为探索近红外光谱结合深度学习网络对紫菜水分定量检测的可行性,本研究检测并收集了479组干条斑紫菜的光谱数据和水分含量数据,分别使用四种方法对其中的光谱数据进行了预处理,并在全波段下建立了四种传统定量水分预测模型和一种卷积神...为探索近红外光谱结合深度学习网络对紫菜水分定量检测的可行性,本研究检测并收集了479组干条斑紫菜的光谱数据和水分含量数据,分别使用四种方法对其中的光谱数据进行了预处理,并在全波段下建立了四种传统定量水分预测模型和一种卷积神经网络(Convolution Neural Networks,CNN)深度学习水分预测模型。对比五种模型预测结果后发现,在S-G平滑结合二阶导数的预处理方法下所建立的CNN模型预测效果最佳,其预测均方根误差(Root-Mean-Square Error of Prediction,RMSEP)值为0.456,预测集决定系数(Coefficient of Determination of Prediction,R_(p)^(2))值为0.990,优化后,该模型的RMSEP值降至0.342,R_(p)^(2)值可以达到0.994(>0.8),同时,外部验证相对误差(Ratio of Performance to Deviation for Validation,RPD)值达6.155(>3),证明了模型实际应用于农业和食品工业的可能性。该CNN模型能够快速、准确、无损地预测条斑紫菜的水分含量,提高了紫菜水分检测的效率和准确性,为相关干制水产品的质量控制提供了重要的参考依据。展开更多
采用通过式固相萃取净化策略去除样品基质中的脂肪和磷脂等杂质干扰,结合液相色谱-串联质谱检测,建立了水产品中11种青霉素残留的同时快速分析方法。样品经80%乙腈水溶液提取,Oasis PRi ME HLB通过式固相萃取柱净化,C_(18)色谱柱分离,0....采用通过式固相萃取净化策略去除样品基质中的脂肪和磷脂等杂质干扰,结合液相色谱-串联质谱检测,建立了水产品中11种青霉素残留的同时快速分析方法。样品经80%乙腈水溶液提取,Oasis PRi ME HLB通过式固相萃取柱净化,C_(18)色谱柱分离,0.05%甲酸乙腈溶液和0.05%甲酸水溶液梯度洗脱,多反应监测正离子模式扫描,内标法定量。11种目标物在相应浓度范围内线性关系良好,相关系数不低于0.99,检出限为0.30~1.5μg/kg。基质加标回收率为85.5%~110%,相对标准偏差(RSD)为5.9%~14.3%。该方法前处理操作简便,灵敏度和准确度高,可实现水产品中多种青霉素药物残留的同时快速测定。展开更多
文摘为探索近红外光谱结合深度学习网络对紫菜水分定量检测的可行性,本研究检测并收集了479组干条斑紫菜的光谱数据和水分含量数据,分别使用四种方法对其中的光谱数据进行了预处理,并在全波段下建立了四种传统定量水分预测模型和一种卷积神经网络(Convolution Neural Networks,CNN)深度学习水分预测模型。对比五种模型预测结果后发现,在S-G平滑结合二阶导数的预处理方法下所建立的CNN模型预测效果最佳,其预测均方根误差(Root-Mean-Square Error of Prediction,RMSEP)值为0.456,预测集决定系数(Coefficient of Determination of Prediction,R_(p)^(2))值为0.990,优化后,该模型的RMSEP值降至0.342,R_(p)^(2)值可以达到0.994(>0.8),同时,外部验证相对误差(Ratio of Performance to Deviation for Validation,RPD)值达6.155(>3),证明了模型实际应用于农业和食品工业的可能性。该CNN模型能够快速、准确、无损地预测条斑紫菜的水分含量,提高了紫菜水分检测的效率和准确性,为相关干制水产品的质量控制提供了重要的参考依据。
文摘采用通过式固相萃取净化策略去除样品基质中的脂肪和磷脂等杂质干扰,结合液相色谱-串联质谱检测,建立了水产品中11种青霉素残留的同时快速分析方法。样品经80%乙腈水溶液提取,Oasis PRi ME HLB通过式固相萃取柱净化,C_(18)色谱柱分离,0.05%甲酸乙腈溶液和0.05%甲酸水溶液梯度洗脱,多反应监测正离子模式扫描,内标法定量。11种目标物在相应浓度范围内线性关系良好,相关系数不低于0.99,检出限为0.30~1.5μg/kg。基质加标回收率为85.5%~110%,相对标准偏差(RSD)为5.9%~14.3%。该方法前处理操作简便,灵敏度和准确度高,可实现水产品中多种青霉素药物残留的同时快速测定。
