排序方式: 共有16条查询结果,搜索用时 15 毫秒
1.
2.
利用磺化镍酞菁(NiTSPc)对苯胺(PANI)聚合的催化作用,通过简单的电聚合方法在叉指金电极(IAE)表面合成了PANI/NiTSPc多孔渗透膜.利用扫描电子显微镜(SEM)、原子力显微镜(AFM)、能量色散图谱(EDS)和拉曼光谱对PANI/NiTSPc多孔膜进行表征.在室温下,采用基于PANI/NiTSPc多孔膜制备的传感器对不同浓度(3.8~1900 mg/m~3)的NH_3进行了检测.结果表明,对于76 mg/m~3的NH_3,传感器的灵敏度为2.75,响应时间为10 s,且该传感器具有恢复时间短、重复性及稳定性良好等优点.所制备的PANI/NiTSPc薄膜传感器在NH3检测及电子鼻的应用中具有巨大潜力. 相似文献
3.
利用近红外及中红外融合技术对小麦产地和烘干程度的同时鉴别 总被引:1,自引:0,他引:1
小麦是制作馒头的主要原料之一,小麦中水、蛋白质、淀粉会因产地以及烘干程度的差异而不同,进而影响到加工成馒头的品质。所以实现对小麦产地和烘干程度的快速鉴别就显得尤为重要。感官评定是鉴别小麦产地和烘干程度常用的方法,对比感官评定,光谱分析可以识别样品中的分子结构等信息。基于此,尝试利用近红外和中红外光谱融合技术实现对不同产地和不同烘干程度的小麦同时鉴别。首先选取了两个不同产地的小麦,再利用微波干燥法对两个不同产地的小麦做烘干预处理,使烘干的小麦水含量为12%±0.5%,原麦水含量为18%±0.5%。分别标记为原麦A,烘干A,原麦B,烘干B,再将小麦研磨成粉末,过100目筛网筛选后,置于自封袋中备用。随后分别采集四种小麦样品的近红外和中红外光谱信息,在Matlab 7.10的环境下使用标准正态变量变换(standard normal variable transformation, SNVT)对采集到的原始光谱数据进行预处理,利用主成分分析对预处理后的数据进行降维处理,再结合线性判别分析(linear discriminant analysis,LDA)和支持向量机(support vector machine, SVM)分别建立小麦近红外、中红外光谱数据识别模型。另外利用联合区间偏最小二乘法(synergy interval partial least square, SiPLS)筛选出利用标准正态变量变换(SNVT)预处理后的小麦近红外和中红外光谱数据特征光谱区间,将筛选出的近红外和中红外光谱数据特征光谱区间融合后再结合线性判别分析(LDA)和支持向量机(SVM)建立小麦融合光谱信息的识别模型。然后比较同种光谱数据下利用线性判别分析(LDA)和支持向量机(SVM)建立的小麦识别模型识别率、比较同种建模方法下近红外和中红外光谱数据建立小麦识别模型识别率、比较同种建模方法下光谱数据融合和单一光谱数据建立小麦识别模型识别率。结果表明,同种光谱分析方法,利用SVM建立的四种小麦识别模型识别率高于利用LDA建立的小麦识别模型识别率。同种建模方法,近红外光谱数据建立的小麦识别模型识别率优于中红外光谱数据建立的小麦识别模型识别率。而在同种建模方法下,利用SiPLS筛选出近红外和中红外光谱数据的特征光谱区间数据融合后建立小麦识别模型识别率最高,光谱数据融合后结合LDA建立的小麦识别模型校正集识别率为98.75%,预测集识别率为97.50%;而将此选择的变量结合SVM建立的小麦识别模型的校正集和预测集识别率都达到100.0%。对比利用单一光谱数据建立的小麦识别模型识别率,光谱数据融合之后建立的小麦识别模型识别率得到显著提高,该研究从纵向和横向上全面地比较了光谱数据建立的小麦模型识别率,结果可为更准确地运用光谱融合技术建立小麦产地以及烘干程度识别模型提供参考。 相似文献
4.
