉样品燃烧,以将其转化成纯净的CO2和N2,CO2经过稀释器的稀释,最终将CO2送入同位素比率质谱仪进行检测。其中,燃烧炉的温度为1200℃,还原炉的温度为600℃。
检测所述标准的进口牛肉样品中δ2H的值:每个标准的进口牛肉样品取2~4g放入银杯,平衡72小时,按顺序放入自动进样器中,通过自动进样器进入元素分析仪,将进口牛肉样品裂解成CO和H2,最终将H2送入同位素比率质谱仪进行检测。其中,裂解的温度为1450℃。
检测所述标准的进口牛肉样品中δ15N的值:将每个标准的进口牛肉样品取2~4g放入锡箔杯中,通过自动进样器进入元素分析仪,将进口牛肉样品燃烧,以将其转化成纯净的CO2和N2,最终将N2送入同位素比率质谱仪进行检测。其中,燃烧炉的温度为1200℃,还原炉的温度为600℃。
每个样本进口牛肉样品中δ13C、δ2H、δ15N的值均进行三次采集,对三次所采集的数据求取平均值得到每个进口牛肉样本中δ13C、δ2H、δ15N的值。本发明通过多次采集每个进口牛肉样本的中δ13C、δ2H、δ15N的值,能够避免单次数据采集过程中的误差。同位素比率质谱仪
与近红外光谱采集一样,δ13C、δ2H、δ15N的值也可能受环境、采集的条件等因素影响,导致的进口牛肉样本数据不准确的问题。因此,本发明在利用样本数据进行进口牛肉产地溯源前,对样本过程中出现的奇异点样本进行剔除,避免奇异点样本对溯源结果的影响。
本发明分别根据牛肉样品δ13C、δ2H、δ15N的方差及标准差,剔除奇异点样本。只要δ13C、δ2H、δ15N任意一个值的方差及标准差超过一定的阈值时,说明该样本偏离同一产地其它样本的幅度大,该样本很可能为奇异点样本,进行剔除。
因此,本发明计算每个产地进口牛肉200份样品的δ13C、δ2H、δ15N平均值,进一步计算每个进口牛肉样品的方差及标准差。当该样品的方差及标准差超过设定阈值,将该样品从样品集中剔除。
S4、利用等离子质谱仪检测所述标准的进口牛肉样品中Se、Rb和Ti的含量,每个样本利用等离子质谱仪检测三次,对三次所采集的矿物元素数据求取平均值得到每个进口牛肉样本的矿物元素数据;根据牛肉样品同矿物元素数据的方差及标准差,剔除奇异点样本,得到最终的进口牛肉样品矿物元素数据;
牛肉中的各元素含量与产品产地的水源、土壤等条件息息相关,且不同的地区各自有其特征性的元素组成,从而能够建立具有不同产地进口牛肉的矿物元素指纹图谱,实现对进口牛肉的较为准确的产地溯源。矿物元素指纹图谱技术依据进口牛肉样品中常量元素(钙、磷、镁、钾、钠、氯和硫等)和矿物元素(铁、铜、锰、锌、碘、硒和铬等)的测定数值,通过统计分析并选取有显著差异的元素建立模型,从而能够更准确的鉴别进口牛肉的产地。
不同地域土壤中痕量元素的含量与组成有其典型特,例如美国土壤含量高于欧洲。土壤、植物及进口牛肉中Se含量呈极显著相关关系。从高Se区和低Se区来的牛肉中含量有很大差异,因此本发明对进口牛肉中的Se含量进行测定,以区别不同国家的进口牛肉。北美牛肉中Se含量大约是瑞士牛肉的两倍,而巴西牛肉中Se的含量更高。Rb含量与岩石特性有关,一般花岗岩和片麻岩地区的土壤、水、植物中含量表现最高。牛肉对Rb的累积程度高,因此,本发明还对进口牛肉中的Rb含量进行测定,以区别不同国家的进口牛肉。不同喂养环境的牛肉其Ti含量差异较大,因此,本发明还对进口牛肉中的Ti含量进行测定,以区别不同国家的进口牛肉。
利用等离子质谱仪检测所述标准的进口牛肉样品中Se、Rb和Ti的含量具体为:将每个标准的进口牛肉样品取2~4g,放入消解管中,通过浓硝酸预消解2小时,然后利用双氧水消毒1个小时,最后放入微波消解仪进行消解。将消解好的样品利用离子质谱仪对Se、Rb和Ti进行采集,最后使用外标法对采集的Se、Rb和Ti进行定量,测得Se、Rb和Ti的含量。
每个样本进口牛肉样品中Se、Rb和Ti的含量值均进行三次采集,对三次所采集的数据求取平均值得到每个进口牛肉样本中Se、Rb和Ti的含量的值。本发明通过多次采集每个进口牛肉样本的中Se、Rb和Ti的含量值,能够避免单次数据采集过程中的误差。
Se、Rb和Ti的含量值也可能受环境、采集的条件等因素影响,导致的进口牛肉样本数据不准确的问题。因此,本发明在利用样本数据进行进口牛肉产地溯源前,对样本过程中出现的奇异点样本进行剔除,避免奇异点样本对溯源结果的影响。
本发明分别根据牛肉样品Se、Rb和Ti的含量的方差及标准差,剔除奇异点样本。只要Se、Rb和Ti的含量任意一个值的方差及标准差超过一定的阈值时,说明该样本偏离同一产地其它样本的幅度大,该样本很可能为奇异点样本,进行剔除。
因此,本发明计算每个产地进口牛肉200份样品的Se、Rb和Ti的含量平均值,进一步计算每个进口牛肉样品的方差及标准差。当该样品的方差及标准差超过设定阈值,将该样品从样品集中剔除。
S5、利用氨基酸分析仪检测所述标准的进口牛肉样品中Asp、Thr、Ser、Glu、Gly、Val、Ile、Leu、Tyr、Phe、Lys、His 12种氨基酸含量,每个样本利用氨基酸分析仪检测三次,对三次所采集的氨基酸含量求取平均值得到每个进口牛肉样本的氨基酸含量数据;根据牛肉样品同矿物元素数据的方差及标准差,剔除奇异点样本,得到最终的进口牛肉样品氨基酸数据;
牛肉氨基酸含量与品种、性别、年龄、肌肉部位及养殖环境等因素有关,而对相同的品种和年龄,肌肉氨基酸含量受到环境影响十分显著。产地鉴别分析主要是探寻表征不同地域来源牛肉的特异性指标。因此,本发明引入氨基酸含量的测定,以区分不同国家的进口牛肉。Asp、Thr、Ser、Glu、Gly、Val、Ile、Leu、Tyr、Phe、Lys、His 12种氨基酸是牛肉中主要的氨基酸种类,因此,为了全面分析各国进口牛肉的差异,本发明对Asp、Thr、Ser、Glu、Gly、Val、Ile、Leu、Tyr、Phe、Lys、His 12种氨基酸进行检测。
具体地,本发明采用L-8800氨基酸分析仪进行氨基酸测定。首先将所述标准的进口牛肉样本取2~4g放入水解管中,加入6mol/L的盐酸50ml,将水解管抽真空、密封,将其在110℃的恒温环境中水解24小时,并在冷却后进行过滤。调节滤液PH值至中性,定容值125ml,取滤液与0.02mol/L的盐酸按1:1进行混合,将混合液通过微孔滤膜进行过滤,然后采用L-8800氨基酸分析仪测定混合液中Asp、Thr、Ser、Glu、Gly、Val、Ile、Leu、Tyr、Phe、Lys、His 12种氨基酸的含量。
氨基酸的含量值也可能受环境、采集的条件等因素影响,导致的进口牛肉样本数据不准确的问题。因此,本发明在利用样本数据进行进口牛肉产地溯源前,对样本过程中出现的奇异点样本进行剔除,避免奇异点样本对溯源结果的影响。
本发明分别根据牛肉样品Asp、Thr、Ser、Glu、Gly、Val、Ile、Leu、Tyr、Phe、Lys、His12种氨基酸含量的方差及标准差,剔除奇异点样本。只要Asp、Thr、Ser、Glu、Gly、Val、Ile、Leu、Tyr、Phe、Lys、His 12种氨基酸含量任意一个值的方差及标准差超过一定的阈值时,说明该样本偏离同一产地其它样本的幅度大,该样本很可能为奇异点样本,进行剔除。
