CN117825601B - 一种食品中二氧化硫的测定方法 - Google Patents
一种食品中二氧化硫的测定方法 Download PDFInfo
- Publication number
- CN117825601B CN117825601B CN202410245041.0A CN202410245041A CN117825601B CN 117825601 B CN117825601 B CN 117825601B CN 202410245041 A CN202410245041 A CN 202410245041A CN 117825601 B CN117825601 B CN 117825601B
- Authority
- CN
- China
- Prior art keywords
- data
- data set
- original
- original data
- representing
- 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
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 title claims abstract description 140
- 238000000034 method Methods 0.000 title claims abstract description 59
- 235000013305 food Nutrition 0.000 title claims abstract description 49
- 230000004044 response Effects 0.000 claims abstract description 134
- 238000011208 chromatographic data Methods 0.000 claims abstract description 65
- 238000001914 filtration Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 13
- 238000010521 absorption reaction Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 230000009466 transformation Effects 0.000 abstract 1
- 239000000126 substance Substances 0.000 description 13
- 239000000523 sample Substances 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000004128 high performance liquid chromatography Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 239000007788 liquid Substances 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 3
- 238000002835 absorbance Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000012488 sample solution Substances 0.000 description 2
- 206010019233 Headaches Diseases 0.000 description 1
- 206010028813 Nausea Diseases 0.000 description 1
- 208000006673 asthma Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000002778 food additive Substances 0.000 description 1
- 235000013373 food additive Nutrition 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 230000004298 light response Effects 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008693 nausea Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000002798 spectrophotometry method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 239000013076 target substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/86—Signal analysis