近红外光谱因为具有小成本、易操作、低耗时等优点,所以广泛用于食品领域。作为一种间接的检测方法,近红外光谱检测需要建立光谱和浓度之间的统计模型。但是,一种条件下建立的模型在另一种检测条件下会失效。针对此问题,重新建模可以加以解决,但是重新建立光谱与浓度之间的模型非常繁琐耗时。此时,模型转移可以在避免重新建模的情况下,通过光谱校正,保证预测精度。在模型转移中,已经建立好模型的光谱称为主光谱(A),不用建立模型,而只用主光谱模型预测的光谱称为从光谱 (B)。模型转移方法的步骤是,先在校正集中选择一些样本作为主光谱的转移集(At),然后选择从光谱中浓度和At相同的光谱,以此作为从光谱的转移集(Bt)。通过At和Bt构建模型转移矩阵。最后将需要校正的从光谱(Bv)乘以上述的转移矩阵中,即可获得校正后的从光谱(Bnew)。此时,Bnew就可以用主光谱的模型来直接预测。在模型转移中,转移集样本的选择对模型校正至关重要。目前,转移集的样本通常从光谱之间的距离而非模型转移误差获得。但是,转移误差对模型转移结果的验证至关重要,故该研究出了基于集群分析的集群优化法(ER)并将其用于优化KS方法产生的转移集样本。ER先用随机方法建立转移集的多个子集合,并计算每个子集合的转移误差。然后,对某一个样本,计算包含这个样本的子集合转移误差均值。最后,选择转移误差均值较低的样本作为新转移集样本进行模型转移。以玉米数据测试了ER算法。结果显示,对于典型相关分析-有信息成分提取法(CCA-ICE)、直接校正法(DS)、分段直接校正法(PDS)、光谱空间转化法(SST)这些常见的模型转移方法,相比于KS样本选择方法,ER方法可以找出重要的转移集样本,进而显著降低模型转移误差。 相似文献
5.
利用碳量子点(CQDs)和金纳米粒子(Au NPs)间的荧光共振能量转移(FRET)效应成功实现了精氨酸的快速检测。采用一步微波辅助法合成具有优良荧光性能的碳量子点(CQDs),并对Au NPs/CQDs复合材料进行相应表征,分析了其猝灭和检测机制。对Au NPs/CQDs的添加量、p H值和反应时间进行了优化。在优化条件下,将此荧光体系用于精氨酸含量的检测,结果表明,荧光强度和精氨酸浓度在0.1~10.0μmol/L范围内呈良好的线性关系(R~2=0.993),检出限为5.8 nmol/L。采用本方法测定了葡萄汁中精氨酸的含量,回收率为105.4%~110.8%,表明本方法可用于果汁中精氨酸的实际检测。 相似文献
6.
优势致腐菌是引起猪肉变质的重要原因之一,为了探索猪肉优势致腐菌绿色、快速的检测方法,本研究使用天然色素作为气体可视化传感器阵列的气敏材料,区分猪肉中的优势致腐菌。首先从植物中提取17种天然色素作为气敏材料,并将其固定在基底材料上,干燥后制成气体可视化传感器阵列。将3种优势致腐菌(梭状芽孢杆菌、热死环丝菌、假单胞菌)分别接种至3组猪肉样本中,在室温(20℃)条件下分别培养8、16和24 h,然后将传感器阵列与猪肉样本产生的挥发性物质接触并发生反应,用扫描仪获取传感器阵列与每个样本反应前后的图像信息,将传感器反应前后的颜色差值作为样本的特征值组成一个数据矩阵,并制成差值图像。最后采用主成分分析对培养8,16和24 h后的3种优势致腐菌进行检测,识别率分别为90%,90%和100%。结果表明,天然色素可以作为气体传感器的气敏材料,检测猪肉的优势致腐菌,且检测过程不会产生化学毒害。 相似文献
7.
傅里叶变换红外光谱结合化学计量学方法对白酒基酒的快速定性和定量分析 总被引:1,自引:0,他引:1
白酒基酒等级的准确评判对白酒的质量控制至关重要,是白酒分级储存和勾兑的重要依据。目前白酒基酒分级是在生产车间班组工人初步分级基础上,通过专业评酒人员的人工感官审评结合气相色谱法测定主要酯类物质含量最终确定白酒基酒的等级。人工感官审评和气相色谱分析方法繁琐,耗时费力,很难实现实时快速检测。红外光谱技术具有快速分析、无损检测及灵敏度高和重现性好等优点,在食品品质检测领域得到广泛应用。运用傅里叶变换红外光谱(FTIR)和衰减全反射(ATR)技术结合化学计量学方法对不同等级白酒基酒及其主要酯类化合物进行快速定性和定量分析。采用线性判别(LDA)和误差反向传播人工神经网络(BPANN)分析模型对不同等级白酒基酒进行判别,线性判别分析训练集和测试集总体识别率均达到100%,BPANN分析训练集和测试集总体识别率均在95%以上。采用区间偏最小二乘法(siPLS)对四种主要酯类化合物进行定量分析,己酸乙酯、乳酸乙酯、乙酸乙酯和丁酸乙酯含量的训练集模型相关系数分别为0.986 4,0.991 5,0.970 2和0.951 4,测试集模型的相关系数分别为0.982 4,0.961 9,0.905 2和0.808 0。结果表明,傅里叶变换红外光谱技术结合化学计量学方法能有效实现不同等级白酒基酒的准确判别,同时基酒中主要酯类化合物的快速检测定量模型效果良好,能满足白酒生产中的分析检测要求,为白酒基酒等级的快速判别提供一种客观而准确的分析方法,有效提升白酒的智能化生产水平。 相似文献
8.
