一、小麦粉掺伪鉴别检验(论文文献综述)
任秀,王菲菲,李静,白继超,张聿梅,马双成,崔生辉[1](2022)在《小活络丸中小麦粉掺伪实时荧光PCR检测方法的建立》文中提出目的:通过实时荧光PCR-高分辨熔解曲线(HRM)联合分析技术,建立小活络丸(大蜜丸)中小麦粉掺伪快速、准确鉴别方法。方法:通过优化前处理方法,提取小活络丸样品的基因组;通过文献检索和生物信息学分析,得到小麦粉特异性引物;使用实时荧光PCR-HRM技术,对10批次小麦(粉)、16种其他禾本科植物及7种常见高淀粉食物样品进行特异性扩增,采用克隆测序对结果进行再确认;考察实时荧光PCR-HRM方法的检出限、精密度和重复性,同时对市售的小活络丸样品进行检测。结果:试验筛选获得了适用于本研究的特异性引物,建立了实时荧光PCR-HRM小活络丸掺伪小麦的检测方法;小活络丸样品掺伪小麦粉的检出限为0.01 g·g-1,试验精密度Ct值为26.63(RSD=2.15%),Tm值为89.53℃(RSD=0.05%);重复性Ct值为26.65(RSD=3.20%),Tm值为89.53℃(RSD=0.12%)。试验对市售的4个厂家9批次共计81份样品进行分析,确定了3批次来源于A厂家的小活络丸样品存在小麦粉掺伪的问题,将PCR扩增产物克隆测序,其结果为小麦(Triticum Aestivum L.)。结论:本研究建立了实时荧光PCR-HRM检测方法,可以快速判定小活络丸中小麦粉掺伪样品。
陈燕雨,曹珍珍,张宾佳,刘也嘉,林利忠,贾才华,牛猛,赵思明[2](2021)在《基于多源信息特征的泰国香米快速鉴别》文中进行了进一步梳理泰国香米品质优良,具有较高的食味品质和营养价值,深受各国消费者喜爱,然而,市场上时常出现以次充好、掺伪等不良现象。建立泰国香米的快速鉴定方法,对于促进优质大米产业的可持续健康发展具有重要的意义。本研究基于泰国香米的近红外光谱和常规指标融合的多源信息,将155个泰国香米和194个非泰国香米样品一阶导数预处理后的近红外光谱与常规指标特征向量融合构成349行、14列向量矩阵,作为支持向量机分类器的输入向量矩阵,建立多源信息的融合模型,校正集和验证集模型的识别率均是100%,解决了近红外光谱等常用方法鉴别泰国香米时存在的准确率偏低的问题,实现了对泰国香米快速、准确地定性鉴定,在其掺伪识别方面具有重要的应用价值。
徐振,刘燕德,胡军,李茂鹏,崔惠桢,占朝辉[3](2021)在《基于太赫兹时域光谱技术的掺假川贝母检测》文中指出目前川贝母粉掺假现象层出不穷,严重影响了中药材市场的健康发展,因此对川贝母真伪进行检测意义重大。该研究以纯品川贝母粉以及5种含不同掺假物的川贝母粉样品为研究对象,探究太赫兹时域光谱技术在检测川贝母品质方面应用的可行性。利用偏最小二乘判别(Partial Least Squares Discriminant Analysis,PLS-DA)对纯品川贝母粉以及掺假川贝母粉建立原始光谱的二分类模型。为了同时对多种含不同掺假物的川贝母样品进行鉴别,先对原始光谱采用多种单一预处理方法以及多种复合预处理方法进行处理,再利用主成分分析(Principal Component Analysis,PCA)对数据进行降维,最后建立支持向量机(Support Vector Machine,SVM)多分类模型。建立SVM多分类模型时,采用网格搜索(Grid Search)与粒子群(Particle Swarm Optimization,PSO)算法两种参数优化方式,对SVM的惩罚参数(c)与核参数(g)进行优化。结果显示:6个二分类模型的鉴别正确率均为100%,表明纯品川贝母粉与掺假样品的太赫兹时域光谱存在差异,归一化-多元散射校正-PSO-SVM多分类模型效果较为理想,预测正确为95.67%,均方根误差为0.432。该研究可为检测分析川贝母品质提供理论经验借鉴。
黄彩虹[4](2020)在《基于HPTLC+策略的食品筛检方法学研究》文中提出基于“HPTLC+”分析策略的测试方法已经成为分析化学领域一个新的热点前沿。与柱色谱的闭环工作原理不同,高效薄层色谱(HPTLC)是一个去中心化、开放的分析系统,分离过程结束后分离结果被保留在色谱板上而非废液瓶中。这一独特的优势使得HPTLC的分离结果可以方便地与很多无法与传统柱色谱系统兼容的检测手段实现无障碍融合。因此HPTLC不仅是一种通量大、操作简便和灵活性高的色谱工具,而且还可以作为多种离线检测方法高效集成融合的分析平台,在分析通量、简便性、精密度和适用范围等方面达到了较为理想的平衡,在食品筛检方面有良好的应用前景。本论文以HPTLC为分离-分析一体化平台,集成融合光密度法、质谱法、细胞生物传感和表面增强拉曼等多维定量与定性分析手段。在色谱分离和检测参数优化的基础上,通过谷物制品包装中荧光增白剂迁出残留、水果中克菌丹残留和银杏茶中化学降压药硝苯地平掺伪分析等实例应用,对HPTLC检测平台的实用性和可靠性进行验证。主要研究结果如下:1.以HPTLC为平台联用荧光光密度和原位质谱,建立谷物制品包装中荧光增白剂迁出残留的快速筛检方法。研究了流动性相配比、成像条件、基质效应及扫描参数对定量分析的影响,同时测定了方法的回收率和精密度。