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)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及物理分析技术领域,具体涉及一种食品中二氧化硫的测定方法,包括:获取待检测食品的色谱数据集,将其记为原始数据集;对原始数据集进行分段,得到原始数据集中的数据响应段;根据傅里叶变换,得到每一数据响应段对应的频谱图;根据原始数据集与每一数据响应段对应的频谱图,得到原始数据集的噪声影响程度;根据噪声影响程度对原始数据集进行去噪处理,得到滤波去噪后的色谱数据集;由此得到待检测食品的二氧化硫的含量。本发明在通过待检测食品的色谱数据获取待检测食品的二氧化硫的含量时,去除了噪声对色谱数据集的影响,得到了更接近真实情况的色谱数据集,从而得到了更为精准的二氧化硫的含量。
Description
技术领域
本发明涉及物理分析技术领域,具体涉及一种食品中二氧化硫的测定方法。
背景技术
二氧化硫是一种常用的食品添加剂,用于保持食品的新鲜度和防止微生物污染。然而,过量的二氧化硫会对人体造成危害,如引起哮喘、头痛、恶心等症状。因此,对于食品中二氧化硫的含量进行准确的检测非常重要。目前,常用的二氧化硫检测方法包括高效液相色谱法、荧光法、紫外分光光度法等。这些方法具有准确性高、可靠性好等优点,为食品安全保障提供了一种新的技术手段。其中高效液相色谱法灵敏度高,检测准确。但是通过高效液相色谱法在采集食品的色谱数据时,因为传感器自身性能的原因使得采集的色谱数据中存在噪声,噪声会影响对二氧化硫含量的测定,因此需要对获得的色谱数据进行去噪处理。
在现有技术中,对数据去噪的算法较多,但是通过高效液相色谱法在获取待检测样品的色谱数据时,根据不同光的能量变化来获得色谱数据。而传统的去噪算法无法对多种类型的光所生成的色谱图像进行解释,只是根据数据的变化对其进行平滑滤波,导致根据去噪后的数据得到的待检测样品中二氧化硫的测定结果可能不准确。
发明内容
本发明提供一种食品中二氧化硫的测定方法,以解决现有的问题。
本发明的一种食品中二氧化硫的测定方法采用如下技术方案:
一种食品中二氧化硫的测定方法,该方法包括以下步骤:
获取待检测食品的色谱数据集、标准数据集、标准数据集所反映的二氧化硫的浓度以及二氧化硫对应的时间区间;将待检测食品的色谱数据集记为原始数据集;所述原始数据集中每一原始数据都包含一个时间值与一个响应信号值;根据原始数据集中每一原始数据的时间值与响应信号值对原始数据集进行分段,得到原始数据集中的数据响应段;
对每一数据响应段进行短时傅里叶变换,得到频谱图;所述频谱图中的每个数据点对应一个功率和一个频率;
根据每一数据响应段对应的频谱图,得到不同类型光对每一数据响应段的影响程度;
根据不同类型光对每一数据响应段的影响程度、原始数据集中原始数据的响应信号值以及频谱图中的每个数据点对应的一个功率,得到原始数据集的噪声影响程度;
根据噪声影响程度对原始数据进行去噪处理,得到滤波去噪后的色谱数据集;根据滤波去噪后的色谱数据集、标准数据集、标准数据集所反映的二氧化硫的浓度以及二氧化硫对应的时间区间,得到待检测食品的二氧化硫的含量。
进一步地,所述根据原始数据集中每一原始数据的时间值与响应信号值对原始数据集进行分段,得到原始数据集中的数据响应段,包括的具体步骤如下:
使用一阶导数法对原始数据集进行运算,得到原始数据集中的若干个极值点;
根据相邻极值点的时间值,得到每个极值点左邻域和右邻域;
根据第个极值点的左邻域和右邻域内每个原始数据与第/>个极值点的响应信号值的差异,分别得到第/>个极值点的左邻域和右邻域内每个原始数据为第/>个极值点的左侧边界和右侧边界的表现程度;
根据第个极值点的左邻域和右邻域内每个原始数据为第/>个极值点的左侧边界和右侧边界的表现程度,得到第/>个数据响应段。
进一步地,所述根据相邻极值点的时间值,得到每个极值点左邻域和右邻域,包括的具体步骤如下:
将记为第/>个极值点的左邻域;将/>记为第/>个极值点的右邻域;其中/>表示第/>个极值点的时间值,/>表示第/>个极值点的时间值,/>表示第/>个极值点的时间值。
进一步地,所述根据第个极值点的左邻域和右邻域内每个原始数据与第/>个极值点的响应信号值的差异,分别得到第/>个极值点的左邻域和右邻域内每个原始数据为第/>个极值点的左侧边界和右侧边界的表现程度,包括的具体公式如下:
式中,表示原始数据集中第/>个极值点的左邻域内第/>个原始数据为第/>个极值点的左侧边界的表现程度,/>表示原始数据集中第/>个极值点的右邻域内第/>个原始数据为第/>个极值点的右侧边界的表现程度,/>表示原始数据集中第/>个极值点的响应信号值,表示原始数据集中第/>个极值点的左邻域内第/>个原始数据的响应信号值,/>表示原始数据集中第/>个极值点的右邻域内第/>个原始数据的响应信号值,/>表示一个绝对值函数,/>表示原始数据集中所有原始数据的最小响应信号值,/>表示以自然常数为底的指数函数。
进一步地,所述根据第个极值点的左邻域和右邻域内每个原始数据为第/>个极值点的左侧边界和右侧边界的表现程度,得到第/>个数据响应段,包括的具体步骤如下:
选择原始数据集中第个极值点的左邻域内所有原始数据为第/>个极值点的左边界的表现程度中的最大值所对应的原始数据的时间值,作为第/>个极值点的左侧边界的时间值;
选择原始数据集中第个极值点的右邻域内所有原始数据为第/>个极值点的右边界的表现程度中的最大值所对应的原始数据的时间值,作为第/>个极值点的右侧边界的时间值;
根据第个极值点的左侧边界与右侧边界的时间值之间的所有原始数据,构成第/>个数据响应段。
进一步地,所述根据每一数据响应段对应的频谱图,得到不同类型光对每一数据响应段的影响程度,包括的具体步骤如下:
任选一个数据响应段记为参考段,将参考段对应的频谱图,记为参考频谱图;
使用一阶导数法对参考频谱图中所有数据点的功率进行运算,得到参考频谱图中若干个极值点;
根据DBSCAN密度聚类算法对参考频谱图中的所有极值点进行聚类,得到若干个聚类簇;
根据聚类簇中极值点的功率之间的差异,得到不同类型光对参考段的影响程度。