基于高光谱技术的酸奶中常见致病菌的快速鉴别及计数 总被引:1,自引:0,他引:1
酸奶是一种发酵型乳制品饮料,因其特殊的功能性和良好的口感而广受欢迎。但由于商业链的不正当运行,如奶源非法获取、灭菌不充分等原因,导致酸奶中致病菌大量滋生,酸奶中毒事件频繁发生。酸奶中常见的致病菌主要有大肠杆菌、金黄色葡萄球菌和沙门氏菌,这三种致病菌由人体摄入并达到一定的数量时会产生腹痛、腹泻等严重的消化道疾病,并且会破坏人体肠道内的正常菌群平衡,因此国标对奶制品中这三种致病菌的数量已有明确的限量规定。由于酸奶的主要消费对象为老人和小孩,故其潜在危害不容小觑。传统菌落检测方法虽具有简单,灵敏、可操作性强等优点,但当不同菌落混杂在一起时无法同时进行定性定量的检测,且具有试剂成本高,检测周期长,人为因素影响较大等缺点。因此开发一种快速、简单、准确的混合鉴定计数方法为避免致病菌对酸奶的潜在危害提供了有效的途径。高光谱技术同时包含样本的光谱信息与图像信息,既能够根据化学组分的微小变化进行精确识别(光谱信息),又能够反映出菌株在外部多层次的变化(图像信息)。因此该研究尝试对比高光谱图像技术和光谱技术,采用模式识别的方法,对比不同的模型识别结果,优选出最佳识别率的识别模型作为计数模型,最后通过最佳鉴别计数模型的识别分类结果来达到对酸奶中常见致病菌鉴定计数的目的。首先,购买酸奶中常见的乳酸菌种(保加利亚乳杆菌、嗜热链球菌、嗜酸乳杆菌、干酪乳杆菌、植物乳杆菌)和潜在污染的致病菌种(金黄色葡萄球菌、大肠杆菌、沙门氏菌)等标准菌株进行培养,提取经过48 h培养后的菌落图像信息和光谱信息。采用几种不同的预处理方式(SNV,MC,MSC,1stDER,2ndDER)对所提取的光谱数据进行预处理,并应用遗传算法筛除光谱数据中冗余的波段,保留有效波段。利用图像处理技术对图像信息中的菌株与培养基背景进行去除,然后采用主成分分析法从每幅图中优选出3个特征波长,并运用图像处理技术从特征波长所对应图像中提取菌株的18个基于GLCM的纹理特征信息。挑选合适的主成分分别建立不同的鉴别模型(LDA,KNN,BP-ANN,LS-SVM),通过其最终的鉴别模型的识别率来确定最佳鉴别计数模型。最后从标准菌株中分别挑选出30株进行计数测试,通过比较模式识别的分类数量结果与菌株的实际数量来验证模式识别效果的准确率。研究表明,运用SNV预处理后光谱数据在提高信噪比效果上明显优于其他几种预处理方式。745.790 8,773.098 4和779.207 0 nm为图像信息中方差贡献率最大的三个波长,运用从特征波长所对应的图像中所提取的纹理特征信息建立图像识别模型。通过对比图像信息和光谱信息的模式识别结果发现,光谱特征鉴别模型普遍优于图像纹理特征鉴别模型,且当主成分数为9时,运用光谱特征所建立的LS-SVM模型的校正集识别率为96.25%,预测集的识别率为91.88%,为最优模型。采用优选的最优模型对菌株进行识别计数,大肠杆菌计数的相对误差为3.33%,金黄色葡萄球菌和沙门氏菌计数的相对误差均为0,验证了高光谱技术应用于酸奶中常见致病菌的鉴别计数的可行性。 相似文献
9.