结果表明,甲苯/乙酸乙酯(10.0/0.3,v/v)的混合物作为流动相可以实现目标分子与干扰基质的完全分离;荧光模式、汞灯、365 nm激发波长和K400滤光片作为参数对得到的图像进行光密度扫描定量,色谱分离后的目标物斑点扫描结果在2002000 pg/zone范围内呈现出良好的线性关系(R2=0.9999);小麦粉和大米粉中标准添加回收率78.5%97.7%(RSD<4.5%)。此外,使用原位质谱实现了目标斑点在分子水平的可靠识别,进一步拓展了方法的实用性。2.以HPTLC为平台联用生物发光传感,建立水果样品中农药克菌丹残留的快速筛检方法。研究了不同薄层材料(硅胶、NH2-硅胶、中性氧化铝和酸性氧化铝)、流动相配比、浸渍后反应时间对定量分析的影响,同时测定了方法的回收率和精密度。结果表明,使用硅胶板为固定相,乙酸乙酯/甲苯(8/2,v/v)的混合物作为流动相可以实现目标分子与干扰基质的完全分离;浸渍菌液后反应4 min,硅胶板上的克菌丹对细菌的生物发光抑制达到最佳成像条件;拍摄照片后,通过专用软件Videoscan,对得到的生物发光抑制图像进行模拟像素扫描。结果表明,数字图片中目标物生物发光抑制斑点的积分结果在1080 ng/zone范围内呈现出较好的线性关系(R2=0.9901),检测灵敏度<10ng/zone;不同水果样品(苹果、梨、杏、李子、樱桃和桃子)中标准添加回收率75.0%96.0%(RSD<11.8%)。3.以HPTLC为平台联用生物发光传感和表面增强拉曼光谱,建立银杏茶样品中化学降压药硝苯地平掺伪的快速筛检方法。研究了不同薄层材料(硅胶、纤维素、硅藻土和聚酰胺)、流动相配比、浸渍后反应时间对定量分析的影响,同时测定了方法的回收率和精密度。结果表明,使用硅胶板为固定相,甲苯/乙酸乙酯(8/2,v/v)的混合物作为流动相可以实现目标分子与干扰基质的完全分离;浸渍菌液后反应6 min,硅胶板上的硝苯地平对细菌的生物发光抑制达到最佳成像条件;在此基础上,结合通用图像分析软件ImageJ的像素分析功能,对得到的生物发光抑制图像进行定量扫描。结果表明,目标物斑点在50300 ng/zone范围内具有较显着的线性关系(R2=0.9985);两种银杏茶样品中标准添加回收率81.0%92.8%(RSD<10.1%)。在像素扫描定量的同时,使用纳米银溶胶基底和633 nm激光(He∶Ne,激光光源)实现了对目标斑点在分子结构层面的可靠识别和确证。研究证明,通用免费的图像分析软件在HPTLC分析中可以替代昂贵的光密度仪器和专用软件,提升该技术在食品分析中的灵活度和性价比。
朱洁[5](2020)在《基于高光谱的单粒软硬麦鉴别及水分预测方法》文中提出小麦是我国重要的农作物之一,在现代农业中占有重要的地位。小麦硬度的遗传比较简单,早代选择有效,同时软硬麦在颗粒度、吸水能力等方面具有较大差异,导致用途不同。而且当单粒小麦籽水分偏离正常值时会引起自身一系列反应,高水分小麦籽极易发生冻害从而使发芽率降低,若不及时处理会造成大量的损失。本文将高光谱技术应用于单粒软硬麦鉴别及水分检测,为挑选优质小麦种子提供一种快速鉴别方法。主要研究内容和结论如下:1.基于高光谱成像技术结合化学计量学方法,应用于单粒软硬麦鉴别。建立了基于SVM、KNN、CNN和CNN迁移学习的单粒软硬麦鉴别模型。收集国内外不同产地、不同品种、不同收获年份的小麦样品共50份,挑选出2500粒小麦籽进行高光谱图像采集,使用物性分析仪测出小麦样品硬度,其中软麦有781粒,混合麦有113粒,硬麦有1606粒。探讨不同化学计量学方法对单粒软硬麦鉴别模型的影响。基于SVM方法建立的单粒软硬麦定性鉴别模型,其准确率为83.21%,而基于KNN方法建立的单粒软硬麦定性鉴别模型,其准确率为85.21%。同时设计了适用于本课题的卷积神经网络结构,建立单粒软硬麦定性鉴别模型,其准确率达到了88.50%。也使用卷积神经网络迁移学习,实现了基于高光谱成像技术的单粒软硬麦鉴别,最终InceptionNet-V3网络模型预测集上的准确率上升至94.00%,在测试集上的识别率为92.80%。有效地完成了对单粒软硬麦的鉴别。研究表明,使用基于高光谱成像技术对单粒小麦籽进行无损软硬鉴别,可取得较精确和稳定的检测结果,基于高光谱图像对单粒软硬麦鉴别在方法上是可行的。2.基于高光谱技术结合偏最小二乘回归法对单粒小麦籽水分进行定量预测。将小麦籽分为腹沟向上(记为A面)和腹面向上(记为B面)分别进行光谱扫描。利用A面与B面的光谱数据分别构成MA、MB、MC和MD 4种预测模型,其中模型MA与模型MB分别由A面与B面的光谱数据构成,模型MC由单粒小麦籽A面与B面的平均光谱构成,模型MD由A面与B面光谱共同构成。使用偏最小二乘回归法建立预测单粒小麦籽水分的模型,实验结果表明,这4个模型的预测性能由高到低的次序是模型MD、模型MC、模型MA和模型MB,即模型MD具有最佳预测效果,因为模型MD将A面与B面小麦的光谱数据混合在一起具有较好的鲁棒性。对于模型MD,经过1阶微分和标准正态变换预处理后,其RMSEC为1.20%,RC为0.93;而RMSEP为1.36%,RP为0.90。结果表明,利用高光谱对单粒小麦籽水分检测在方法上是可行的。同时还利用已经建立的基于PLSR的单粒小麦籽水分预测模型MD,结合高光谱成像技术去获得单粒小麦籽的水分分布图,实现了整盘的单粒小麦籽水分可视化。研究表明,利用高光谱技术对单粒软硬麦鉴别及水分检测在方法上是可行的。此外利用高光谱成像技术结合已建立的PLSR水分预测模型,绘制出小麦籽水分分布图,将单粒小麦籽的水分可视化,通过单粒小麦籽的水分分布图能定位水分不正常的粒籽,为今后研究在线检测和自动剔除水分异常的单粒小麦籽提供参考。