进一步地,所述根据聚类簇中极值点的功率之间的差异,得到不同类型光对参考段的影响程度,包括的具体公式如下:
式中,表示不同类型光对参考段的影响程度,/>表示参考频谱图中极值点的数量,/>表示第/>个聚类簇中极值点的平均功率,/>表示所有聚类簇中极值点的平均功率的最小值,/>表示聚类簇的数量,/>表示所有聚类簇中极值点的平均功率的最大值,/>表示参考频谱图中所有数据点的功率的方差,/>表示以自然常数为底的指数函数,表示线性归一化函数,/>表示一个绝对值函数。
进一步地,所述根据不同类型光对每一数据响应段的影响程度、原始数据集中原始数据的响应信号值以及频谱图中的每个数据点对应的一个功率,得到原始数据集的噪声影响程度,包括的具体公式如下:
式中,表示原始数据集的噪声影响程度,/>表示不同类型光对第t个数据响应段的影响程度,/>表示原始数据集中第/>个数据响应段内所有原始数据中的最大响应信号值,/>表示第/>个数据响应段对应的频谱图内所有数据点中的最大功率,/>表示第/>个数据响应段对应的频谱图中所有数据点的功率方差,/>表示原始数据集中数据响应段的数量。
进一步地,所述根据噪声影响程度对原始数据进行去噪处理,得到滤波去噪后的色谱数据集,包括的具体步骤如下:
将预设的窗口边长与原始数据集的噪声影响程度的乘积的向上取整值,记为滤波窗口的大小;
根据滤波窗口的尺寸大小,使用中值滤波算法对原始数据集进行滤波去噪,得到去噪后的色谱数据集。
进一步地,所述根据滤波去噪后的色谱数据集、标准数据集、标准数据集所反映的二氧化硫的浓度以及二氧化硫对应的时间区间,得到待检测食品的二氧化硫的含量,包括的具体公式如下:
式中,表示待检测食品的二氧化硫浓度,/>表示标准数据集所反映的二氧化硫的浓度,/>表示去噪后的色谱数据集中处于二氧化硫对应的时间区间内的数据的响应信号值的均值,/>表示标准数据集中处于二氧化硫对应的时间区间内的数据的响应信号值的均值;所述标准数据集中每一数据都包含一个时间值与一个响应信号值。
本发明的技术方案的有益效果是:获取待检测食品的色谱数据集、标准数据集、标准数据集所反映的二氧化硫的浓度以及二氧化硫对应的时间区间;将待检测食品的色谱数据集记为原始数据集;所述原始数据集中每一原始数据都包含一个时间值与一个响应信号值;根据原始数据集中每一原始数据的时间值与响应信号值对原始数据集进行分段,得到原始数据集中的数据响应段,所得数据响应段更好的表示了噪声对色谱数据集的影响;对每一数据响应段进行短时傅里叶变换,得到频谱图;所述频谱图中的每个数据点对应一个功率和一个频率;根据每一数据响应段对应的频谱图,得到不同类型光对每一数据响应段的影响程度,其中在计算不同类型光对每一数据响应段的影响程度时,不仅使用了原始数据集也依据了频谱图,从而得到一个更为精确的不同类型光对每一数据响应段的影响程度;根据不同类型光对每一数据响应段的影响程度、原始数据集中原始数据的响应信号值以及频谱图中的每个数据点对应的一个功率,得到原始数据集的噪声影响程度,在计算原始数据集的噪声影响程度时,依据不同类型光对多个数据响应段的影响程度,从而得到更加精准的原始数据集的噪声影响程度;根据噪声影响程度对原始数据进行去噪处理,得到一个更加准确的色谱数据集即滤波去噪后的色谱数据集;根据滤波去噪后的色谱数据集、标准数据集、标准数据集所反映的二氧化硫的浓度以及二氧化硫对应的时间区间时,使用滤波去除后的色谱数据集,使得计算得到的待检测食品的二氧化硫的含量更为精确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种食品中二氧化硫的测定方法的步骤流程图;
图2为高效液相色谱图;
图3为一个数据响应段对应的频谱图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种食品中二氧化硫的测定方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种食品中二氧化硫的测定方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种食品中二氧化硫的测定方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取待检测食品的色谱数据集、标准数据集、标准数据集所反映的二氧化硫的浓度以及二氧化硫对应的时间区间;将待检测食品的色谱数据集记为原始数据集;所述原始数据集中每一原始数据都包含一个时间值与一个响应信号值;根据原始数据集中每一原始数据的时间值与响应信号值对原始数据集进行分段,得到原始数据集中的数据响应段。
本实施例的主要目的是为了对色谱图像进行去噪处理,因此首先需要采集待检测食品的色谱数据集并得到二氧化硫对应的时间区间、待检测食品的色谱数据集进行对照的标准数据集以及标准数据集所反映的二氧化硫的浓度。本实施例使用型号为悟空K2025高效液相色谱仪采集待检测食品的色谱数据集,在其他实施方式中可使用其他型号的高效液相色谱仪采集待检测食品的色谱数据集,本实施例不对其进行限定。
采集色谱数据集的具体过程为:将待检测食品样品与溶剂进行混合,获取样品溶液,将澄清的样品溶液注入色谱仪的样品进样器中,进而获得待检测食品的色谱数据集,将其记为原始数据集并获得待检测食品样品的标准数据集以及色谱图中二氧化硫对应的时间区间。需要说明的是色谱数据集中的每一色谱数据都包含一个时间值与一个响应信号值,即原始数据集中的每一原始数据都包含一个时间值与一个响应信号值,标准数据集中每一数据都包含一个时间值与一个响应信号值。
