白酒基酒中典型醇的近紅外預測模型構建

劉建學，楊國迪，韓四海，李 璇，李佩艷，徐寶成

白酒基酒中典型醇的近紅外預測模型構建

劉建學1,2，楊國迪1，韓四海1,2，李 璇1,2，李佩艷1,2，徐寶成1,2

（1.河南科技大學食品與生物工程學院，河南 洛陽 471023；2.河南省食品原料工程技術研究中心，河南 洛陽 471023）

采用氣相色譜法測定白酒基酒中的正丙醇、正丁醇、正戊醇和異戊醇的含量作為建立近紅外預測模型的化學值，將近紅外光譜圖結合偏最小二乘法和內部交互驗證法建立基酒中典型醇的快速檢測模型，并進一步優化模型。確定了最優光譜預處理方法和最佳譜區，正丙醇、正丁醇、正戊醇和異戊醇的校正集樣品的真實值與近紅外預測值的決定系數（R2）分別為0.952、0.981、0.963和0.981，內部交互驗證均方根誤差分別為0.27、0.49、0.101 mg/100 mL和0.67 mg/100 mL；驗證集的決定系數（R2）分別為0.947、0.980、0.928和0.952，預測均方根誤差分別為0.40、0.81、0.49 mg/100 mL和1.35 mg/100 mL。結果表明建立的典型醇近紅外快速檢測模型的準確度、穩定性及預測性能均呈現良好，為白酒基酒的醇類物質品質分析方法研究提供了新的思路。

近紅外光譜；白酒基酒；典型醇；偏最小二乘法

白酒作為中國特有的從谷物發酵的一種蒸餾酒，主要以高粱、小麥、大米等為原料，經過蒸餾、陳釀、勾兌等工藝制成。根據白酒產品感官特征的不同白酒可以分為五大類：濃香型、醬香型、清香型、米香型以及其他香型[1-4]。我國白酒中的風味物質十分復雜，有成千上百種香氣成分，包括酯類、醇類、醛類、酮類、酸類、芳香族化合物、酚類、呋喃類化合物等[5]。

醇類是白酒中的重要呈味物質，其含量對酒的風味有很重要的影響。白酒中的典型醇類物質包括正丙醇、正丁醇、異丁醇、仲丁醇、戊醇、異戊醇、辛醇、苯乙醇等[6]，除了正己醇、庚醇和苯乙醇呈微甜之外，其余的均呈現出苦味或澀味，含量過高不但會使酒的感官呈辣、苦、澀味，影響酒的口感，而且對人體會有一定的毒害作用，會引起頭痛，神經系統充血等癥狀[7-9]。因此，其含量必須控制在一定范圍內，國家蒸餾酒衛生標準（GB 2757—2012《蒸餾酒及其配制酒》）規定，白酒中雜醇油（以異丁醇與異戊醇計）的含量為不大于200 g/100 mL（按60度計）[10-11]。

近紅外光譜分析技術具有無需制樣，無損測量，效率高，適合在線檢測，無污染、分析結果重現性高等優點，是一種能夠滿足檢測和監測的獨立分析技術[12-15]，廣泛應用在食品及農產品檢驗、石油化工行業、藥物分析、生態環境污染等研究領域[16-18]。目前近紅外光譜技術在酒類中應用主要是測定白酒中酒精度[19]、檢測白酒中總酸、總酯等關鍵指標的含量[20]、對酒體的等級劃分等[21]。對于白酒中的其他香味物質成分、品質檢測等分析較少。本實驗結合近紅外光譜數據的預處理方法、主成分分析法、偏最小二乘（partial least squares，PLS）法和內部交互驗證法等建立定量分析模型并評價，以達到實時快速測定白酒基酒中4 種典型醇類含量的目的。

1 材料與方法

1.1 材料與試劑

81 個白酒基酒樣品 杜康控股有限公司；正丙醇、正丁醇、正戊醇和異戊醇標準品（純度99.8%以上）天津市科密歐化學試劑開發中心；其他均為分析級或色譜級國產試劑。

1.2 儀器與設備

7890A氣相色譜儀附氫火焰離子檢測器 美國Aglient公司；AT.LZP-930型色譜柱（25 m×0.32 mm，0.1 μm） 中國科學院蘭州化學物理研究所；VECTOR33傅里葉變換近紅外光譜儀（檢測器為InGaAs） 德國Bruker公司。采用配套軟件OPUS6.5對近紅外光譜基礎數據采集，用The Unscrambler X 10.4分析軟件（挪威CAMO公司）的功能區對光譜進行預處理。