张伟[6](2019)在《基于红外光声光谱的小麦粉品质检测及品种鉴别》文中研究说明傅里叶变换红外光声光谱技术(Fourier transform infrared photoacoustic spectroscopy,FTIR-PAS)是由光声光谱与傅立叶变换红外光谱技术相结合的产物。与傅里叶变换红外透射和反射光谱相比,光声光谱技术直接测量光谱吸收量,减少了散射光和折射光对检测器的干扰,大大提高了检测的精度。该技术不仅应用范围更广,适用于固液或粉末状样品,以及透明或者不透明样品的分析检测,而且不受样品颗粒大小的影响。此外,测试所需的样品量少,不需要样品的预处理,可以真正做到无损检测。利用傅里叶变换红外光声光谱技术对农产品品质进行快速无损检测与质量评价,是红外光声光谱技术新近拓展的应用领域之一。小麦是世界上最重要的谷物之一,在我国农业及工业生产中占有重要地位。生产加工过程中,小麦籽粒通常经过研磨制粉后进入市场或食品加工环节,再根据其品质特性,依次归类用途及后期加工。因此,开发对小麦品质的无损快速检测技术,对小麦生产、市场交易、食品加工等多个环节均有重要的意义。为开发一种新型的小麦粉品质快速无损检测技术,本文利用傅立叶变换红外光声光谱,以‘迁麦2号’、‘黑金2号’、‘漯珍1号’、‘黑小麦1号’、‘黑小麦76号’、‘中麦895’、‘百农207’、‘周麦26’、‘豫农416’、‘周麦32’、‘济麦22’、‘鲁原50’、‘山农20’、‘江麦207’共14个品种的140个小麦粉为试验样本,进行红外光声光谱的采集,并以国标法测定小麦粉的蛋白质、湿面筋以及灰分的含量作为参考值,建立基于小麦粉红外光声光谱的品质检测和品种鉴别预测模型。并进一步地与傅立叶变换中红外和近红外技术的检测和鉴别效果进行比较。主要研究结果如下:1.运用偏最小二乘法(PLS)和支持向量机(SVM)建立小麦粉品质预测模型。在基于小麦粉红外光声光谱建立的蛋白质、湿面筋以及灰分预测模型中,预测效果最佳的分别为 1st-OSC-PLS、1st-SNV-PLS 和 SNV-SVM 模型,Rc2 分别为 0.84、0.96 和 0.88,Rp2分别为 0.84、0.96 和 0.87。均方根误差 RMSEP 分别为 0.362%、0.229%和 0.019%,RPD值分别为2.21、4.67和2.74。在基于小麦粉中红外光谱技术建立的蛋白质、湿面筋以及灰分预测模型中,均以1 st-SNV-PLS模型预测效果最佳,Rc2分别为0.92、0.88和 0.88,Rp2 分别为 0.91、0.83 和 0.84,RMSEP 分别 0.299%、3.332%和0.023%,RPD值分别为3.47、2.33和2.25。在基于小麦粉近红外光谱建立的蛋白质、湿面筋以及灰分预测模型中,模型预测结果最好的Rc2分别为0.96、0.98和0.91,Rp2分别为0.97、0.94 和 0.91,RMSEP 分别 0.151%、0.516%和 0.041%,RPD 值分别为 6.05、3.88 和3.44,研究结果表明,基于红外光声光谱检测小麦粉的品质是可行的。2.分别从光谱的特征、主成分、理化指标的差异性三个方面进行小麦品种的鉴别研究。不同品种小麦的光谱存在明显差异,其中,在1 800-800 cm-1、3 700-2 500 cm-1光谱区域响应值差异较为明显,此区域中反应了蛋白质中N-H键、C-O键信息,这为小麦品种鉴别奠定了基础。通过主成分分析,发现基于小麦红外光声光谱,PC1可解释81.56%的总贡献变量,PC2可解释12.88%,‘山农20’与‘黑金2号’能够较好的鉴别;基于中红外光谱,PC1可解释85.05%的总贡献变量,PC2可解释7.35%,‘江麦816’与‘中麦895’无法实现鉴别,与‘黑金2号’可以实现鉴别;基于近红外光谱,显示4种小麦均可以有效分类,PC1可解释93.24%的总贡献变量,PC2可解释4.9%。通过主成分分析可以明显观察到不同种类小麦的品种分布;分别对4种小麦蛋白质、湿面筋以及灰分的理化值进行单因素分析以及多重邓肯比较,基于蛋白质的分析,‘中麦895’含量最高,‘黑金2号’含量最低;基于湿面筋的分析,‘中麦895’含量最高,‘黑金2号’含量最低;基于灰分含量的分析,‘山农20’含量最低,‘黑金2号’、‘中麦895’和‘江麦816’存含量相当,不同品种小麦理化指标存在显着性差异。3.运用PLS-DA和SVM-DA方法对4个不同品种的小麦粉进行鉴别。研究发现,SPA-SVM-DA模型在红外光声光谱、中红外光谱和近红外光谱三种技术对小麦粉品种的鉴别中的表现均最佳。基于红外光声光谱对4个品种的鉴别,最佳鉴别模型的建模集与预测集正确率分别达到93.9%和93.3%;基于中红外光谱的小麦品种鉴别,最佳鉴别模型的建模集与预测集正确率分别为97.2%和91.7%;基于近红外光谱的小麦品种鉴别,最佳鉴别模型的建模集与预测集正确率分别为97.8%和96.7%。研究表明,基于红外光声光谱进行小麦的品种鉴别是可行的,且SVM模型所取得的鉴别效果优于PLS模型。