因此,本发明计算每个产地进口牛肉200份样品的Asp、Thr、Ser、Glu、Gly、Val、Ile、Leu、Tyr、Phe、Lys、His 12种氨基酸含量平均值,进一步计算每个进口牛肉样品的方差及标准差。当该样品的方差及标准差超过设定阈值,将该样品从样品集中剔除。
值得注意的是,步骤S2、S3、S4、S5的先后顺序不作限定,对进口牛肉样品红外光谱数据、同位素质谱数据、矿物元素数据及氨基酸数据可以根据任意顺序进行先后采集,也可以同时进行采集。
S6、建立偏最小二乘法鉴别模型,对所述进口牛肉样品红外光谱数据、同位素质谱数据、矿物元素数据及氨基酸数据进行分割,选取1/n个样本数据作为测试集,其余样本数据为训练集,分别基于红外光谱数据、同位素质谱数据、矿物元素数据及氨基酸数据,不断对鉴别模型进行训练,得到基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型;
由于进口牛肉在进口过程中,所花费的时间长,且运输的过程中环境差异大,现有的溯源技术存在稳定同位素技术、矿物元素、氨基酸等受测试环境影响大、近红外光谱技术比较依赖数据库,需大量样品的来源和数量才能一定程度上提高溯源的精度等问题,如果直接将现有的溯源技术应用于进口牛肉,溯源的精度低。因此,本发明结合红外光谱数据、同位素质谱数据、矿物元素数据、氨基酸混合对进口牛肉的产地进行溯源,通过四种溯源方式相结合,克服进口牛肉在运输过程中的影响,提高溯源的精度。
本发明在采集到进口牛肉样品红外光谱数据、同位素质谱数据、矿物元素数据及氨基酸数据后,分别对样品数据进行处理,也就是说,本发明基于进口牛肉样品红外光谱数据、同位素质谱数据、矿物元素数据及氨基酸数据分别训练得到相应的溯源模型。
S7、交叉验证基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型的性能;
本发明将个样本数据集随机划分为K个子集(一般是均分),将一个子集作为验证集,其余的K-1组子集作为训练集;轮流将K个子集作为验证集,交叉重复K次,得到K次的结果,并用K次结果的平均值作为分类器或模型的性能指标。
也就是说,本发明轮流对红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型进行交叉验证,获取各模型的性能。本发明通过溯源的正确率来指示模型的性能。
S8、对所述基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型按照性能进行排序,根据性能排名赋予鉴别模型相应的权重;
本发明采用正确率来指示模型的性能,因此,正确率越高,鉴别模型的性能越好,溯源精度越高。本发明通过四种鉴别模型对进口牛肉进行综合溯源,因此,为不同的鉴别模型赋予不同的权重,权重代表该鉴别模型对最终溯源结果的影响。权重越高,其对溯源结果影响越大。因此,排名越高的鉴别模型其权重越大,假设基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型的权重分别为ω1、ω2、ω3、ω4,则:
ω1+ω2+ω3+ω4=1
S9、分别利用基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型对进口牛肉进行检测,当判断进口牛肉不为相应国家的牛肉时,检测结果为0,否则检测结果为1;
取待测未知过度的牛肉按照上述步骤S1、S2、S3、S4,测定近红外特征光谱数据、稳定同位素质谱数据、矿物元素数据和氨基酸数据,将测得数据分别代入基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型,若预测结果为0,则判断待测进口牛肉不为相应国家的进口牛肉;若预测结果为1,则判断待测样品为相应国家的进口牛肉。
S10、计算利用基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型得到的检测结果分别与相应的鉴别模型的加权和,将所述加权和与设定阈值进行对比,判断进口牛肉的产地。
本发明通过基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型进行混合检测,假设其分别的检测结果为r1、r2、r3、r4,则鉴别模型最终的检测结果为:
r=r1*ω1+r2*ω2+r3*ω3+r4*ω4
将最终的检测结果与设定的阈值进行比较,假设设置阈值为0.75,当计算的检测结果大于设定阈值时,表面进口牛肉为相应的国家进口,否则不为相应的国家进口。
实施例二
如图2所示,本实施例提出了一种进口牛肉产地混合溯源***,包括:
预处理模块,用于采集不同国家的牛肉样品,对牛肉样品进行粉碎、干燥、脱脂处理,脱脂完成后,对牛肉样本进行研磨,利用固定大小的筛板进行过滤,再次进行干燥,得到标准的进口牛肉样品;
目前我国仅允许澳大利亚、新西兰、乌拉圭、阿根廷、加拿大、哥斯达黎加、智利、匈牙利等8个国家的牛肉进口。美国、巴西、日本等其他国家的牛肉被禁止进口销售。如果是名单之外的肉制品,可能经非法途径入境,或者是假冒的。因此,本发明对澳大利亚、新西兰、乌拉圭、阿根廷、加拿大、哥斯达黎加、智利、匈牙利、美国、巴西、日本这11个国家的牛肉进行采集,每个国家的牛肉采集200份,每份500g。
为了更准确地溯源进口牛肉,需要对牛肉样品进行预处理。首先将样品切成丁,放入槽型混合机中进行粉碎,在避光的环境中大约粉碎两个小时。牛肉粉碎后,进行干燥处理,可以将牛肉放入干燥室彻底干燥24小时。本发明先对进口牛肉粉碎后再进行干燥,能够提高牛肉的干燥效果。
现有技术中,进行进口牛肉脱脂主要是在样品中加入石油醚,利用索氏提取器进行提取,然后回收提取液中的石油醚,得到粗脂肪样品。但索氏提取器每次制备的脱脂样品量很少,且操作繁琐。本发明为了得到大量的脱脂样品,用于以后的检测分析,采用静置法对进口牛肉样品的进行脱脂。
近红外光谱采集模块,用于利用红外光谱仪采集所述标准的进口牛肉样品近红外光谱,所采集扫描的波数范围是8000-5000cm-1,分辨率为4cm-1,扫描的温度维持在25℃、湿度控制在保持稳定,每个样本的光谱扫描三次,对三次所采集的光谱数据求取平均值得到每个进口牛肉样本的光谱数据;根据牛肉样品近红外光谱的方差及标准差,剔除奇异点样本,得到最终的进口牛肉样品近红外光谱数据;
近红外光是波长在可见光与中红外光间的一段电磁波,其波长范围为780~2526nm。近红外光谱能反映红外射线与进口牛肉样品中物质的相互作用,在自然界中,每个分子的组成和结构是不同的,其内部不同官能团或化学键如O-H、C-H、N-H和S-H基团对红色外光的吸收作用均不同,这些氢基团再吸收近红外光中的部分能量后,会受激发从而发生跃迁,所以在近红外光谱上所显现的曲线的位置和吸收强度也不同,从而在近红外光谱仪中产生近红外光谱,并得到每个样品特征性的近红外吸收光谱。