高效液相色谱图如图2所示,在图2中的A表示只有二氧化硫的色谱图,也就是对照品色谱图,B表示待检测食品的色谱图,也就是试品色谱图, C表示待检测食品的标准样品的色谱图,也就是阴性对照色谱图,C中无二氧化硫对应,a表示二氧化硫区间。
需要说明的是,高效液相色谱法对食物中的二氧化硫的含量进行测定时,其原理是根据不同物质对不同光的吸收能力不同,根据对光的吸收量来确定物质的吸光度,从而在与标准数据集进行比较,来确定检测样品中是否含有目标物质。而在采集色谱数据集时,可能受到噪声的影响,从而使得所获得的色谱数据集中部分色谱数据的响应信号值发生变化,导致在与标准数据集进行比较时,数据不能对应,或出现错误的对应,从而造成样品检测的不准确。因此需要对获得的色谱数据集进行去噪处理。
而在对色谱数据集进行去噪处理时,因为色谱数据集中的色谱数据是由物质对多种光的吸收能力数据叠加而成的,不同物质对不同光的吸收能力都不一样,因此如果直接对色谱数据集进行去噪的话,就会改变物质对多种光吸收能力数据的叠加效果,从而影响最终色谱数据集的准确性。因此为了能够准确的表示噪声对色谱数据集的影响,本实施例先对原始数据集进行分段,得到原始数据集中的数据响应段,通过短时傅里叶变换,将原始数据集中每一数据响应段内的原始数据从时域转换到频域中,然后根据原始数据集中的原始数据在频域中的分布来确定原始数据集中出现不同数据响应时噪声对原始数据集的影响,然后在比较不同数据响应段之间的差异,从而来获得原始数据集的噪声影响程度即色谱数据集的噪声影响程度。
具体的,在对原始数据集进行短时傅里叶变换时,首先需要确定原始数据集中的数据响应段,其表示的是原始数据集中不同物质对光的响应。
获取原始数据集中的数据响应段的具体步骤如下:首先获得原始数据集中的所有极值点,然后根据每个极值点两侧邻域数据的分布来获得原始数据集中的数据响应段。
使用一阶导数法对原始数据集进行运算,得到原始数据集中的若干个极值点。
其中,一阶导数法为公知技术,具体方法在此不做介绍。
原始数据集中每个极值点两侧邻域数据的分布如下,以原始数据集中第个极值点为例,原始数据集中第/>个极值点两侧邻域数据的分布如下:
在原始数据集中将第个极值点的左邻域的时间值范围记为/>,将第/>个极值点的右邻域的时间值范围记为/>,其中/>表示第个极值点的时间值,/>表示第/>个极值点的时间值,/>表示第/>个极值点的时间值,/>表示第/>个极值点与第/>个极值点时间值的中值,/>表示第/>个极值点与第/>个极值点时间值的中值。这里第/>个极值点的邻域数据分为左邻域与右邻域。
其中第个极值点的左邻域内第/>个原始数据为第/>个极值点的左侧边界的表现程度为/>,其中第/>个极值点的右邻域内第/>个原始数据为第/>个极值点的右侧边界的表现程度为/>,/>的计算公式如下:
式中,表示原始数据集中第/>个极值点的左邻域内第/>个原始数据为第/>个极值点的左侧边界的表现程度,/>表示原始数据集中第/>个极值点的右邻域内第/>个原始数据为第/>个极值点的右侧边界的表现程度,/>表示原始数据集中第/>个极值点的响应信号值,表示原始数据集中第/>个极值点的左邻域内第/>个原始数据的响应信号值,/>表示原始数据集中第/>个极值点的右邻域内第/>个原始数据的响应信号值,/>表示原始数据集中所有原始数据的最小响应信号值,/>表示以自然常数为底的指数函数,/>表示第/>个极值点与第/>个极值点的左邻域内第/>个原始数据的响应信号值的差异,表示第/>个极值点与第/>个极值点的右邻域内第/>个原始数据的响应信号值的差异,/>表示一个绝对值函数。
对第个极值点左右两侧邻域内的所有原始数据都进行上述操作,得到第/>个极值点左邻域内各原始数据为第/>个极值点的左侧边界的表现程度集:/>,得到第/>个极值点右邻域内各原始数据为第/>个极值点的右侧边界的表现程度集:/>。其中为第/>个极值点的左邻域内第/>个原始数据为第/>个极值点的左侧边界的表现程度,/>为第/>个极值点的右邻域内第/>个原始数据为第/>个极值点的右侧边界的表现程度。
在集合里选择表现程度最大时对应的原始数据的时间值为第/>个极值点的左侧边界的时间值;在集合/>里选择表现程度最大时对应的原始数据的时间值为第/>个极值点的右侧边界的时间值;进而由左边界与右边界的时间值之间的所有原始数据构成第/>个极值点的数据响应段,下述将其记为第/>个数据响应段。
对原始数据集中的所有极值点都进行上述操作得到每一极值点的数据响应段即得到原始数据集中的所有数据响应段。
步骤S002:对每一数据响应段进行短时傅里叶变换,得到频谱图;所述频谱图中的每个数据点对应一个功率和一个频率;根据每一数据响应段对应的频谱图,得到不同类型光对每一数据响应段的影响程度。
任选一个数据响应段记为参考段,通过短时傅里叶变化算法对参考段的原始数据进行傅里叶变换,得到参考段对应的参考频谱图;所述参考频谱图的横坐标为频率,纵坐标为功率。
参考段中每个原始数据对应参考频谱图中一个数据点,所述参考频谱图中的每一个数据点都包含一个频率值与功率值。如图3所示,图3表示一个数据响应段对应的频谱图。
因为原始数据是物质吸收了不同程度的光进行叠加得到,而不同光的频率是不一样的,因此获得的参考频谱图中会存在多种频率的数据响应。当原始数据集受到噪声影响时,不同频率的数据都会受到噪声的影响,因此根据参考频谱图中信号的变化得到不同类型光对该参考段的影响程度。
在参考频谱图中,使用一阶导数法对数据点的功率进行运算,得到参考频谱图中若干个极值点。