1.3 方法

1.3.1 氣相色譜條件

AT.LZP-930型色譜柱（25 m×0.32 mm，0.1 μm）；升溫程序：初始溫度75 ℃，保持3 min，以3.5 ℃/min升至89 ℃，再以10 ℃/min升至100 ℃，再以3.5 ℃/min升至130 ℃，再以11 ℃/min升至162 ℃，最后以3 ℃/min升至170 ℃；載氣（氮氣，純度99.999%），流速30 mL/min；進樣量0.5 μL；分流比10∶1。

1.3.2 近紅外光譜測定條件

為保證儀器的穩定性，首先打開近紅外光譜儀預熱40 min；設置儀器參數：掃描時的儀器分辨率為8 cm-1，掃描次數為32 次，光譜范圍為波數12 000～4 000 cm-1，采樣點為2 075；以空的比色皿作為參比樣品進行光譜采集，比色皿厚度為1 mm；測試環境溫度控制在（20±5）℃。為減小實驗誤差對每個基酒樣品重復測定3 次，取平均值作為該樣品的最終光譜數據。

1.3.3 樣本集的選擇

選擇具有代表性的樣本不但可以減少建模的工作量，同時也可以提高模型的穩定性和可靠性。其中，Kennard-stone（KS）法[22]是一種常用、有效的樣本集劃分方法。通過計算樣品含量之間的距離，首先計算剩余樣本與距離最大的2 個樣品之間的距離，選擇最短距離的樣品，并繼續選擇與最短距離相對最長距離對應的樣品，依次進行選擇。根據以上方法本實驗從81 個白酒基酒樣品中選取61 個作為校正集，20 個作為驗證集建立模型。

1.3.4 模型的質量判斷

為了檢驗所建模型的可靠性和有效性，在優化校正模型時，需要對該模型進行分析檢驗。首先用內部交互驗證法檢驗模型的穩健性，通過校正集的相關系數（R2）和交互驗證均方根誤差（root mean square error of cross validation，RMSECV）來判斷模型的質量[23]。為了檢驗模型的預測能力，即模型的精確性和可行性，需要用驗證集的相關系數（R2）和預測均方根誤差（root mean square error of prediction，RMSEP）作為判斷依據，相關系數越大，RMSEP越小，模型預測性能越好[24-27]。采用驗證集的RMSEP指標，對最終的模型進行評價和比較。按下式計算RMSEP：

式中：n為樣本個數；yTi為樣本的實測值/（mg/100 mL）；yPi為樣本的預測值/（mg/100 mL）。

2 結果與分析

2.1 白酒基酒中典型醇的氣相測定結果

為了保證所建模型的應用范圍更廣，樣本的選擇應該滿足校正集和驗證集樣本選擇的要求。實驗樣品是按照所有樣品測定值大小排序后，根據“隔3取1”的方式選取，其質量濃度可以代表所有樣品的范圍。白酒基酒樣品中正丙醇、正丁醇、正戊醇和異戊醇的化學值見表1。

表1 白酒基酒中典型醇的化學值分析Table 1 Statistics of chemical values of typical alcohols in base liquor

由表1可得典型醇的校正集和驗證集的質量濃度、平均值和標準差，符合建立模型樣品選擇的原則，即校正集樣品范圍應包含驗證集所有樣品的組成范圍。比如正戊醇的校正集質量濃度范圍為28.54～50.14 mg/100 mL，驗證集的質量濃度范圍為29.95～47.23 mg/100 mL，包含了正戊醇的全部范圍。

2.2 光譜預處理

近紅外光譜會包含一些與待測樣本性質無關的因素引起的干擾，比如光散射、雜射光、儀器響應的影響、樣品不均勻等，導致近紅外光譜基線漂移、傾斜等現象，因此選用多元散射校正（multiplication scattering correction，MSC）、標準正態變量變換以及二階導數等預處理方法對光譜進行預處理，以提高模型準確性和可靠性[25,28]。白酒中的主要成分是水和乙醇，本實驗在利用近紅外分析圖譜信息時，要避開水和乙醇的干擾。水分子在6 896 cm-1左右有明顯的一級倍頻吸收，二級倍頻約在10 416 cm-1，合頻位于5 128 cm-1附近，因此水的特征吸收區域為6 896 cm-1和5 128 cm-1附近；乙醇分子的特征吸收區域在4 347 cm-1附近[29-30]。從圖1a可以看出，白酒基酒樣品在整個光譜范圍的近紅外圖譜都很相似，光譜短波段區域吸收峰重疊現象嚴重，不能直接反映樣品相關成分的濃度信息。為了得到穩定性和精密度較高的模型，在選擇波段區間時應避免這些強吸收噪聲的干擾，在選擇最優波長時盡量避開此段譜區，采用預處理方法后所得白酒基酒的近紅外圖譜如圖1b～d所示。