王孝成[7](2019)在《基于太赫兹光谱的芝麻油品质分类识别研究》文中指出芝麻油是一种营养丰富且十分美味的食品调味材料,芝麻油的品质检测问题一个十分重要的问题。由于传统上的检测方法需要一定的检测时间,过程较复杂。因此,针对这些不足,本文探索一种快速的、方便的检测方法,即以太赫兹时域光谱系统为基础,结合统计分析的方法来对芝麻油进行检测。太赫兹检测具有快速、无损、操作简单等优点,因此将其用于芝麻油品质的研究能够快速的得到检测结果。本文主要的研究内容如下:首先,本文通过对十种不同的芝麻油采取太赫兹时域光谱系统进行探测,并对光谱进行分析,计算吸收系数和折射率,通过主成分分析对数据进行预处理然后通过支持向量机来建立模型,对不同的芝麻油进行分类识别。并根据芝麻油在太赫兹光谱下的特性,通过不同的参数寻优算法来对支持向量机模型进行优化。采用均方误差作为衡量模型预测性能的评判标准。根据预测结果得出本文构建的支持向量机模型具有很好的分类识别效果,而且和其他的方法作比较,得出此模型具有更精确的识别效果的结论。其次,本文还通过向同一种芝麻油中掺入70%的其他种类芝麻油,检测其时域谱的变化,并通过时域中的变化计算出的吸收谱来分析掺伪芝麻油和纯芝麻油在太赫兹光谱系统中呈现的特征。根据这些特征来对掺伪芝麻油和纯芝麻油的品质分析做进一步的研究,判断芝麻油是否掺入了别的油,进行二分类研究,并通过TP、TN、FP、FN等评价指标来对模型的分类能力进行评判,得到最佳的模型为主成分分析和支持向量机相结合的模型。最后,本文通过对芝麻油中掺入比例为10%、20%、30%、40%、50%的大豆油来进行混合制得样品,再通过太赫兹时域光谱进行探测,研究当芝麻油中掺入不同比例的大豆油时,其品质变化在太赫兹时域光谱下所展现的不同,并通过偏最小二乘算法构建模型对这些差异进行分析,发现掺入大豆油的比例和吸收系数之间成一定相关性,并基于此构建出芝麻油掺伪的偏最小二乘定量研究模型。经过偏最小二乘模型对掺伪芝麻油进行定量分析,结果表现出很好的拟合效果。
梁毅,康炯[8](2019)在《粮油产品质量安全检测技术的研究进展与发展趋势》文中认为我国粮油产品存在真菌毒素污染、重金属超标和非法添加有毒有害物质等主要质量安全问题。摄入受污染的粮食作物为原料加工而成的食品(饲料)会对人类和动物的身体健康造成极其严重的危害。为了满足粮油产品质量的安全监管,保障国民健康,加快建立健全粮油产品质量安全检测技术尤为重要。本研究从真菌毒素检测技术、重金属检测技术和粮油掺伪检测技术3个方面,综述了近10年来国内外的研究进展,讨论了各种技术的优点及限制因素,分析了存在的主要问题,并对其发展趋势进行了展望,以期为粮油产品质量安全检测提供参考。
李颖[9](2018)在《近红外光谱分析技术在几种食品中的应用研究》文中提出近红外光谱技术在食品检测方面具有广泛应用。本课题针对食品的两种典型形态——液态和固态,选取苹果汁、火麻油、莲子粉、三叶青、三七为代表性目标物,联合应用近红外光谱和化学计量学对食品组分分析、分类鉴定、品质鉴别等方面进行快速、准确的无损检测,为促进食品安全和维护消费者权益提供新型快速检测手段。主要结果如下:(1)通过采集苹果汁样品的近红外光谱,利用光谱集合建立偏最小二乘(PLS)回归模型,经标准化预处理后,运用四种群体智能算法和连续投影算法(SPA)提取特征变量,得最佳PLS回归模型,预测决定系数(RP2)和预测均方根误差(RMSEP)分别为0.9986和0.0628,表明所建立模型能有效检测苹果汁中原汁含量。(2)采集掺杂大豆油、花生油、葵花籽油和玉米油的火麻油样品的近红外光谱,结合竞争自适应重加权采样(CARS)建立PLS模型,不同掺杂类型的CARS-PLS回归模型的Rp2均超过0.9356,表明所建立模型能有效测定掺杂样品中火麻油含量。(3)根据福建和湖南产地的莲子粉样品的近红外光谱,构建偏最小二乘判别分析(PLS-DA)模型,对两产地的莲子粉样品的判别准确率达100%;同时根据混有不同比例地瓜粉、小麦粉和玉米粉的莲子粉样品的近红外光谱,建立聚类算法模型,其能够有效识别掺入5%地瓜粉、小麦粉和玉米粉的莲子粉样品;根据不同产地的莲子粉样品的近红外光谱,结合水分含量测定数据,构建CARS-PLS回归模型对莲子粉中水分含量预测综合性能良好,RP2和RMSEP分别为0.9991和0.0207。(4)采集浙江、福建、云南、湖南、贵州等五个产地三叶青样品的近红外光谱,构建PLS-DA分类器模型,鉴别准确率达100%;根据不同产地三叶青的近红外光谱结合黄酮和多糖含量的测定结果建立PLS回归模型,所构建三叶青多糖含量的CARS-PLS回归模型的Rp2和RMSEP为0.9990和0.9287,所构建三叶青黄酮含量的CARS-PLS回归模型的Rp2和RMSEP为0.9998和0.0034,表明近红外光谱技术可实现三叶青产地的有效判别和黄酮及多糖含量的准确检测。(5)采集不同等级的三七样品的近红外光谱,构建不同等级三七的CARS-PLS-DA分类器判别模型,其对30头(等级B)、40头(等级C)、60头(等级D)三七的判别准确率达100%,而对20头(等级A)三七样品的判别准确率达75%,说明上述模型能有效检测不同品质的三七样品。通过上述研究,为今后市场拓展所面临的食品品质检测奠定基础,并通过快速定量分析物质成分为相关物质的品质鉴别提供新思路。