然后根据参考频谱图中每一极值点的功率值进行聚类,在这里使用DBSCAN密度聚类算法对参考频谱图中的所有极值点进行聚类,进而获得多个聚类簇。因为每一个极值点对应一种频率下的数据,因此不同的频率表示不同的光,并且因为受到噪声的影响,导致可能会存在更多的频率。并且需要说明的是,DBSCAN密度聚类算法是一个比较有代表性的基于密度的聚类算法,该算法为现有公知技术,在此不再进行赘述,其中半径与最小聚类数为DBSCAN密度聚类算法中的参数,在本实施例中预设DBSCAN密度聚类算法中的半径为3、最小聚类数为4,其他实施例中半径与最小聚类数可设置为其他值,本实施例不对其进行限定。根据获得的聚类簇中的极值点的分布来获得不同类型光对参考段的影响程度,其计算公式如下:
式中,表示不同类型光对参考段的影响程度,/>表示参考频谱图中极值点的数量,/>表示第/>个聚类簇中极值点的平均功率,/>表示所有聚类簇中极值点的平均功率的最小值,/>表示聚类簇的数量,/>表示所有聚类簇中极值点的平均功率的最大值,/>表示参考频谱图中所有数据点的功率的方差,/>表示以自然常数为底的指数函数,表示线性归一化函数,/>表示第/>个聚类簇中极值点的平均功率与所有聚类簇中极值点的平均功率的最小值的差异,/>表示第/>个聚类簇中极值点的平均功率与所有聚类簇中极值点的平均功率的最大值的差异,/>表示一个绝对值函数。
具体的,参考频谱图中极值点的数量越多,说明在参考段内存在不同频率的信号越多,造成该原因是由于不同频率的噪声信号叠加在原始数据上,并且该参考段对应的物质对光的吸收程度不同造成的,因此越大,说明不同类型光以及噪声对该参考段的影响程度越大;/>表示所有聚类簇中极值点的平均功率的最大值与平均功率的最小值的差值,因为在所有的聚类簇中,极值点的平均功率最大的聚类簇中对应的是物质对光响应信号所在的频率,其值越大,则说明光对物质的影响程度越大;/>表示所有聚类簇中极值点的平均功率的最大值与第/>个聚类簇中极值点的平均功率的差值,其差异程度越小,说明噪声相对于原始信号的影响程度越大,因此这里使用以自然常数为底的指数函数来改变函数的单调性;/>表示参考频谱图中所有数据点的功率方差,方差越大,说明参考频谱图中数据点的频率波动程度越大,因此不同类型光对该参考段的影响程度越大。
至此,获得了不同类型光对该参考段的影响程度。
对原始数据集中的所有数据响应段都进行上述操作,得到不同类型光对每一数据响应段的影响程度。
步骤S003:根据不同类型光对每一数据响应段的影响程度、原始数据集中原始数据的响应信号值以及频谱图中的每个数据点对应的一个功率,得到原始数据集的噪声影响程度。
根据上述计算获得的不同类型光对每一数据响应段的影响程度。因为在采集数据时,噪声随机分布在色谱数据集的各个位置中,因此可以近似的看作噪声对整个原始数据集的影响程度一样,因此根据不同数据响应段的原始数据变化来对噪声进行估计,从而获得原始数据集的噪声影响程度。其计算公式如下:
式中,表示原始数据集的噪声影响程度,/>表示不同类型光对第t个数据响应段的影响程度,/>表示原始数据集中第/>个数据响应段内所有原始数据中的最大响应信号值,/>表示第/>个数据响应段对应的频谱图内所有数据点中的最大功率,/>表示第/>个数据响应段对应的频谱图中所有数据点的功率方差,/>表示原始数据集中数据响应段的数量。
具体的,表示不同类型光对第/>个数据响应段的影响程度与不同类型光对所有数据响应段的影响程度之和的占比,其比值越大,说明不同类型光对第/>个数据响应段的影响程度越大,将其作为权重,然后乘以/>,其所得值越大,说明在原始数据集中第/>个数据响应段受到噪声影响程度越大,因为/>就表示原始数据集中第/>个数据响应段内原始数据的最大响应信号与第/>个数据响应段所对应频谱图中数据点的最大功率的比值,而原始数据集中出现数据响应的点就表示的检测样品中的物质在色谱数据中出现的响应,但是若是受到噪声的影响,其比值就越大,因此噪声程度越大。
至此,获得了原始数据集的噪声影响程度。
步骤S004:根据噪声影响程度对原始数据进行去噪处理,得到滤波去噪后的色谱数据集;根据滤波去噪后的色谱数据集、标准数据集、标准数据集所反映的二氧化硫的浓度以及二氧化硫对应的时间区间,得到待检测食品的二氧化硫的含量。
根据上述计算获得的原始数据集的噪声影响程度,然后通过中值滤波算法对原始数据集进行滤波去噪,将原始数据集的噪声影响程度作为滤波权重,进而根据滤波权重获得滤波窗口的尺寸大小,滤波窗口的尺寸大小的计算公式如下:,/>表示滤波窗口的大小,/>为预设的窗口边长,/>为原始数据集的噪声影响程度,/>表示向上取整函数。然后根据获得的滤波窗口对原始数据集进行滤波去噪处理,获得去噪后的色谱数据集。
需要说明的是,在本实施例中预设的窗口边长,并以此为例进行叙述,其他实施方式中可设置为其他值,本实施例不进行限定。并且中值滤波算法为现有公知技术,在此不再进行赘述。
根据上述获得的去噪后的色谱数据集与标准数据集进行对比,并结合标准数据集所反映的二氧化硫的浓度,得到去噪后的二氧化硫色谱数据集所反映的二氧化硫的浓度即待检测食品的二氧化硫的浓度,其计算公式如下:
式中,表示待检测食品的二氧化硫浓度,/>表示标准数据集所反映的二氧化硫的浓度,/>表示去噪后的色谱数据集中处于二氧化硫对应的时间区间内的数据的响应信号值的均值,/>标准数据集中处于二氧化硫对应的时间区间内的数据的响应信号值的均值;所述标准数据集中每一数据都包含一个时间值与一个响应信号值。
至此,本发明完成。
综上所述,在本发明实施例中,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种食品中二氧化硫的测定方法,其特征在于,该方法包括以下步骤:
获取待检测食品对多种光的吸收能力数据叠加而成的色谱数据集、标准数据集、标准数据集所反映的二氧化硫的浓度以及二氧化硫对应的时间区间;将待检测食品的色谱数据集记为原始数据集;所述原始数据集中每一原始数据都包含一个时间值与一个响应信号值;根据原始数据集中每一原始数据的时间值与响应信号值对原始数据集进行分段,得到原始数据集中的数据响应段;