近红外光谱反映样品中有机物的组分和含量的信息。不同产地的进口牛肉样品受品种、产地环境、加工方法、运输方式等因素影响,也受所处的生长环境、气候、土壤、水质等因素影响,导致食品的主要化学成分(如蛋白质、脂肪、水分等)的结构和含量存在一定差异,其有机物成分具有显著差异。除此之外,由于基因型、饲料类型、饲养方式、个体代谢等不同,各产地的动物机体中蛋白质、脂肪、水分等物质成分并不相同。在近红外光谱上,这些差异得到反映并由此得到每个产地的样品特征性的近红外吸收光谱。
本发明利用红外光谱仪采集所述标准的牛肉样品近红外光谱,取标准的进口牛肉样品中1~3g进行光谱采集,所采集扫描的波数范围是8000-5000cm-1,分辨率为4cm-1,扫描的温度维持在25℃、湿度控制在保持稳定,每个样本的光谱扫描三次,对三次所采集的光谱数据求取平均值得到每个进口牛肉样本的光谱数据。本发明通过多次采集每个进口牛肉样本的光谱数据,能够避免单次光谱数据采集过程中的误差。
此外,由于进口牛肉受环境影响较大,因此,不同的扫描环境对光谱数据的影响不同,因此,本发明在对不同的进口牛肉样本进行多次扫描时,其扫描的环境维持恒定。
在进口牛肉样本制作的过程中,可能存在被污染或者近红外光谱在采集的过程中受设备、环境等因素的影响,由此导致的进口牛肉样本数据不准确的问题。因此,本发明在利用样本数据进行进口牛肉产地溯源前,对样本过程中出现的奇异点样本进行剔除,避免奇异点样本对溯源结果的影响。
本发明采用牛肉样品近红外光谱的方差及标准差,剔除奇异点样本。同一产地的进口牛肉其近红外光谱通常表现出相似的特征,不同进口牛肉样本采集的光谱间差异较小。因此,本发明利用不同牛肉样品近红外光谱的方差及标准差进行比较,当某一近红外光谱的方差及标准差超过一定的阈值时,说明该样本偏离同一产地其它样本的幅度大,该样本很可能为奇异点样本,进行剔除。
因此,本发明计算每个产地进口牛肉200份样品的红外光谱平均值,进一步计算每个进口牛肉样品的方差及标准差。当该样品的方差及标准差超过设定阈值,将该样品从样品集中剔除。
同位素采集模块,用于利用同位素比率质谱仪检测所述标准的进口牛肉样品中δ13C、δ2H、δ15N的值,每个样本利用同位素比率质谱仪检测三次,对三次所采集的同位素质谱数据求取平均值得到每个进口牛肉样本的同位素质谱数据;根据牛肉样品同位素质谱数据的方差及标准差,剔除奇异点样本,得到最终的进口牛肉样品同位素质谱数据;
稳定同位素技术的进行产地溯源的原理是利用同位素的自然分馏效应来鉴定目标样品的产地。因气温、日照、土壤、食料、空气质量等差异,致使目标样品中某元素的同位素丰度与不同产地的其他样品存在显著差异,以此可以比较准确的区分并进行动物源性农产品的产地溯源。具体来说,通过稳定同位素中13C和12C的比例可以表征饲料种类,其比值与饲料中C3、C4植物所占比例密切相关;而同位素中15N和14N的比例则受很多因素影响,主要取决于营养水平,不但与饲料种类密切相关,也可以指示土壤、气候、农业施肥中的差异,甚至与海洋和陆地植物在饲料中的占比有所联系;除此之外,同位素中18O和16O的比例和2H和1H的比例与产地当地的气候、地形、水的蒸发、浓缩、沉降有关;同位素中34S和32S的比例与微生物作用和海洋因素有关。
由于不同地区来源的各国进口牛肉所喂养的饲料、饮用水、土壤、气候等完全不同。尤其是碳、氮、氢同位素呈极显著相关性,δ13C、δ2H、δ15N作为本发明区牛肉的主要指标,其中δ13C反映出饲料中C3和C4植物的比例,而δ2H组成与饮用水有关,δ15N反应进口牛肉所在国土壤条件。
检测所述标准的进口牛肉样品中δ13C的值:将每个标准的进口牛肉样品取2~4g放入锡箔杯中,通过自动进样器进入元素分析仪,将进口牛肉样品燃烧,以将其转化成纯净的CO2和N2,CO2经过稀释器的稀释,最终将CO2送入同位素比率质谱仪进行检测。其中,燃烧炉的温度为1200℃,还原炉的温度为600℃。
检测所述标准的进口牛肉样品中δ2H的值:每个标准的进口牛肉样品取2~4g放入银杯,平衡72小时,按顺序放入自动进样器中,通过自动进样器进入元素分析仪,将进口牛肉样品裂解成CO和H2,最终将H2送入同位素比率质谱仪进行检测。其中,裂解的温度为1450℃。
检测所述标准的进口牛肉样品中δ15N的值:将每个标准的进口牛肉样品取2~4g放入锡箔杯中,通过自动进样器进入元素分析仪,将进口牛肉样品燃烧,以将其转化成纯净的CO2和N2,最终将N2送入同位素比率质谱仪进行检测。其中,燃烧炉的温度为1200℃,还原炉的温度为600℃。
每个样本进口牛肉样品中δ13C、δ2H、δ15N的值均进行三次采集,对三次所采集的数据求取平均值得到每个进口牛肉样本中δ13C、δ2H、δ15N的值。本发明通过多次采集每个进口牛肉样本的中δ13C、δ2H、δ15N的值,能够避免单次数据采集过程中的误差。
与近红外光谱采集一样,δ13C、δ2H、δ15N的值也可能受环境、采集的条件等因素影响,导致的进口牛肉样本数据不准确的问题。因此,本发明在利用样本数据进行进口牛肉产地溯源前,对样本过程中出现的奇异点样本进行剔除,避免奇异点样本对溯源结果的影响。
本发明分别根据牛肉样品δ13C、δ2H、δ15N的方差及标准差,剔除奇异点样本。只要δ13C、δ2H、δ15N任意一个值的方差及标准差超过一定的阈值时,说明该样本偏离同一产地其它样本的幅度大,该样本很可能为奇异点样本,进行剔除。
因此,本发明计算每个产地进口牛肉200份样品的δ13C、δ2H、δ15N平均值,进一步计算每个进口牛肉样品的方差及标准差。当该样品的方差及标准差超过设定阈值,将该样品从样品集中剔除。
矿物元素采集模块,用于利用等离子质谱仪检测所述标准的进口牛肉样品中Se、Rb和Ti的含量,每个样本利用等离子质谱仪检测三次,对三次所采集的矿物元素数据求取平均值得到每个进口牛肉样本的矿物元素数据;根据牛肉样品同矿物元素数据的方差及标准差,剔除奇异点样本,得到最终的进口牛肉样品矿物元素数据;
牛肉中的各元素含量与产品产地的水源、土壤等条件息息相关,且不同的地区各自有其特征性的元素组成,从而能够建立具有不同产地进口牛肉的矿物元素指纹图谱,实现对进口牛肉的较为准确的产地溯源。矿物元素指纹图谱技术依据进口牛肉样品中常量元素(钙、磷、镁、钾、钠、氯和硫等)和矿物元素(铁、铜、锰、锌、碘、硒和铬等)的测定数值,通过统计分析并选取有显著差异的元素建立模型,从而能够更准确的鉴别进口牛肉的产地。
不同地域土壤中痕量元素的含量与组成有其典型特,例如美国土壤含量高于欧洲。土壤、植物及进口牛肉中Se含量呈极显著相关关系。从高Se区和低Se区来的牛肉中含量有很大差异,因此本发明对进口牛肉中的Se含量进行测定,以区别不同国家的进口牛肉。北美牛肉中Se含量大约是瑞士牛肉的两倍,而巴西牛肉中Se的含量更高。Rb含量与岩石特性有关,一般花岗岩和片麻岩地区的土壤、水、植物中含量表现最高。牛肉对Rb的累积程度高,因此,本发明还对进口牛肉中的Rb含量进行测定,以区别不同国家的进口牛肉。不同喂养环境的牛肉其Ti含量差异较大,因此,本发明还对进口牛肉中的Ti含量进行测定,以区别不同国家的进口牛肉。