圖1 白酒基酒近紅外光譜圖Fig. 1 NIR spectra of base liquor samples

2.3 最優波段和光譜最佳預處理方法

本實驗應用近紅外光譜圖結合PLS法對校正集樣品進行建模前的分析，利用OPUS 6.5分析軟件中的自主優化檢驗模型的建模譜區。對采集到的圖譜進行預處理后，選出最優波段和最佳預處理方法，如表2所示。

表2 典型醇最優波段的選擇和最佳預處理方法Table 2 Optimal band and optimal pretreatment method for each typical alcohol

由表2可得，4 種典型醇正丙醇、正丁醇、正戊醇和異戊醇的最優波段有部分重合，最佳預處理方法分別為一階導數＋減去一條譜線、MSC、一階導數＋減去一條譜線和二階導數。

2.4 主成分數的選擇

主成分分析是一種線性降維方法，該方法能最大限度地表征被測樣品的性質以及組成成分。本實驗白酒基酒中前10 個主成分的累計貢獻率如圖2所示。

理論上講，累計貢獻率達到100%是最佳的狀態，但是此時的模型性能不一定最好[18]。不同主成分方差貢獻率第1個最大，接著依次降低，不同主成分數對定量分析模型的預測結果有明顯的影響：主成分數過少，就不能全面反應光譜特征；若主成分數過多，則會引入過多噪聲干擾，降低信噪比，使模型性能降低[19]。從圖2可以看出，前4個主成分的累計貢獻率已經比較接近100%，再繼續累計則增幅很小，已經基本趨于穩定。前10 個主成分的累計貢獻率已經可以表征大部分的光譜信息，因此主成分分析法對基酒樣品的近紅外光譜進行降維是可行的。

圖2 白酒基酒前10 個主成分累計貢獻率趨勢圖Fig. 2 Cumulative contribution rates of the first 10 principal components in base liquor

圖3 醇類的RMSECV隨最佳主成分數的變化圖Fig. 3 Section of the number of principal components based on RMSECV

采用內部交互驗證法，選擇RMSECV值最小時對應的主成分數最佳，由圖3可以看出正丙醇、正丁醇、正戊醇和異戊醇主成分維數分別為6、1、10、4。

2.5 白酒中典型醇近紅外定量模型的建立

根據以上結果，建立最佳定量模型的條件為：正丙醇、正丁醇、正戊醇和異戊醇的最優波段分別為5 446～6 105.5 cm-1和11 998.9～7 497.91 cm-1、5 453.7～4 597.5 cm-1和11 998.9～6 094 cm-1、6 101.7～5 775.8cm-1和11 998.9～7 501.7 cm-1、7 501.7～5 446 cm-1，最佳預處理方法分別為一階導數＋減去一條譜線、MSC、一階導數＋減去一條譜線和二階導數。在此條件下所建立的醇類的校正模型相關系數最大，RMSECV最小，主成分維數分別為6、1、10、4。利用以上建模條件，根據氣相色譜測定白酒基酒中正丙醇、正丁醇、正戊醇和異戊醇含量的結果，如圖4所示。

表3 模型預測樣品的精密度和穩定性檢驗（n=10）Table 3 Precision and stability of the predictive model (n= 10)

圖4 校正集、驗證集化學測量值與模型預測值的相關性Fig. 4 Correlation between chemical measurements and predictions for calibration and validation sets