黄婧楠[10](2018)在《粮食类食品掺伪的鉴别和检验探讨》文中研究表明粮食制品的质量要求,感官鉴别检验的指标主要有:色泽、口感、气味、水分、杂质、纯度。粮食制品掺伪方式主要有:抽取、掺杂、粉饰、掺兑及以假乱真。本文主要阐述了粮食制品的质量评价及掺伪方式,陈化粮的检验与评价,酸败粮的检验,霉变粮的检验技术,粮食中掺滑石粉、石膏粉的检验,粮食中掺硼砂的检验,粮食中增白剂的检验。
二、小麦粉掺伪鉴别检验(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、小麦粉掺伪鉴别检验(论文提纲范文)
(1)小活络丸中小麦粉掺伪实时荧光PCR检测方法的建立(论文提纲范文)
1 材料与仪器 |
1.1 仪器 |
1.2 试药、试剂与样品 |
2 方法 |
2.1 样品制备和DNA提取 |
2.2 生物信息学分析 |
2.3 PCR反应条件 |
2.4 HRM分析 |
2.5 克隆测序 |
2.6 引物特异性试验 |
2.7 方法学验证 |
2.8 样品检测 |
3 结果与分析 |
3.1 样品DNA的提取 |
3.2 小麦特异性引物的生物信息学分析 |
3.3 小麦特异性引物的实时荧光PCR方法 |
3.3.1 引物筛选 |
3.3.2 实时荧光PCR扩增条件优化 |
3.3.3 引物特异性验证结果 |
3.4 方法学验证结果 |
3.4.1 检出限 |
3.4.2 精密度和重复性 |
3.5 市售样品检测结果 |
4 结论讨论 |
4.1 优化提取方法,以减少假阳性结果的产生 |
4.2 小活络丸掺伪小麦粉的特异性引物筛选 |
4.3 实时荧光PCR-HRM联合分析技术结果判定 |
(2)基于多源信息特征的泰国香米快速鉴别(论文提纲范文)
1 材料与方法 |
1.1 材料 |
1.2 仪器与设备 |
1.3 试验方法 |
1.3.1 近红外光谱数据采集 |
1.3.2 大米常规指标检测 |
1.3.3 样本集划分 |
1.3.4 光谱预处理 |
1.3.5 主成分分析 |
1.3.6 多源信息融合 |
2 结果与分析 |
2.1 基于常规指标的泰国香米定性鉴定 |
2.1.1 泰国香米和非泰国香米的常规指标 |
2.1.2 基于常规指标模型的建立与验证 |
2.2 基于近红外光谱的泰国香米定性鉴定 |
2.2.1 泰国香米和非泰国香米近红外光谱特征 |
2.2.2 预处理后的大米近红外光谱 |
2.2.3 基于近红外光谱模型的建立与验证 |
2.3 基于多源信息融合的泰国香米定性鉴定 |
2.3.1 支持向量机参数优化 |
2.3.2 基于多源信息模型的建立与验证 |
3 结论 |
(4)基于HPTLC+策略的食品筛检方法学研究(论文提纲范文)
摘要 |
Abstract |
主要缩略词表 |
第一章 绪论 |
1.1 HPTLC概述 |
1.2 HPTLC应用 |
1.3 基于“HPTLC+”检测技术研究进展 |
1.3.1 HPTLC-光密度检测 |
1.3.2 HPTLC-MS检测 |
1.3.3 HPTLC-生物传感检测 |
1.3.4 HPTLC-SERS检测 |
1.3.5 计算机辅助HPTLC图像分析 |
1.4 论文工作概述 |
1.4.1 立题背景与意义 |
1.4.2 主要研究内容 |
1.4.3 研究路线图 |
1.4.4 组织结构 |
第二章 HPTLC-FLD-MS快速筛检谷物包装中荧光增白剂迁出残留 |
2.1 引言 |
2.2 材料与设备 |
2.2.1 材料与试剂 |
2.2.2 仪器与设备 |
2.3 实验方法 |
2.3.1 标准溶液制备 |
2.3.2 样品预处理 |
2.3.3 硅胶板预洗 |
2.3.4 HPTLC色谱展开 |
2.3.5 色谱结果成像 |
2.3.6 荧光光密度扫描定量分析方法 |
2.3.7 原位ESI-MS定性分析方法 |
2.3.8 谷物样品的HPLC-UV分析方法 |
2.4 结果与讨论 |
2.4.1 HPTLC-FLD定量方法建立 |
2.4.2 HPTLC-FLD方法验证 |
2.4.3 原位ESI-MS确证FWA184和FWA367 分子 |
2.5 本章小结 |
第三章 HPTLC-生物传感快速筛检水果中克菌丹残留 |
3.1 引言 |
3.2 材料与设备 |
3.2.1 材料与试剂 |
3.2.2 仪器与设备 |
3.3 实验方法 |
3.3.1 发光细菌悬液的制备与保藏 |
3.3.2 标准溶液制备 |
3.3.3 样品预处理 |
3.3.4 HPTLC色谱展开 |
3.3.5 生物发光成像和定量分析方法 |
3.4 结果与讨论 |
3.4.1 不同薄层材料的生物效应对比 |
3.4.2 生物传感条件优化 |
3.4.3 软件Videoscan模拟扫描定量分析 |
3.4.4 克菌丹HPTLC-生物传感检测方法的建立 |
3.4.5 HPTLC-生物传感检测方法在水果样品中的应用 |