利用等离子质谱仪检测所述标准的进口牛肉样品中Se、Rb和Ti的含量具体为:将每个标准的进口牛肉样品取2~4g,放入消解管中,在恒温环境中通过浓硝酸预消解2小时,然后利用双氧水消毒1个小时,最后放入微波消解仪进行消解。将消解好的样品利用离子质谱仪对Se、Rb和Ti进行采集,最后使用外标法对采集的Se、Rb和Ti进行定量,测得Se、Rb和Ti的含量。
每个样本进口牛肉样品中Se、Rb和Ti的含量值均进行三次采集,对三次所采集的数据求取平均值得到每个进口牛肉样本中Se、Rb和Ti的含量的值。本发明通过多次采集每个进口牛肉样本的中Se、Rb和Ti的含量值,能够避免单次数据采集过程中的误差。
Se、Rb和Ti的含量值也可能受环境、采集的条件等因素影响,导致的进口牛肉样本数据不准确的问题。因此,本发明在利用样本数据进行进口牛肉产地溯源前,对样本过程中出现的奇异点样本进行剔除,避免奇异点样本对溯源结果的影响。
本发明分别根据牛肉样品Se、Rb和Ti的含量的方差及标准差,剔除奇异点样本。只要Se、Rb和Ti的含量任意一个值的方差及标准差超过一定的阈值时,说明该样本偏离同一产地其它样本的幅度大,该样本很可能为奇异点样本,进行剔除。
因此,本发明计算每个产地进口牛肉200份样品的Se、Rb和Ti的含量平均值,进一步计算每个进口牛肉样品的方差及标准差。当该样品的方差及标准差超过设定阈值,将该样品从样品集中剔除。
氨基酸采集模块,用于利用氨基酸分析仪检测所述标准的进口牛肉样品中Asp、Thr、Ser、Glu、Gly、Val、Ile、Leu、Tyr、Phe、Lys、His 12种氨基酸含量,每个样本利用氨基酸分析仪检测三次,对三次所采集的氨基酸含量求取平均值得到每个进口牛肉样本的氨基酸含量数据;根据牛肉样品同矿物元素数据的方差及标准差,剔除奇异点样本,得到最终的进口牛肉样品氨基酸数据;
牛肉氨基酸含量与品种、性别、年龄、肌肉部位及养殖环境等因素有关,而对相同的品种和年龄,肌肉氨基酸含量受到环境影响十分显著。产地鉴别分析主要是探寻表征不同地域来源牛肉的特异性指标。因此,本发明引入氨基酸含量的测定,以区分不同国家的进口牛肉。Asp、Thr、Ser、Glu、Gly、Val、Ile、Leu、Tyr、Phe、Lys、His 12种氨基酸是牛肉中主要的氨基酸种类,因此,为了全面分析各国进口牛肉的差异,本发明对Asp、Thr、Ser、Glu、Gly、Val、Ile、Leu、Tyr、Phe、Lys、His 12种氨基酸进行检测。
具体地,本发明采用L-8800氨基酸分析仪进行氨基酸测定。首先将所述标准的进口牛肉样本取2~4g放入水解管中,加入6mol/L的盐酸50ml,将水解管抽真空、密封,将其在110℃的恒温环境中水解24小时,并在冷却后进行过滤。调节滤液PH值至中性,定容值125ml,取滤液与0.02mol/L的盐酸按1:1进行混合,将混合液通过微孔滤膜进行过滤,然后采用L-8800氨基酸分析仪测定混合液中Asp、Thr、Ser、Glu、Gly、Val、Ile、Leu、Tyr、Phe、Lys、His 12种氨基酸的含量。
氨基酸的含量值也可能受环境、采集的条件等因素影响,导致的进口牛肉样本数据不准确的问题。因此,本发明在利用样本数据进行进口牛肉产地溯源前,对样本过程中出现的奇异点样本进行剔除,避免奇异点样本对溯源结果的影响。
本发明分别根据牛肉样品Asp、Thr、Ser、Glu、Gly、Val、Ile、Leu、Tyr、Phe、Lys、His12种氨基酸含量的方差及标准差,剔除奇异点样本。只要Asp、Thr、Ser、Glu、Gly、Val、Ile、Leu、Tyr、Phe、Lys、His 12种氨基酸含量任意一个值的方差及标准差超过一定的阈值时,说明该样本偏离同一产地其它样本的幅度大,该样本很可能为奇异点样本,进行剔除。
因此,本发明计算每个产地进口牛肉200份样品的Asp、Thr、Ser、Glu、Gly、Val、Ile、Leu、Tyr、Phe、Lys、His 12种氨基酸含量平均值,进一步计算每个进口牛肉样品的方差及标准差。当该样品的方差及标准差超过设定阈值,将该样品从样品集中剔除。
模型训练模型,建立偏最小二乘法鉴别模型,对所述进口牛肉样品红外光谱数据、同位素质谱数据、矿物元素数据及氨基酸数据进行分割,选取1/n个样本数据作为测试集,其余样本数据为训练集,分别基于红外光谱数据、同位素质谱数据、矿物元素数据及氨基酸数据,不断对鉴别模型进行训练,得到基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型;
由于进口牛肉在进口过程中,所花费的时间长,且运输的过程中环境差异大,现有的溯源技术存在稳定同位素技术、矿物元素、氨基酸等受测试环境影响大、近红外光谱技术比较依赖数据库,需大量样品的来源和数量才能一定程度上提高溯源的精度等问题,如果直接将现有的溯源技术应用于进口牛肉,溯源的精度低。因此,本发明结合红外光谱数据、同位素质谱数据、矿物元素数据、氨基酸混合对进口牛肉的产地进行溯源,通过四种溯源方式相结合,克服进口牛肉在运输过程中的影响,提高溯源的精度。
本发明在采集到进口牛肉样品红外光谱数据、同位素质谱数据、矿物元素数据及氨基酸数据后,分别对样品数据进行处理,也就是说,本发明基于进口牛肉样品红外光谱数据、同位素质谱数据、矿物元素数据及氨基酸数据分别训练得到相应的溯源模型。
验证评价模块,用于交叉验证基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型的性能;
本发明将个样本数据集随机划分为K个子集(一般是均分),将一个子集作为验证集,其余的K-1组子集作为训练集;轮流将K个子集作为验证集,交叉重复K次,得到K次的结果,并用K次结果的平均值作为分类器或模型的性能指标。
也就是说,本发明轮流对红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型进行交叉验证,获取各模型的性能。本发明通过溯源的正确率来指示模型的性能。
排序模块,用于对所述基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型按照性能进行排序,根据性能排名赋予鉴别模型相应的权重;
本发明采用正确率来指示模型的性能,因此,正确率越高,鉴别模型的性能越好,溯源精度越高。本发明通过四种鉴别模型对进口牛肉进行综合溯源,因此,为不同的鉴别模型赋予不同的权重,权重代表该鉴别模型对最终溯源结果的影响。权重越高,其对溯源结果影响越大。因此,排名越高的鉴别模型其权重越大,假设基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型的权重分别为ω1、ω2、ω3、ω4,则:
ω1+ω2+ω3+ω4=1
检测模块,用于分别利用基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型对进口牛肉进行检测,当判断进口牛肉不为相应国家的牛肉时,检测结果为0,否则检测结果为1;
取待测未知过度的牛肉按照上述步骤S1、S2、S3、S4,测定近红外特征光谱数据、稳定同位素质谱数据、矿物元素数据和氨基酸数据,将测得数据分别代入基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型,若预测结果为0,则判断待测进口牛肉不为相应国家的进口牛肉;若预测结果为1,则判断待测样品为相应国家的进口牛肉。
综合溯源模块,用于计算利用基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型得到的检测结果分别与相应的鉴别模型的加权和,将所述加权和与设定阈值进行对比,判断进口牛肉的产地。
本发明通过基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型进行混合检测,假设其分别的检测结果为r1、r2、r3、r4,则鉴别模型最终的检测结果为:
r=r1*ω1+r2*ω2+r3*ω3+r4*ω4
将最终的检测结果与设定的阈值进行比较,假设设置阈值为0.75,当计算的检测结果大于设定阈值时,表面进口牛肉为相应的国家进口,否则不为相应的国家进口。
由此可知,本发明提出进口牛肉产地混合溯源方法及***,能够针对进口牛肉进行检测,适用范围光,具有极强的应用价值。通过四种溯源方式相结合,克服进口牛肉在运输过程中的影响,提高溯源的精度;同时根据性能对四种溯源方式进行排序,并根据排序结果赋予不同溯源方式相应的的权重,能够根据溯源模型的性能调整其对综合溯源结果的影响,充分发挥各溯源方式的优势,而不是将各溯源方式的简单混合。此外,先对进口牛肉粉碎后再进行干燥,能够提高牛肉的干燥效果,同时采用静置法对进口牛肉样品的进行脱脂,能够快速制得大量的脱脂样品,操作简单,操作效率高。本发明通过多次采集每个进口牛肉样本的光谱数据、同位素数据、矿物元素数据、氨基酸数据,能够避免单次光谱数据采集过程中的误差。本发明对采集的每个进口牛肉样本的光谱数据、同位素数据、矿物元素数据、氨基酸数据,计算相应的方差和标准差,剔除相应的奇异点样本,避免采集环境等对数据的影响。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种进口牛肉产地混合溯源方法,其特征在于,包括步骤:
S1、采集不同国家的牛肉样品,对牛肉样品进行粉碎、干燥、脱脂处理,脱脂完成后,对牛肉样本进行研磨,利用固定大小的筛板进行过滤,再次进行干燥,得到标准的进口牛肉样品;
S2、利用红外光谱仪采集所述标准的进口牛肉样品近红外光谱,所采集扫描的波数范围是8000-5000cm-1,分辨率为4cm-1,扫描的温度维持在25℃、湿度控制在保持稳定,每个样本的光谱扫描三次,对三次所采集的光谱数据求取平均值得到每个进口牛肉样本的光谱数据;根据牛肉样品近红外光谱的方差及标准差,剔除奇异点样本,得到最终的进口牛肉样品近红外光谱数据;
S3、利用同位素比率质谱仪检测所述标准的进口牛肉样品中δ13C、δ2H、δ15N的值,每个样本利用同位素比率质谱仪检测三次,对三次所采集的同位素质谱数据求取平均值得到每个进口牛肉样本的同位素质谱数据;根据牛肉样品同位素质谱数据的方差及标准差,剔除奇异点样本,得到最终的进口牛肉样品同位素质谱数据;
S4、利用等离子质谱仪检测所述标准的进口牛肉样品中Se、Rb和Ti的含量,每个样本利用等离子质谱仪检测三次,对三次所采集的矿物元素数据求取平均值得到每个进口牛肉样本的矿物元素数据;根据牛肉样品同矿物元素数据的方差及标准差,剔除奇异点样本,得到最终的进口牛肉样品矿物元素数据;
S5、利用氨基酸分析仪检测所述标准的进口牛肉样品中Asp、Thr、Ser、Glu、Gly、Val、Ile、Leu、Tyr、Phe、Lys、His 12种氨基酸含量,每个样本利用氨基酸分析仪检测三次,对三次所采集的氨基酸含量求取平均值得到每个进口牛肉样本的氨基酸含量数据;根据牛肉样品同矿物元素数据的方差及标准差,剔除奇异点样本,得到最终的进口牛肉样品氨基酸数据;
S6、建立偏最小二乘法鉴别模型,对所述进口牛肉样品红外光谱数据、同位素质谱数据、矿物元素数据及氨基酸数据进行分割,选取1/n个样本数据作为测试集,其余样本数据为训练集,分别基于红外光谱数据、同位素质谱数据、矿物元素数据及氨基酸数据,不断对鉴别模型进行训练,得到基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型;
S7、交叉验证基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型的性能;
S8、对所述基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型按照性能进行排序,根据性能排名赋予鉴别模型相应的权重;
S9、分别利用基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型对进口牛肉进行检测,当判断进口牛肉不为相应国家的牛肉时,检测结果为0,否则检测结果为1;
S10、计算利用基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型得到的检测结果分别与相应的鉴别模型的加权和,将所述加权和与设定阈值进行对比,判断进口牛肉的产地。
2.根据权利要求1所述的牛肉产地混合溯源方法,其特征在于,所述对牛肉样品进行粉碎、干燥具体为:
将进口牛肉样品切成丁,放入槽型混合机中在避光的环境中大约粉碎两个小时;牛肉粉碎后,将牛肉放入干燥室彻底干燥24小时。
3.根据权利要求1所述的牛肉产地混合溯源方法,其特征在于,所述对牛肉样品进行粉碎、干燥具体为:所述脱脂处理具体为:
采用静置法对进口牛肉样品的进行脱脂。
4.根据权利要求1所述的牛肉产地混合溯源方法,其特征在于,所述剔除奇异点样本具体为:
计算每个产地进口牛肉样品的检测数据含量的平均值,当样本的方差和标准差超过设定阈值,将该样本从样品集中剔除;所述检测数据包括红外光谱数据、同位素质谱数据、矿物元素数据及氨基酸数据。
5.根据权利要求1所述的牛肉产地混合溯源方法,其特征在于,所述步骤S7具体为:
将样本数据集随机划分为K个子集,一个子集作为验证集,其余的K-1组子集作为训练集;轮流将K个子集作为验证集,交叉重复K次,得到K次的结果,并用K次结果的平均值作为分类器或模型的性能指标。
6.根据权利要求1所述的牛肉产地混合溯源方法,其特征在于,所述根据性能排名赋予鉴别模型相应的权重具体为:
假设基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型的权重分别为ω1、ω2、ω3、ω4,则:
ω1+ω2+ω3+ω4=1
其中,基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型的性能越好,权重越大。
7.根据权利要求1所述的牛肉产地混合溯源方法,其特征在于,所述步骤S10具体为:
通过基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型进行混合检测,假设其分别的检测结果为r1、r2、r3、r4,则鉴别模型最终的检测结果为:
r=r1*ω1+r2*ω2+r3*ω3+r4*ω4
当r大于设定阈值,则进口牛肉为相应的国家进口,否则不为相应的国家进口。
8.一种进口牛肉产地混合溯源***,其特征在于,包括:
预处理模块,用于采集不同国家的牛肉样品,对牛肉样品进行粉碎、干燥、脱脂处理,脱脂完成后,对牛肉样本进行研磨,利用固定大小的筛板进行过滤,再次进行干燥,得到标准的进口牛肉样品;
近红外光谱采集模块,用于利用红外光谱仪采集所述标准的进口牛肉样品近红外光谱,所采集扫描的波数范围是8000-5000cm-1,分辨率为4cm-1,扫描的温度维持在25℃、湿度控制在保持稳定,每个样本的光谱扫描三次,对三次所采集的光谱数据求取平均值得到每个进口牛肉样本的光谱数据;根据牛肉样品近红外光谱的方差及标准差,剔除奇异点样本,得到最终的进口牛肉样品近红外光谱数据;
同位素采集模块,用于利用同位素比率质谱仪检测所述标准的进口牛肉样品中δ13C、δ2H、δ15N的值,每个样本利用同位素比率质谱仪检测三次,对三次所采集的同位素质谱数据求取平均值得到每个进口牛肉样本的同位素质谱数据;根据牛肉样品同位素质谱数据的方差及标准差,剔除奇异点样本,得到最终的进口牛肉样品同位素质谱数据;
矿物元素采集模块,用于利用等离子质谱仪检测所述标准的进口牛肉样品中Se、Rb和Ti的含量,每个样本利用等离子质谱仪检测三次,对三次所采集的矿物元素数据求取平均值得到每个进口牛肉样本的矿物元素数据;根据牛肉样品同矿物元素数据的方差及标准差,剔除奇异点样本,得到最终的进口牛肉样品矿物元素数据;
氨基酸采集模块,用于利用氨基酸分析仪检测所述标准的进口牛肉样品中Asp、Thr、Ser、Glu、Gly、Val、Ile、Leu、Tyr、Phe、Lys、His 12种氨基酸含量,每个样本利用氨基酸分析仪检测三次,对三次所采集的氨基酸含量求取平均值得到每个进口牛肉样本的氨基酸含量数据;根据牛肉样品同矿物元素数据的方差及标准差,剔除奇异点样本,得到最终的进口牛肉样品氨基酸数据;模型训练模型,建立偏最小二乘法鉴别模型,对所述进口牛肉样品红外光谱数据、同位素质谱数据、矿物元素数据及氨基酸数据进行分割,选取1/n个样本数据作为测试集,其余样本数据为训练集,分别基于红外光谱数据、同位素质谱数据、矿物元素数据及氨基酸数据,不断对鉴别模型进行训练,得到基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型;
验证评价模块,用于交叉验证基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型的性能;
排序模块,用于对所述基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型按照性能进行排序,根据性能排名赋予鉴别模型相应的权重;
检测模块,用于分别利用基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型对进口牛肉进行检测,当判断进口牛肉不为相应国家的牛肉时,检测结果为0,否则检测结果为1;
综合溯源模块,用于计算利用基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型得到的检测结果分别与相应的鉴别模型的加权和,将所述加权和与设定阈值进行对比,判断进口牛肉的产地。
9.根据权利要求8所述的牛肉产地混合溯源***,其特征在于,所述根据性能排名赋予鉴别模型相应的权重具体为:
假设基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型的权重分别为ω1、ω2、ω3、ω4,则:
ω1+ω2+ω3+ω4=1
其中,基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型的性能越好,权重越大。
10.根据权利要求8所述的牛肉产地混合溯源***,其特征在于,所述综合溯源模块包括:
通过基于红外光谱数据的鉴别模型、基于同位素质谱数据的鉴别模型、基于矿物元素数据的鉴别模型、基于氨基酸数据的鉴别模型进行混合检测,假设其分别的检测结果为r1、r2、r3、r4,则鉴别模型最终的检测结果为:
r=r1*ω1+r2*ω2+r3*ω3+r4*ω4
当r大于设定阈值,则进口牛肉为相应的国家进口,否则不为相应的国家进口。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911141317.6A CN110954500B (zh) | 2019-11-20 | 2019-11-20 | 一种进口牛肉产地混合溯源方法及*** |
JP2020009725A JP6708829B1 (ja) | 2019-11-20 | 2020-01-24 | 輸入牛肉産地の混合追跡方法およびシステム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911141317.6A CN110954500B (zh) | 2019-11-20 | 2019-11-20 | 一种进口牛肉产地混合溯源方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110954500A true CN110954500A (zh) | 2020-04-03 |
CN110954500B CN110954500B (zh) | 2021-03-02 |
Family
ID=69977959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911141317.6A Active CN110954500B (zh) | 2019-11-20 | 2019-11-20 | 一种进口牛肉产地混合溯源方法及*** |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP6708829B1 (zh) |
CN (1) | CN110954500B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215277A (zh) * | 2020-10-09 | 2021-01-12 | 内蒙古农业大学 | 一种牛羊肉物种和饲养模式真实性的判别方法和*** |