由圖4可知，正丙醇、正丁醇、正戊醇和異戊醇校正集樣品均勻地分布在回歸線的兩側，說明4 種醇類的近紅外光譜和它們的基礎數據具有顯著的線性相關性。正丙醇、正丁醇、正戊醇和異戊醇校正模型的決定系數（R2）分別為0.952、0.981、0.963和0.981，RMSECV分別為0.27、0.49、0.101 mg/100 mL和0.67 mg/100 mL；驗證集的決定系數（R2）分別為0.947、0.980、0.928和0.952，RMSEP分別為0.40、0.81、0.49 mg/100 mL和1.35 mg/100 mL。上述結果表明：所建模型的各項數理統計指標都達到理想的期望值，即決定系數（R2）接近1、從RMSECV和RMSEP來看，所有樣品的近紅外光譜測定結果和標準方法之間的相關性以及誤差都在要求的再現性范圍以內，近紅外光譜所建4 種醇類模型預測樣品的預測值與國標方法測得的化學值基本一致，說明所建醇類模型的預測效果很好，可以在白酒工業生產中對正丙醇、正丁醇、正戊醇和異戊醇進行快速檢測。

2.6 校正模型預測能力的檢驗

另取3 個白酒基酒樣品作為驗證模型準確度和精密度的樣本，利用所建4 種醇類模型對樣品中正丙醇、正丁醇、正戊醇和異戊醇的含量分別進行10 次重復預測實驗，結果見表3。

由表3可知，對正丙醇、正丁醇、正戊醇和異戊醇的預測值和真實值做了比較，每個樣品的10 次預測結果平均差異都小于0.58 mg/100 mL，相差范圍在0.004～0.49 mg/100 mL之間，并且對每個樣品的10 次預測值做了顯著性分析，均無顯著性差異，可見所建模型精密度和穩定性良好，也符合國標方法規定的在重復性條件下獲得的2 次獨立測定結果的絕對差值不應超過平均值的5%[26]，同時也克服了國標方法的耗時長、需要對樣品進行前處理等缺點。

3 結 論

本實驗用氣相色譜法對白酒基酒中正丙醇、正丁醇、正戊醇和異戊醇的含量進行了測定，結合主成分分析法，通過對建模波段、光譜預處理方法和主成分維數等進行合理篩選，結合PLS法、內部交互驗證等方法分別建立4 種典型風味物質的校正模型和預測模型，并對模型預測結果的準確性進行了評價。經過上述處理得到正丙醇、正丁醇、正戊醇和異戊醇校正集樣品的化學值與近紅外預測值的模型評價指標校正集決定系數分別為0.952、0.981、0.963和0.981（校正集），RMSECV分別為0.27、0.49、0.101 mg/100 mL和0.67 mg/100 mL；驗證集的決定系數（R2）分別為0.947、0.980、0.928和0.952，RMSEP分別為0.40、0.81、0.49 mg/100 mL和1.35 mg/100 mL。決定系數均大于0.928，RMSECV和RMSEP數值較小且二者的值相差不大。對模型的預測能力進行驗證，結果表明所建模型的精密度和穩定性良好，說明近紅外光譜技術可以用來分析白酒基酒中的香味物質，實現快速在線檢測。

[1] FAN W, QIAN M C. Characterization of aroma compounds of Chinese “Wuliangye” and “Jiannanchun” liquors by aroma extract dilution analysis[J]. Journal of Agricultural & Food Chemistry, 2006,54(7): 2695-2704. DOI:10.1021/jf052635t.

[2] ZHU S, LU X, JI K, et al. Characterization of flavor compounds in Chinese liquor Moutai by comprehensive two-dimensional gas chromatography/time-of-flight mass spectrometry[J]. Analytica Chimica Acta, 2007, 597(2): 340-348. DOI:10.1016/j.aca.2007.07.007.

[3] FAN W, XU Y, QIAN M C. Identification of aroma compounds in Chinese “Moutai” and “Langjiu” liquors by normal phase liquid chromatography fractionation followed by gas chromatography/olfactometry[J]. Flavor Chemistry of Wine and Other Alcoholic Beverages, 2012, 1104: 303-308. DOI:10.1021/bk-2012-1104.ch017.

[4] 劉明, 劉傳賀, 呂志遠, 等. 白酒產品關鍵感官特征與質量性價比研究[J]. 食品安全質量檢測學報, 2016, 7(3): 1102-1108.

[5] 范文來, 徐巖. 白酒風味物質研究方法的回顧與展望[J]. 食品安全質量檢測學報, 2014, 5(10): 3073-3078.

[6] 羅杰, 敖宗華, 王松濤, 等. 濃香型白酒不同類別基酒中雜醇油相關性研究[J]. 釀酒科技, 2015(1): 43-44.

[7] 陸婉珍, 袁洪福, 徐廣通. 現代近紅外光譜分析技術[M]. 北京: 中國石化出版社, 2000.

