液相色谱估算含量

2021 年11 月，中国分析测试协会标准化委员会组织了以王海舟院士为组长的专家组，对齐齐哈尔大学、中国标准化研究院等单位提出的《工业大麻 大麻二酚、大麻二酚酸含量测定 高效液相色谱法》和《工业大麻 大麻酚、四氢大麻酚、四氢大麻酚酸含量测定 高效液相色谱法》的 CAIA 标准草案和编制说明，进行了网上审定。与此同时，北京中实国金国际实验室能力验证研究有限公司，依照《方法精密度符合性评价指导书》，采用上述申报单位提出的方法，对工业大麻中大麻二酚、大麻二酚酸、大麻酚、四氢大麻酚、四氢大麻酚酸的含量进行测定后，对这两个方法的精密度进行了符合性评价。中国分析测试协会标准化委员会秘书组将修改后的二个标准草案报批稿、标准草案编制说明和精密度符合性评价报告用电子邮件发给中国分析测试协会标准化委员会的每一个委员进行审议。在规定的审议时间内，委员们在同意该二个标准草案的前提下，对标准草案和编制说明提出了一些修改意见。标准草案的起草人根据委员们提出的修改意见，对标准草案再次进行了修改，形成了二个“CAIA 标准”的正式文本，报中国分析测试协会标准化委员会主任委员张玉奎院士审批。经张玉奎院士审查同意，现将该二项“CAIA 标准”正式发布。表1 五种大麻酚类待测组分的测定重复性限和再现性限待测组分含量范围w/（mg/g）重复性限再现性限大麻二酚（CBD）23~45r=0.0552w-0.7667R=0.0739w-1.1215大麻二酚酸（CBDA）65~85r=0.0405w-2.2291R=0.0903w-5.5163大麻酚（CBN）0.2~2.00r=0.0457w+0.0164R=0.0474w+0.0268四氢大麻酚（THC）2.00~4.00r=0.0345w+0.0164R=0.0254w +0.1338四氢大麻酚酸（THCA）0.80~2.80r=0.0457w+0.0164R=0.0294w +0.0447CBD和CBDA含量测定标准中高效液相色谱参考条件a) 色谱柱：C18，150 mm×4.6 mm，粒径 5 μm，或性能相当者；b) 流动相：V(0.1% 磷酸乙腈)：V(0.1%磷酸水溶液)=65:35 等度洗脱c) 进样体积：10 μL；d) 柱温：30 ℃；e) 流速：1.0 mL/min；f) 洗脱时间：30 min；g) 检测波长：220 nmCBN、THC和THCA含量测定标准中高效液相色谱参考条件a) 色谱柱：C18，250 mm×4.6 mm，粒径 5 μm，或性能相当者；b) 流动相：V(0.1% 磷酸乙腈)：V(0.1%磷酸水溶液)=65:35 等度洗脱c) 进样体积：10 μL；d) 柱温：30 ℃；e) 流速：1.0 mL/min；f) 洗脱时间：30 min；g) 检测波长：220 nm工业大麻 大麻酚、四氢大麻酚、四氢大麻酚酸含量测定 高效液相色谱法.pdf_免费下载工业大麻 大麻二酚、大麻二酚酸 含量测定 高效液相色谱法.pdf_免费下载

车厘子，相信大家都不陌生，毕竟“车厘子自由”曾经也是风靡一时的网络热词。但是车厘茄是什么呢?车厘子的变种？车厘子和茄子的结合？空想不如实干，看看度娘怎么说......嚯，原来车厘茄就是常见的小番茄！另外，小加还了解到车厘茄含有丰富的维他命和十分高的铁质含量，不仅有美容功效，还可以预防出现贫血，可谓是值得多次购买的营养好物。但是购买时，我们只能通过朴素的双眼判断其好坏，如果从专业性的角度出发，该如何评估车厘茄的质量呢？答案就在下面这篇论文里，快一起来看看吧！基于深度学习和高光谱图像估算车厘茄可溶性固形物含量及硬度车厘茄（Solanum lycopersicum）因其特殊的香味深受世界各地消费者喜爱。可溶性固形物（SSC）和硬度是评估产品质量的两个主要指标。现存的测量技术主要依赖于化学方法。然而，这种破坏性的方法不适用于大面积的测量。高光谱成像技术可以同时获取光谱信息和空间信息，已广泛应用于各个领域，如植物病害胁迫检测、工业食品包装、医学图像分类及水果质量分析。基于此，来自浙江工业大学和浙江省农业科学院的研究人员选择当地主流的车厘茄（Zheyingfen-1）为研究对象，测量其硬度和SSC，并基于高光谱图像（PIKA XC 高光谱相机，Resonon Inc.，Bozeman，MT，USA）和相应的深度学习回归模型开发了无损式测量技术。高光谱成像系统【结果】（A）校正的光谱反射率图。（B）MSC预处理。（C）二阶差分预处理。每个模型的SSC估算结果。（A）小样本数据的SVR估算结果。（B）大样本数据的SVR估算结果。（C）小样本数据的KNNR估算结果。（D）大样本数据的KNNR估算结果。（E）小样本数据的AdaBoostR估算结果。（F）大样本数据的AdaBoostR估算结果。（G）小样本数据的PLSR估算结果。（H）大样本数据的PLSR估算结果。（I）小样本数据的Con1dResNet估算结果。（J）大样本数据的Con1dResNet估算结果。大样本数据集每个模型的硬度估算结果。【结论】本研究中，作者利用高光谱图像提出了Con1dResNet深度学习模型来估算车厘茄的SSC和硬度。相比传统的机器学习方法，充足的样本数量可以实现更好的结果。就SSC估算而言，其R2值为0.901，比PLSR高26.4%，其MSE为0.018，比PLSR低0.046。就硬度估算而言，其R2值为0.532，优于PLSR33.7%。结果表明高光谱成像结合深度学习可以显著提高车厘茄SSC和硬度估算准确性