胰蛋白酶生产障碍会阻碍消化过程,在胰腺组织以外产生胰蛋白酶可能涉及癌症过程。胰蛋白酶明显增高可能表明胰腺炎或者慢性肾功能衰竭等病症的发生,它的含量与生命活动息息相关,简单并及时监测胰蛋白酶含量对疾病的诊断具有重要的参考价值。因此,该研究构建氮化碳量子点和金纳米簇(CNQDs和AuNCs)的复合纳米探针检测尿液中胰蛋白酶含量。通过煅烧三聚氰胺获得氮化碳粉末,并将氮化碳粉末作为原材料通过溶剂热法合成了发射峰在440 nm的类石墨相氮化碳量子点(CNQDs)。牛血清蛋白(BSA)和CNQDs两者同时作为还原剂和稳定剂合成了金纳米簇(AuNCs),且AuNCs吸附在氮化碳量子点表面形成具有双发射性质的CNQD-AuNCs复合荧光纳米材料,发射波长分别为440 nm(CNQD的发射波长)和650 nm(AuNC的发射波长)。由于胰蛋白酶能特异性的水解CNQD-AuNCs中的牛血清蛋白,导致牛血清蛋白结构被破坏,从而破坏AuNCs稳定的结构,使得其沉淀聚集,引起荧光猝灭。由于AuNCs产生的650 nm处的荧光被猝灭,而CNQDs产生的440 nm处的荧光不受影响,CNQD-AuNCs复合荧光纳米探针产生比率型荧光信号响应。利用比率型荧光信号的变化情况,可实现胰蛋白酶的定量检测。CNQD-AuNCs探针在650 nm处的荧光强度随着胰蛋白酶浓度的增加而逐渐下降,而440 nm处的荧光强度保持不变。胰蛋白酶在一定浓度下(10~400 ng·mL-1)与荧光强度比值(I650/I440)呈良好的线性关系,建立的线性方程为y=2.471-0.004x[y为荧光强度比值(I650/I440),x为胰蛋白酶的浓度(ng·mL-1)],相关系数(R2)高达0.997 6,检测限为1.5 ng·mL-1(3倍信噪比)。利用建立的荧光法检测尿液中胰蛋白酶(实际含量分别为50,100和150 ng·mL-1),检测得到的平均含量分别为52.41,103.25和154.39 ng·mL-1。尿液中胰蛋白酶的回收率和相对标准偏差范围分别为102.93%~104.82%和3.57%~4.16%。结果表明,利用荧光强度比值(I650/I440)作为胰蛋白酶定量检测的信号,能够校正外界影响因素的干扰,克服单一荧光信号易受光漂白、探针浓度、激发光强度以及光程等外界因素的影响的缺点。基于CNQD-AuNCs建立的比率型荧光分析方法能够实现尿液中胰蛋白酶的高灵敏度和高特异性检测,为实际样品中胰蛋白酶的检测提供科学依据。 相似文献
10.
人造植物肉在其原料运输、制糜和包装等加工环节时有发生异物污染事件,误食异物会严重损害人的身体健康。常规食品异物检测方法容易检测出如金属、石头等坚硬、深色异物,而软质、浅色、透明异物却是食品异物污染事件中的主要来源且是检测的难点。根据异物和人造肉各自化学组成成分的差异,提出了一种人造肉中低色度差异物的高光谱成像检测方法,根据异物与人造肉光谱信息的差异,建立模式识别模型,来进行人造肉中低色度差异物的判别,最后结合数字图像处理技术对异物进行空间分布可视化。选取了聚碳酸酯(PC)、涤纶树脂(PET)、聚氯乙烯(PVC)、硅胶、玻璃五种食品生产加工过程中常见的低色度差异物为研究对象,模拟人造肉压片的工业制作流程, 将异物混入人造肉肉糜中,制备混有异物的人造肉样品,分别采集异物和人造肉感兴趣区域(ROI)的反射高光谱数据,采用SG,SNVT,MSC,VN,1ST及2ND六种不同的光谱预处理方法对原始光谱数据进行预处理,然后采用主成分分析法(PCA)对预处理后的光谱数据降维,采用连续投影算法(SPA)提取人造肉的特征波长。分别以全波段光谱、特征波长和主成分变量作为模式识别模型输入变量,对比LDA,KNN,BP-ANN,LS-SVM四种模式识别模型的准确率,优选出最佳的定性识别模型,设置优选模型异物类别输出变量为1、人造肉类别为0,生成二值图像,再结合数字图像处理技术实现人造肉中异物分布可视化,进而实现人造肉中低色度差异物的识别。结果表明,采用SG预处理后的光谱在降噪方面优于其他预处理方式。SPA法优选了人造肉10个特征波长。全波段主成分变量结合BP-ANN模型的检测效果最佳,准确率达98.33%。验证了高光谱技术应用于人造肉中低色度差异物检测的可行性。 相似文献