对每一数据响应段进行短时傅里叶变换,得到频谱图;所述频谱图中的每个数据点对应一个功率和一个频率;
根据每一数据响应段对应的频谱图,得到不同类型光对每一数据响应段的影响程度;
根据不同类型光对每一数据响应段的影响程度、原始数据集中原始数据的响应信号值以及频谱图中的每个数据点对应的一个功率,得到原始数据集的噪声影响程度;
根据噪声影响程度对原始数据进行去噪处理,得到滤波去噪后的色谱数据集;根据滤波去噪后的色谱数据集、标准数据集、标准数据集所反映的二氧化硫的浓度以及二氧化硫对应的时间区间,得到待检测食品的二氧化硫的含量;
所述根据原始数据集中每一原始数据的时间值与响应信号值对原始数据集进行分段,得到原始数据集中的数据响应段,包括的具体步骤如下:
使用一阶导数法对原始数据集进行运算,得到原始数据集中的若干个极值点;
根据相邻极值点的时间值,得到每个极值点左邻域和右邻域;
根据第个极值点的左邻域和右邻域内每个原始数据与第/>个极值点的响应信号值的差异,分别得到第/>个极值点的左邻域和右邻域内每个原始数据为第/>个极值点的左侧边界和右侧边界的表现程度;
根据第个极值点的左邻域和右邻域内每个原始数据为第/>个极值点的左侧边界和右侧边界的表现程度,得到第/>个数据响应段;
所述根据第个极值点的左邻域和右邻域内每个原始数据与第/>个极值点的响应信号值的差异,分别得到第/>个极值点的左邻域和右邻域内每个原始数据为第/>个极值点的左侧边界和右侧边界的表现程度,包括的具体公式如下:
式中,表示原始数据集中第/>个极值点的左邻域内第/>个原始数据为第/>个极值点的左侧边界的表现程度,/>表示原始数据集中第/>个极值点的右邻域内第/>个原始数据为第/>个极值点的右侧边界的表现程度,/>表示原始数据集中第/>个极值点的响应信号值,/>表示原始数据集中第/>个极值点的左邻域内第/>个原始数据的响应信号值,/>表示原始数据集中第/>个极值点的右邻域内第/>个原始数据的响应信号值,/>表示一个绝对值函数,/>表示原始数据集中所有原始数据的最小响应信号值,/>表示以自然常数为底的指数函数;
所述根据第个极值点的左邻域和右邻域内每个原始数据为第/>个极值点的左侧边界和右侧边界的表现程度,得到第/>个数据响应段,包括的具体步骤如下:
选择原始数据集中第个极值点的左邻域内所有原始数据为第/>个极值点的左边界的表现程度中的最大值所对应的原始数据的时间值,作为第/>个极值点的左侧边界的时间值;
选择原始数据集中第个极值点的右邻域内所有原始数据为第/>个极值点的右边界的表现程度中的最大值所对应的原始数据的时间值,作为第/>个极值点的右侧边界的时间值;
根据第个极值点的左侧边界与右侧边界的时间值之间的所有原始数据,构成第/>个数据响应段;
所述根据每一数据响应段对应的频谱图,得到不同类型光对每一数据响应段的影响程度,包括的具体步骤如下:
任选一个数据响应段记为参考段,将参考段对应的频谱图,记为参考频谱图;
使用一阶导数法对参考频谱图中所有数据点的功率进行运算,得到参考频谱图中若干个极值点;
根据DBSCAN密度聚类算法对参考频谱图中的所有极值点进行聚类,得到若干个聚类簇;
根据聚类簇中极值点的功率之间的差异,得到不同类型光对参考段的影响程度;
所述根据聚类簇中极值点的功率之间的差异,得到不同类型光对参考段的影响程度,包括的具体公式如下:
式中,表示不同类型光对参考段的影响程度,/>表示参考频谱图中极值点的数量,/>表示第/>个聚类簇中极值点的平均功率,/>表示所有聚类簇中极值点的平均功率的最小值,/>表示聚类簇的数量,/>表示所有聚类簇中极值点的平均功率的最大值,/>表示参考频谱图中所有数据点的功率的方差,/>表示以自然常数为底的指数函数,表示线性归一化函数,/>表示一个绝对值函数;
所述根据不同类型光对每一数据响应段的影响程度、原始数据集中原始数据的响应信号值以及频谱图中的每个数据点对应的一个功率,得到原始数据集的噪声影响程度,包括的具体公式如下:
式中,表示原始数据集的噪声影响程度,/>表示不同类型光对第t个数据响应段的影响程度,/>表示原始数据集中第/>个数据响应段内所有原始数据中的最大响应信号值,/>表示第/>个数据响应段对应的频谱图内所有数据点中的最大功率,/>表示第/>个数据响应段对应的频谱图中所有数据点的功率方差,/>表示原始数据集中数据响应段的数量。
2.根据权利要求1所述一种食品中二氧化硫的测定方法,其特征在于,所述根据相邻极值点的时间值,得到每个极值点左邻域和右邻域,包括的具体步骤如下:
将记为第/>个极值点的左邻域;将/>记为第/>个极值点的右邻域;其中/>表示第/>个极值点的时间值,/>表示第/>个极值点的时间值,/>表示第/>个极值点的时间值。
3.根据权利要求1所述一种食品中二氧化硫的测定方法,其特征在于,所述根据噪声影响程度对原始数据进行去噪处理,得到滤波去噪后的色谱数据集,包括的具体步骤如下:
将预设的窗口边长与原始数据集的噪声影响程度的乘积的向上取整值,记为滤波窗口的大小;
根据滤波窗口的尺寸大小,使用中值滤波算法对原始数据集进行滤波去噪,得到去噪后的色谱数据集。
4.根据权利要求1所述一种食品中二氧化硫的测定方法,其特征在于,所述根据滤波去噪后的色谱数据集、标准数据集、标准数据集所反映的二氧化硫的浓度以及二氧化硫对应的时间区间,得到待检测食品的二氧化硫的含量,包括的具体公式如下:
式中,表示待检测食品的二氧化硫浓度,/>表示标准数据集所反映的二氧化硫的浓度,/>表示去噪后的色谱数据集中处于二氧化硫对应的时间区间内的数据的响应信号值的均值,/>表示标准数据集中处于二氧化硫对应的时间区间内的数据的响应信号值的均值;所述标准数据集中每一数据都包含一个时间值与一个响应信号值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410245041.0A CN117825601B (zh) | 2024-03-05 | 2024-03-05 | 一种食品中二氧化硫的测定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410245041.0A CN117825601B (zh) | 2024-03-05 | 2024-03-05 | 一种食品中二氧化硫的测定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117825601A CN117825601A (zh) | 2024-04-05 |
CN117825601B true CN117825601B (zh) | 2024-05-24 |
Family
ID=90508069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410245041.0A Active CN117825601B (zh) | 2024-03-05 | 2024-03-05 | 一种食品中二氧化硫的测定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117825601B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8867862B1 (en) * | 2012-12-21 | 2014-10-21 | The United States Of America As Represented By The Secretary Of The Navy | Self-optimizing analysis window sizing method |
JP2021018818A (ja) * | 2019-07-18 | 2021-02-15 | 浙江大学Zhejiang University | ウェーブレットおよび主成分解析に基づくプロペラのキャビテーション状態の検出方法 |
CN114740076A (zh) * | 2022-03-16 | 2022-07-12 | 上海润达榕嘉生物科技有限公司 | 对三重四极杆质谱仪***信号的滤波处理方法 |
KR20220158462A (ko) * | 2021-05-24 | 2022-12-01 | 조선대학교산학협력단 | 근전도 신호 기반 인식 정보 추출 시스템과 이를 이용한 근전도 신호 기반 인식 정보 추출 방법 |
CN117030654A (zh) * | 2023-10-10 | 2023-11-10 | 武汉怡特环保科技有限公司 | 一种空气中痕量级二氧化硫浓度测量方法 |
CN117405622A (zh) * | 2023-12-14 | 2024-01-16 | 广东伊茗药业有限公司 | 一种燕窝中亚硝酸盐含量智能检测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6763322B2 (en) * | 2002-01-09 | 2004-07-13 | General Electric Company | Method for enhancement in screening throughput |
US8428881B2 (en) * | 2003-12-19 | 2013-04-23 | Metabolon, Inc. | System and methods for non-targeted processing of chromatographic data |
CN112566553A (zh) * | 2018-08-13 | 2021-03-26 | 脸谱科技有限责任公司 | 实时尖峰检测和识别 |
US20220335276A1 (en) * | 2019-09-13 | 2022-10-20 | Mitsubishi Electric Corporation | Information processing device and electronic apparatus equipped with same |
US20230152286A1 (en) * | 2021-02-25 | 2023-05-18 | Acchrom Tech (Dalian) Technology Co., Ltd | Chromatographic analysis system, chromatogram detection and analysis method and electronic device |
-
2024
- 2024-03-05 CN CN202410245041.0A patent/CN117825601B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8867862B1 (en) * | 2012-12-21 | 2014-10-21 | The United States Of America As Represented By The Secretary Of The Navy | Self-optimizing analysis window sizing method |