CN112285302A (zh) * | 2020-11-25 | 2021-01-29 | 上海海关动植物与食品检验检疫技术中心 | 一种乳品的有机属性鉴别方法 |
CN112326766A (zh) * | 2020-11-02 | 2021-02-05 | 浙江省农业科学院 | 一种牦牛肉产地的鉴别方法 |
CN112362827A (zh) * | 2020-11-25 | 2021-02-12 | 上海海关动植物与食品检验检疫技术中心 | 一种牛奶产地溯源方法 |
CN113219118A (zh) * | 2021-05-18 | 2021-08-06 | 河北农业大学 | 一种牛奶产地opls-da鉴别模型的构建方法及应用 |
CN113671602A (zh) * | 2021-08-17 | 2021-11-19 | 上海康耐特光学有限公司 | 一种可溯源树脂镜片及其溯源方法和应用 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110954500B (zh) * | 2019-11-20 | 2021-03-02 | 中国计量大学 | 一种进口牛肉产地混合溯源方法及*** |
CN114295611B (zh) * | 2021-08-27 | 2023-10-03 | 石河子大学 | 一种基于时序变温过程中视觉成像的羊肉掺假定量检测方法 |
CN116165165B (zh) * | 2023-04-25 | 2023-07-07 | 四川威斯派克科技有限公司 | 一种药品原辅料在线实时放行的检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107219184A (zh) * | 2017-04-24 | 2017-09-29 | 仲恺农业工程学院 | 一种应用于产地溯源的肉类鉴别方法及装置 |
CN107844984A (zh) * | 2017-12-12 | 2018-03-27 | 天津中安华典数据安全科技有限公司 | 一种家畜产品的监控溯源方法及*** |
CN109470763A (zh) * | 2017-09-08 | 2019-03-15 | 上海市合成纤维研究所有限公司 | 一种再生蛋白质纤维原料溯源的鉴别方法 |
JP6708829B1 (ja) * | 2019-11-20 | 2020-06-10 | 中国計量大学 | 輸入牛肉産地の混合追跡方法およびシステム |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10123711A1 (de) * | 2001-05-15 | 2003-02-27 | Wolfgang Altmeyer | Verfahren zur Bestimmung der Herkunft biologischer Materialien |
JP5233549B2 (ja) * | 2008-09-22 | 2013-07-10 | 住友電気工業株式会社 | 食品品質検査装置、食品成分検査装置、異物成分検査装置、食味検査装置および変移状態検査装置 |
CN107677637A (zh) * | 2017-08-31 | 2018-02-09 | 维沃移动通信有限公司 | 一种肉类的真伪检验方法及移动终端 |
CN107741502A (zh) * | 2017-10-12 | 2018-02-27 | 中国农业科学院农业质量标准与检测技术研究所 | 一种牛肉蛋白中碳、氮稳定同位素标准样品的制备方法 |
-
2019
- 2019-11-20 CN CN201911141317.6A patent/CN110954500B/zh active Active
-
2020
- 2020-01-24 JP JP2020009725A patent/JP6708829B1/ja not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107219184A (zh) * | 2017-04-24 | 2017-09-29 | 仲恺农业工程学院 | 一种应用于产地溯源的肉类鉴别方法及装置 |
CN109470763A (zh) * | 2017-09-08 | 2019-03-15 | 上海市合成纤维研究所有限公司 | 一种再生蛋白质纤维原料溯源的鉴别方法 |
CN107844984A (zh) * | 2017-12-12 | 2018-03-27 | 天津中安华典数据安全科技有限公司 | 一种家畜产品的监控溯源方法及*** |
JP6708829B1 (ja) * | 2019-11-20 | 2020-06-10 | 中国計量大学 | 輸入牛肉産地の混合追跡方法およびシステム |
Non-Patent Citations (2)
Title |
---|
YU MIN PARK ET AL: "Origin discrimination of defatted pork via trace elements profiling, stable isotope ratios analysis, and multivariate statistical techniques", 《MEAT SCIENCE》 * |
叶子弘等: "茶叶原产地检测方法及其应用", 《中国计量学院学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215277A (zh) * | 2020-10-09 | 2021-01-12 | 内蒙古农业大学 | 一种牛羊肉物种和饲养模式真实性的判别方法和*** |
CN112326766A (zh) * | 2020-11-02 | 2021-02-05 | 浙江省农业科学院 | 一种牦牛肉产地的鉴别方法 |
CN112285302A (zh) * | 2020-11-25 | 2021-01-29 | 上海海关动植物与食品检验检疫技术中心 | 一种乳品的有机属性鉴别方法 |
CN112362827A (zh) * | 2020-11-25 | 2021-02-12 | 上海海关动植物与食品检验检疫技术中心 | 一种牛奶产地溯源方法 |
CN113219118A (zh) * | 2021-05-18 | 2021-08-06 | 河北农业大学 | 一种牛奶产地opls-da鉴别模型的构建方法及应用 |
CN113671602A (zh) * | 2021-08-17 | 2021-11-19 | 上海康耐特光学有限公司 | 一种可溯源树脂镜片及其溯源方法和应用 |
Also Published As
Publication number | Publication date |
---|---|