3.5 本章小结 |
第四章 HPTLC-生物传感-SERS快速筛检银杏茶中硝苯地平掺伪 |
4.1 引言 |
4.2 材料与设备 |
4.2.1 材料与试剂 |
4.2.2 仪器与设备 |
4.3 实验方法 |
4.3.1 发光细菌悬浮液的制备与保藏 |
4.3.2 标准溶液制备 |
4.3.3 样品预处理 |
4.3.4 HPTLC色谱展开 |
4.3.5 生物发光成像 |
4.3.6 定量分析方法 |
4.3.7 纳米银胶体制备方法 |
4.3.8 HPTLC-SERS分析方法 |
4.4 结果与讨论 |
4.4.1 不同薄层材料的生物效应评估 |
4.4.2 生物传感条件优化 |
4.4.3 软件Image J扫描定量分析 |
4.4.4 硝苯地平HPTLC-生物传感定量检测方法的建立 |
4.4.5 硝苯地平HPTLC-SERS定性检测方法的建立 |
4.5 本章小结 |
主要结论与展望 |
主要结论 |
展望 |
致谢 |
参考文献 |
附录 A:Image J数字化图片处理 |
附录 B:作者在攻读硕士学位期间发表的论文 |
(5)基于高光谱的单粒软硬麦鉴别及水分预测方法(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景与意义 |
1.2 研究现状 |
1.2.1 小麦硬度研究现状 |
1.2.2 小麦水分研究现状 |
1.3 当前研究存在的主要问题 |
1.4 研究目的与意义 |
1.5 主要研究内容 |
1.6 技术路线 |
第2章 模式识别方法 |
2.1 支持向量机 |
2.2 K最邻近分类算法 |
2.3 卷积神经网络 |
2.3.1 深度学习简介 |
2.3.2 卷积神经网络 |
2.3.3 Inception Net-V3 网络 |
2.3.4 Tensor Flow框架简介 |
2.3.5 Tensor Flow框架的优势 |
2.4 偏最小二乘回归 |
2.5 小结 |
第3章 基于高光谱图像的单粒软硬麦鉴别方法 |
3.1 单粒小麦籽高光谱图像库构建 |
3.1.1 小麦样品收集 |
3.1.2 高光谱成像采集系统 |
3.1.3 单粒小麦籽高光谱图像提取 |
3.2 单粒小麦籽硬度检测 |
3.3 单粒小麦籽图像数据增强 |
3.4 基于高光谱图像的单粒软硬麦鉴别方法 |
3.4.1 基于支持向量机的单粒软硬麦鉴别方法 |
3.4.2 基于K最邻近的单粒软硬麦鉴别方法 |
3.4.3 基于卷积神经网络的单粒软硬麦鉴别方法 |
3.4.4 三种方法鉴别结果对比分析 |
3.5 基于卷积神经网络迁移学习的单粒软硬麦鉴别方法 |
3.5.1 迁移学习 |
3.5.2 本文设计的Inception Net-V3 网络模型 |
3.5.3 实验结果 |
3.6 小结 |
第4章 基于PLSR的单粒小麦籽水分预测方法 |
4.1 单粒小麦籽高光谱光谱数据提取 |
4.2 单粒小麦籽水分检测 |
4.3 基于高光谱的单粒小麦籽水分预测方法 |
4.3.1 光谱数据预处理方法 |
4.3.2 偏最小二乘法回归法建模 |
4.3.3 实验结果与分析 |
4.4 单粒小麦籽水分分布图预测 |
4.5 小结 |
第5章 结论与展望 |
5.1 结论 |
5.2 创新点 |
5.3 展望 |
参考文献 |
附录 |
附表1 |
致谢 |
攻读学位期间所发表论文及参与课题 |
(6)基于红外光声光谱的小麦粉品质检测及品种鉴别(论文提纲范文)
摘要 |
ABSTRACT |
第一章 文献综述 |
1 研究背景 |
2 红外光谱技术 |
2.1 红外透射光谱 |
2.2 红外反射光谱 |
2.3 红外光声光谱 |
3 光声光谱检测的理论和特点 |
3.1 固体光声的RG理论 |
3.2 朗伯比尔定率 |
3.3 光声光谱检测特点 |
4 光声光谱检测的应用领域 |
4.1 固体、液体的定量检测 |
4.2 气体分析与大气环境监测 |
4.3 界面和表面的检测 |
4.4 生物医学方面的诊断与测试 |
5 光声光谱技术在农产品检测方面的应用 |
6 红外光谱技术在农产品检测方面的应用 |
6.1 谷物作物 |
6.2 粮油作物 |
6.3 水果蔬菜 |
6.4 鱼、畜肉类 |
6.5 烟叶、茶叶 |
7 论文的研究内容和意义 |
7.1 主要内容 |
7.2 研究意义 |
7.3 技术路线 |
第二章 基于红外光声光谱的小麦粉品质检测 |
1 前言 |
2 材料与方法 |
2.1 材料 |
2.2 小麦光谱的采集 |
2.2.1 红外光声光谱 |
2.2.2 中红外光谱 |
2.2.3 近红外光谱 |
2.3 理化分析 |
2.4 数据处理 |
2.4.1 异常样本剔除与样品划分 |
2.4.2 光谱预处理 |
2.4.3 特征波长筛选 |
2.4.4 预测模型的建立 |
2.4.5 模型性能评价 |
2.4.6 软件实现 |
3 结果与讨论 |
3.1 理化指标分析 |
3.2 小麦粉特征光谱分析 |
3.2.1 小麦面粉光声光谱的分析 |
3.3 特征波长筛选分析 |
3.4 基于红外光声光谱的小麦粉品质检测 |
3.4.1 基于全波段的预测模型 |
3.4.2 基于特征波段的预测模型 |