JP2021018818A (ja) * | 2019-07-18 | 2021-02-15 | 浙江大学Zhejiang University | ウェーブレットおよび主成分解析に基づくプロペラのキャビテーション状態の検出方法 |
KR20220158462A (ko) * | 2021-05-24 | 2022-12-01 | 조선대학교산학협력단 | 근전도 신호 기반 인식 정보 추출 시스템과 이를 이용한 근전도 신호 기반 인식 정보 추출 방법 |
CN114740076A (zh) * | 2022-03-16 | 2022-07-12 | 上海润达榕嘉生物科技有限公司 | 对三重四极杆质谱仪***信号的滤波处理方法 |
CN117030654A (zh) * | 2023-10-10 | 2023-11-10 | 武汉怡特环保科技有限公司 | 一种空气中痕量级二氧化硫浓度测量方法 |
CN117405622A (zh) * | 2023-12-14 | 2024-01-16 | 广东伊茗药业有限公司 | 一种燕窝中亚硝酸盐含量智能检测方法 |
Non-Patent Citations (6)
Title |
---|
Variable-Speed Frequency-Hopping Signal Sorting: Spectrogram Is Sufficient;Weipeng Zhu 等;Electronics;20231103;第12卷;1-16 * |
Visualization of hydraulic fracture using physics-informed clustering to process ultrasonic shear waves;Aditya Chakravarty 等;International Journal of Rock Mechanics and Mining Sciences;20210131;第137卷;1-9 * |
图像条带噪声的去除方法;陶胜;;洛阳理工学院学报(自然科学版);20170925(03);74-78 * |
基于密度聚类与灰度变换的NSST域声呐图像去噪;刘光宇 等;湖南大学学报(自然科学版);20221231;第49卷(第8期);186-195 * |
基于提升小波的图像去噪算法的FPGA设计;李娜;刘艳滢;;微计算机信息;20090515(14);166-167+95 * |
高斯拟合结合小波降噪处理IMS峰信号;石松 等;淮北师范大学学报(自然科学版);20171231;第38卷(第2期);55-59 * |
Also Published As
Publication number | Publication date |
---|---|
CN117825601A (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103293118A (zh) | 一种基于近红外光谱分析技术的潲水油鉴别方法 | |
CN107219184A (zh) | 一种应用于产地溯源的肉类鉴别方法及装置 | |
CN117030654B (zh) | 一种空气中痕量级二氧化硫浓度测量方法 | |
CN110749565A (zh) | 一种快速鉴别普洱茶存储年份的方法 | |
CN117664906B (zh) | 基于光谱特征的水体抗生素污染检测方法 | |
CN105138834A (zh) | 基于近红外光谱波数k均值聚类的烟草化学值定量方法 | |
CN117405622A (zh) | 一种燕窝中亚硝酸盐含量智能检测方法 | |
CN111523587A (zh) | 一种基于机器学习的木本植物物种光谱识别方法 | |
CN110779875A (zh) | 一种基于高光谱技术检测冬小麦麦穗水分含量的方法 | |
CN117825601B (zh) | 一种食品中二氧化硫的测定方法 | |
CN109100315B (zh) | 一种基于噪信比的波长选择方法 | |
CN114186596A (zh) | 一种谱图峰的多窗口识别方法、装置以及电子设备 | |
CN116136518B (zh) | 色谱仪 | |
CN103263272A (zh) | 一种单沿多谱的动态光谱数据提取方法 | |
CN113686811A (zh) | 一种基于双传感器的光谱数据处理方法 | |
CN110987856B (zh) | 基于配方体系和指纹图谱的化妆品质量快速鉴定方法 | |
CN115184281B (zh) | 一种基于二维光谱的溶液组分浓度确定方法及*** | |
CN115586159A (zh) | 基于中红外光谱检测技术的白酒陈化缔合程度评定方法 | |
CN109324017B (zh) | 一种提高近红外光谱分析技术建模光谱质量的方法 | |
CN113125376A (zh) | 一种陈皮年限鉴定方法、装置、设备和介质 | |
CN114298107A (zh) | 近红外光谱的净信号提取方法及其*** | |
CN107250788A (zh) | 噪声水平估计方法、测定数据处理装置以及测定数据处理用程序 | |
CN117332258B (zh) | 基于多尺度洛伦兹的近红外吸收峰识别方法、***、介质 | |
CN112505779B (zh) | 基于特征分解的采集脚印去除方法 | |
CN117690510B (zh) | 基于色谱分析技术的天然提取物检测方法及*** |
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 |