JP6708829B1 (ja) | 2020-06-10 |
CN110954500B (zh) | 2021-03-02 |
JP2021081407A (ja) | 2021-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110954500B (zh) | 一种进口牛肉产地混合溯源方法及*** | |
CN108982692B (zh) | 元素分析-稳定同位素质谱判别奶粉产地的方法 | |
Wang et al. | Tracing the geographical origin of rice by stable isotopic analyses combined with chemometrics | |
Sikirzhytski et al. | Multidimensional Raman spectroscopic signatures as a tool for forensic identification of body fluid traces: a review | |
Jöbstl et al. | Identification of the geographical origin of pumpkin seed oil by the use of rare earth elements and discriminant analysis | |
Camin et al. | Application of multielement stable isotope ratio analysis to the characterization of French, Italian, and Spanish cheeses | |
Bat et al. | Isotopic and elemental characterisation of Slovenian apple juice according to geographical origin: Preliminary results | |
Podio et al. | Elemental and isotopic fingerprint of Argentinean wheat. Matching soil, water, and crop composition to differentiate provenance | |
Qin et al. | Fluorescence fingerprinting properties for exploring water-soluble organic compounds in PM2. 5 in an industrial city of northwest China | |
Laursen et al. | Advances in isotopic analysis for food authenticity testing | |
Baroni et al. | How much do soil and water contribute to the composition of meat? A case study: Meat from three areas of Argentina | |
CN110954499B (zh) | 一种进口三文鱼产地混合鉴别方法及*** | |
CN109239176A (zh) | 一种基于多元素和稳定同位素的牦牛肉产地溯源方法 | |
Pepi et al. | Relationship among geochemical elements in soil and grapes as terroir fingerprintings in Vitis vinifera L. cv.“Glera” | |
CN104914156A (zh) | 一种基于矿物质分析技术的大米产地鉴定方法与应用 | |
Zhou et al. | The optical characteristics and sources of chromophoric dissolved organic matter (CDOM) in seasonal snow of northwestern China | |
CN109187130A (zh) | 一种基于矿物元素判别模型的牦牛肉溯源方法 | |
Niu et al. | Fluorescence characteristics, absorption properties, and radiative effects of water-soluble organic carbon in seasonal snow across northeastern China | |
Boughattas et al. | Mid infrared spectroscopy combined with chemometric tools for the identification of canned tuna species in brine | |
Pillonel et al. | Analytical methods for the detection of adulteration and mislabelling of Raclette Suisse® and Fontina PDO cheese | |
Cui et al. | Geographical traceability of soybean based on elemental fingerprinting and multivariate analysis | |
Rigby et al. | Near-infrared spectroscopy for shark ageing and biology | |
Li et al. | The stable isotope signatures of blackcurrant (Ribes nigrum L.) in main cultivation regions of China: Implications for tracing geographic origin | |
Bigot et al. | Traceability and authentication of organic foodstuffs | |
Jin et al. | A stable isotope and chemometric framework to distinguish fresh milk from reconstituted milk powder and detect potential extraneous nitrogen additives |
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 |