3.5 基于中红外光谱的小麦粉品质检测 |
3.5.1 基于全波段的预测模型 |
3.5.2 基于特征波段的预测模型 |
3.6 基于近红外光谱的小麦粉品质检测 |
3.7 三种技术对小麦品质预测效果比较 |
4 本章小结 |
第三章 基于红外光声光谱的小麦粉品种鉴别 |
1 前言 |
2 材料与方法 |
2.1 材料 |
2.2 光谱的采集 |
2.2.1 红外光声光谱 |
2.2.2 中红外光谱 |
2.2.3 近红外光谱 |
2.3 数据处理 |
2.3.1 建模集和预测集样本划分 |
2.3.2 特征波长筛选 |
2.3.3 鉴别模型 |
2.3.4 模型性能评价 |
2.4 试验方法 |
2.5 软件实现 |
3 结果与讨论 |
3.1 光声光谱的特征分析 |
3.2 小麦粉蛋白质、湿面筋和灰分差异分析 |
3.3 主成分分析 |
3.4 基于连续投影算法对三种光谱筛选的特征波长 |
3.5 基于红外光声光谱的小麦粉品种鉴别 |
3.5.1 基于全波段的模型 |
3.5.2 基于特征波段的模型 |
3.6 基于中红外光谱的小麦粉品种鉴别 |
3.6.1 基于全波段的模型 |
3.6.2 基于特征波段的模型 |
3.7 基于近红外光谱的小麦粉品种鉴别 |
3.7.1 基于全波段的模型 |
3.7.2 基于特征波段的模型 |
3.8 三种技术对小麦粉品种鉴别效果的对比 |
4 本章小结 |
全文总结 |
创新点 |
参考文献 |
攻读硕士期间的主要成果 |
致谢 |
(7)基于太赫兹光谱的芝麻油品质分类识别研究(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 课题研究的背景和意义 |
1.2 国内外研究现状 |
1.2.1 芝麻油品质检测技术的研究现状 |
1.2.2 太赫兹辐射技术研究现状 |
1.3 本文研究内容及章节安排 |
1.3.1 研究内容 |
1.3.2 章节安排 |
1.4 本章小结 |
2 太赫兹光谱技术 |
2.1 太赫兹技术简介 |
2.1.1 太赫兹辐射及其特性 |
2.1.2 THz辐射的产生与探测 |
2.2 THz时域光谱系统 |
2.2.1 透射式太赫兹时域光谱系统 |
2.2.2 反射式太赫兹时域光谱系统 |
2.2.3 Z3 太赫兹时域光谱仪 |
2.3 太赫兹光学参数的提取与计算 |
2.4 本章小结 |
3 芝麻油的分类识别研究 |
3.1 芝麻油品质标准 |
3.2 芝麻油样品的准备 |
3.3 芝麻油样品的太赫兹光谱 |
3.3.1 芝麻油品质分析注意事项 |
3.3.2 太赫兹时域光谱下芝麻油品质分析步骤 |
3.3.3 芝麻油的太赫兹时域光谱分析 |
3.4 芝麻油品质研究的算法原理 |
3.4.1 PCA算法原理 |
3.4.2 SVM算法原理 |
3.4.3 支持向量机(SVM)参数寻优 |
3.4.4 偏最小二乘法原理 |
3.4.5 其他算法 |
3.5 芝麻油在不同太赫兹波段的信息研究结果 |
3.5.1 不同波段太赫兹频谱信息 |
3.5.2 基于不同的太赫兹波段建模 |
3.6 算法分析结果 |
3.6.1 PCA的分类识别结果 |
3.6.2 SVM的分类识别结果 |
3.6.3 PCA-SVM分析结果 |
3.6.4 PCA-SVM与其他算法的识别结果比较 |
3.7 本章小结 |
4 掺假芝麻油品质的分类识别研究 |
4.1 掺假芝麻油 |
4.2 样品制备 |
4.2.1 注意事项 |
4.2.2 制备芝麻油互掺样品 |
4.2.3 制备芝麻油掺大豆油样品 |
4.3 太赫兹光谱分析 |
4.3.1 芝麻油掺伪分析的操作事项 |
4.3.2 芝麻油互掺的太赫兹光谱分析 |
4.3.3 芝麻油掺大豆油的太赫兹光谱分析 |
4.4 掺假芝麻油的定性分析 |
4.4.1 数据处理 |
4.4.2 模型的参数和核函数 |
4.4.3 芝麻油互掺的定性分析 |
4.5 掺假芝麻油的定量分析 |
4.5.1 芝麻油掺大豆油偏最小二乘分析 |
4.6 本章小结 |
5 结论与展望 |
5.1 总结与结论 |
5.2 问题与展望 |
参考文献 |
致谢 |
个人简历 |
(8)粮油产品质量安全检测技术的研究进展与发展趋势(论文提纲范文)
1 引言 |
2 粮油产品安全检测技术的国内外现状与研究进展 |
2.1 粮油真菌毒素检测技术 |
2.1.1 色谱检测技术 |
2.1.2 免疫标记检测技术 |
2.1.3 无损检测技术 |
2.2 粮油重金属检测技术 |
2.2.1 原子光谱技术 |
2.2.2 电感耦合等离子体质谱技术 |
2.2.3 紫外分光光度计技术 |
2.2.4 生物传感器检测技术 |
2.3 粮油掺伪检测技术 |
2.3.1 近红外光谱技术 |
2.3.2 计算机视觉技术 |
2.3.3 电子鼻技术 |
3 存在的主要问题 |
4 未来的发展趋势 |
(9)近红外光谱分析技术在几种食品中的应用研究(论文提纲范文)
中文摘要 |
Abstract |
第一章 绪论 |
1.1 前言 |
1.2 近红外光谱分析技术概述 |
1.2.1 近红外光谱解析 |
1.2.2 近红外光谱技术的分析过程 |
1.2.3 近红外光谱分析技术的发展 |