在葡萄栽培与酿酒工业中，可溶性固形物总含量（Total Soluble Solids, TSS）是衡量果实成熟度和品质的关键指标。不同品种的葡萄因其遗传特性和生长环境的差异，其TSS含量存在显著变化。准确估算各品种葡萄的TSS含量，对于预测酒的品质、调整酿造工艺以及确定最佳采收时机均具有重要意义。那么，如何能够准确估算葡萄的TSS含量呢？跟随小编，一起来看看下面这篇论文给出了怎样的答案。摘要 ABSTRACT可溶性固形物总含量（TSS）是决定葡萄最佳成熟度的关键变量之一。在这项工作中，基于漫反射光谱测量，开发了偏最小二乘（PLS）回归模型，用于估算Godello、Verdejo（白葡萄）、Mencía 和Tempranillo（红葡萄）等葡萄品种的TSS含量。为了确定TSS预测的最适合光谱范围，对四个数据集进行了回归模型的校准，其中包括以下光谱范围：400–700 nm（可见光）、701–1000 nm（近红外）、1001–2500 nm（短波红外）和400–2500 nm（全光谱范围）。我们还测试了标准正态变量变换技术。使用留一交叉验证评估了回归模型，评估指标包括均方根误差（RMSE）、决定系数（R2）、性能与偏差比（RPD）和因子数（F）。红葡萄品种的回归模型通常比白葡萄品种的模型更准确。最佳的回归模型是针对Mencía（红葡萄）得到的：R2 = 0.72，RMSE = 0.55 °Brix，RPD = 1.87，因子数 n = 7。对于白葡萄，Godello取得了最佳结果：R2 = 0.75，RMSE = 0.98 °Brix，RPD = 1.97，因子数 n = 7。所使用的方法和得到的结果表明，可以使用漫反射光谱和将反射值用作预测变量的回归模型来估算葡萄中的TSS含量。结果 RESULT葡萄的反射率是使用ASD FieldSpec 4 地物光谱仪进行测量，该仪器可检测350–2500 nm光谱范围内的反射率。葡萄样品（每个葡萄品种60个样品，每个样品有100颗浆果）散布在黑色容器芯中（17 × 17 cm）。从4个不同的数据中获取了100颗浆果的反射数据（在每次测量之前将样品顺时针旋转90°）。然后对反射数据进行预处理，得到4次数据的平均值。图1. 利用ASD地物光谱仪获取光谱数据的流程图2展示了四种葡萄品种的平均反射值范围以及原始数据（图2a）和SNV转换数据（图2b）的TSS反射值。在图2a中，红葡萄品种（Mencía和Tempranillo）具有非常相似的光谱特征。虽然在可见光范围内的反射值相似，但从波长675 nm处可以看出一些差异，最大和最小反射值分别约为895 nm和1080 nm，以及675 nm和960 nm。白葡萄（Godello和Verdejo）的光谱特征与红葡萄不同，但彼此非常相似。Godello和Verdejo在可见光-近红外范围的570 nm、830 nm和890 nm处具有最高的反射值。在这个范围内，反射值呈现轻微差异，尽管它们具有相同的光谱特征。从波长1160 nm开始，四种葡萄品种的反射值是相同的。图2 四种葡萄品种（Mencía、Godello、Tempranillo和Verdejo）采样浆果的平均光谱范围图3 Godello、Mencía、Tempranillo和Verdejo葡萄品种在使用原始数据（实线）和SNV转换数据（虚线）进行PLS回归时加权回归系数在全光谱范围内的分布。对四个品种的酿酒特性进行了交叉验证。黑线表示零相关性，并为了清晰呈现而偏移了3.0单位图4 利用原始光谱反射数据进行每个波长的简单线性相关性葡萄糖度（TSS）相关图。图5 利用原始（a–d）和SNV转换（e–h）反射数据进行的偏最小二乘回归（PLS）的均方根误差（RMSE）值。所有图应用相同的颜色刻度（请参阅右侧图例）。结论 CONCLUSION采用漫反射光谱测量方法，利用偏最小二乘（PLS）回归模型估计了四种葡萄品种（Godello、Verdejo、Mencía和Tempranillo）的总可溶性固形物（TSS）含量。基于所获得的结果，红葡萄品种的TSS含量估算最佳，特别是Mencía。用于TSS预测的最适宜光谱范围是近红外（NIR）范围（701–1000 nm）。在此光谱范围内获得了最高的R2和RPD值，以及最低的RMSE和F值。在所有光谱范围内，对数据进行SNV转换进一步改善了模型的评估指标结果。用于估算TSS的最佳变量（图5）分别位于860 nm处，波长201 nm的Godello；883 nm处，波长232 nm的Mencía；916 nm处，波长230 nm的Tempranillo；以及1055 nm处，波长230 nm的Verdejo。这些最佳点呈现出最低的RMSE值。研究表明，通过光谱测量的反射值，可以迅速、非侵入性地进行现场测量，从而估算TSS含量。