1.3 近红外光谱分析技术在食品检测的应用 |
1.3.1 近红外光谱技术在食品组分分析中的应用简述 |
1.3.2 近红外光谱技术在食品分类鉴别中的应用 |
1.3.3 近红外光谱技术在食品掺假检测中的应用 |
1.4 立题思路 |
1.4.1 课题意义 |
1.4.2 研究目标 |
1.4.3 课题研究的主要内容 |
1.4.4 课题的创新点 |
第二章 近红外光谱分析技术检测苹果汁的应用研究 |
2.1 引言 |
2.2 实验部分 |
2.2.1 样品的制备与收集 |
2.2.2 光谱数据的采集 |
2.2.3 模型建立 |
2.3 结果与讨论 |
2.3.1 近红外光谱解析 |
2.3.2 基于PLS回归模型的苹果汁含量检测 |
2.3.3 基于群体智能优选算法提取特征变量筛选 |
2.3.4 基于SPA提取特征变量 |
2.4 本章小结 |
第三章 近红外光谱分析技术检测火麻油的应用研究 |
3.1. 引言 |
3.2 实验部分 |
3.2.1 样本制备与收集 |
3.2.2 光谱数据的采集 |
3.2.3 模型建立 |
3.3 结果与讨论 |
3.3.1 近红外光谱解析 |
3.3.2 基于PLS回归模型的火麻油掺假量检测 |
3.3.3 基于优化后PLS回归模型的火麻油掺假量检测 |
3.4 本章小结 |
第四章 近红外光谱分析技术检测莲子粉的应用研究 |
4.1 引言 |
4.2 实验原料与方法 |
4.2.1 样本制备与收集 |
4.2.2 光谱数据的采集 |
4.2.3 定性分析模型建立 |
4.3 结果与讨论 |
4.3.1 近红外光谱解析 |
4.3.2 基于PLS-DA分类器模型的莲子产地鉴别 |
4.3.3 基于聚类算法模型的莲子掺假鉴别 |
4.3.4 基于PLS回归模型的莲子粉水分含量检测 |
4.4 本章小结 |
第五章 近红外光谱分析技术检测三叶青的应用研究 |
5.1. 引言 |
5.2 实验部分 |
5.2.1 样本制备与收集 |
5.2.2 光谱数据的采集 |
5.2.3 黄酮和多糖含量的测定 |
5.3 结果与讨论 |
5.3.1 近红外光谱解析 |
5.3.2 基于PLS-DA分类器模型的三叶青产地鉴别 |
5.3.3 基于PLS回归模型的三叶青多糖含量检测 |
5.3.4 基于PLS回归模型的三叶青黄酮含量检测 |
5.4 本章小结 |
第六章 近红外光谱分析技术检测三七品质的应用研究 |
6.1 引言 |
6.2 实验部分 |
6.2.1 样本制备与收集 |
6.2.2 光谱数据的采集 |
6.3 结果与讨论 |
6.3.1 近红外光谱解析 |
6.3.2 基于PLS-DA分类器模型的三七鉴别 |
6.3.3 基于CARS-PLS-DA分类器模型的三七鉴别 |
6.4 本章小结 |
总结与展望 |
1. 总结 |
2. 展望 |
参考文献 |
致谢 |
个人简历 |
(10)粮食类食品掺伪的鉴别和检验探讨(论文提纲范文)
1 陈化粮的检验与评价 |
1.1 陈粮与陈化粮 |
1.2 检验方法 |
1.2.1 酸度检验法 |
1.2.2 邻甲氧基苯酚法 (染色检验法) |
2 酸败粮的检验 |
3 霉变粮的检验 |
3.1 生物培养检验法 |
3.2 脂肪酸度检验法 |
4 粮食中掺滑石粉、石膏粉的检验 |
4.1 灰分检验法 |
4.2 二氧化硅定性检验法 |
4.3 Ca2+、SO42-检验法 |
5 粮食中掺硼砂的检验 |
5.1 感官检验 |
5.2 p H试纸法 |
5.3 姜黄试纸检验法 |
6 粮食中增白剂的检验 |
6.1 面粉中吊白块 (甲醛次硫酸氢钠) 的检验 |
6.1.1 醋酸铅试纸法 |
6.1.2 试剂盒比色法 |
6.2 面粉中硫磺的检验 |
6.3 面粉中过氧化苯甲酰 (BPO) 的检验 |
6.4 面粉中荧光增白剂的检验 |
四、小麦粉掺伪鉴别检验(论文参考文献)
- [1]小活络丸中小麦粉掺伪实时荧光PCR检测方法的建立[J]. 任秀,王菲菲,李静,白继超,张聿梅,马双成,崔生辉. 中国药事, 2022(01)
- [2]基于多源信息特征的泰国香米快速鉴别[J]. 陈燕雨,曹珍珍,张宾佳,刘也嘉,林利忠,贾才华,牛猛,赵思明. 中国食品学报, 2021(11)
- [3]基于太赫兹时域光谱技术的掺假川贝母检测[J]. 徐振,刘燕德,胡军,李茂鹏,崔惠桢,占朝辉. 农业工程学报, 2021(15)
- [4]基于HPTLC+策略的食品筛检方法学研究[D]. 黄彩虹. 江南大学, 2020(01)
- [5]基于高光谱的单粒软硬麦鉴别及水分预测方法[D]. 朱洁. 西南大学, 2020(01)
- [6]基于红外光声光谱的小麦粉品质检测及品种鉴别[D]. 张伟. 南京农业大学, 2019(08)
- [7]基于太赫兹光谱的芝麻油品质分类识别研究[D]. 王孝成. 河南工业大学, 2019(02)
- [8]粮油产品质量安全检测技术的研究进展与发展趋势[J]. 梁毅,康炯. 食品安全质量检测学报, 2019(04)
- [9]近红外光谱分析技术在几种食品中的应用研究[D]. 李颖. 福州大学, 2018(03)
- [10]粮食类食品掺伪的鉴别和检验探讨[J]. 黄婧楠. 黑龙江科学, 2018(09)