[8] 余麗娟, 鄭建明, 朱文雷. 傅里葉變換紅外光譜法測定白酒中乙醇含量[J]. 廣州化工, 2011, 39(4): 112-113. DOI:10.3969/j.issn.1001-9677.2011.04.041.

[9] VERSARI A, LAGHI L, THORNGATE J H, et al. Prediction of colloidal stability in white wines using infrared spectroscopy[J].Journal of Food Engineering, 2011, 104(2): 239-245. DOI:10.1016/j.jfoodeng.2010.12.015.

[10] 茍靜瑜, 賈智勇, 閆宗科, 等. 降低白酒中高級醇含量的研究進展[J].釀酒, 2016, 43(4): 25-29. DOI:10.3969/j.issn.1002-8110.2016.04.006.

[11] GAO W, FAN W, XU Y. Characterization of the key odorants in light aroma type Chinese liquor by gas chromatography-olfactometry,quantitative measurements, aroma recombination, and omission studies[J]. Journal of Agricultural & Food Chemistry, 2014, 62(25):5796-5804. DOI:10.1021/jf501214c.

[12] 姚晶, 王海瑞, 姚麗萍. 毛細管柱氣相色譜外標法測定白酒中的醇類和己酸乙酯[J]. 西南農業學報, 2013, 26(4): 1674-1676.

[13] ZHONG J, QIN X. Rapid quantitative analysis of corn starch adulteration in konjac glucomannan by chemometrics-assisted FTNIR spectroscopy[J]. Food Analytical Methods, 2016, 9(1): 61-67.DOI:10.1007/s12161-015-0176-9.

[14] JIANG H, LIU G, XIAO X, et al. Classification of Chinese soybean paste by Fourier transform near-infrared (FT-NIR) spectroscopy and different supervised pattern recognition[J]. Food Analytical Methods,2012, 5(4): 928-934. DOI:10.1007/s12161-011-9331-0.

[15] 鄧波, 沈才洪, 敖宗華, 等. 基于主成分分析與近紅外光譜技術的窖泥聚類研究[J]. 釀酒科技, 2011(8): 36-38.

[16] 熊雅婷, 李宗朋, 王健, 等. 近紅外光譜波段優化在白酒酒醅成分分析中的應用[J]. 光譜學與光譜分析, 2016, 36(1): 84-90.

[17] SMYTH H E, COZZOLINO D, CYNKAR W U, et al. Near infrared spectroscopy as a rapid tool to measure volatile aroma compounds in riesling wine: possibilities and limits[J]. Analytical and Bioanalytical Chemistry, 2008, 390(7): 1911-1916. DOI:10.1007/s00216-008-1940-0.

[18] 許家勝, 張杰. 近紅外光譜法測定柴油硫含量方法研究[J].化學研究與應用, 2013, 25(3): 355-358. DOI:10.3969/j.issn.1004-1656.2013.03.017.

[19] 丁美珍, 宋岑, 胡志明. 近紅外光譜技術在酒類產品分析中的應用[J]. 釀酒科技, 2013(4): 68-70. DOI:10.3969/j.issn.1001-9286.2005.08.020.

[20] 吳同, 譚超. 近紅外光譜同時測定白酒中總酯和雜醇油[J]. 化學研究與應用, 2016(10): 1460-1463. DOI:10.3969/j.issn.1004-1656.2016.10.017.

[21] 周楊, 劉杰, 王紀元. 中國釀酒行業中近紅外光譜技術的應用進展[J].食品安全質量檢測學報, 2014, 5(4): 1100-1104.

[22] CAI J J. Computer note: PGETooIbox: a Matlab toolbox for population genetics and evolution[J]. Journal of Heredity, 2008, 99(4): 438-440.DOI:10.1093/jhered/esm127.

[23] 王豪, 鄔蓓蕾, 林振興, 等. 傅立葉變換近紅外光譜法快速測定葡萄酒中的酒精度[J]. 中國釀造, 2008, 27(7): 72-74. DOI:10.3969/j.issn.0254-5071.2008.04.024.

[24] 李軍會. 現代近紅外光譜分析的信息處理技術[J]. 光譜學與光譜分析, 2000, 20(6): 777-780. DOI:10.3964/j.is sn.1000-0593(2009)10-2646-05.

[25] 李水芳, 單楊, 朱向榮, 等. 近紅外光譜結合化學計量學方法檢測蜂蜜產地[J]. 農業工程學報, 2011, 27(8): 350-354. DOI:10.3969/j.issn.1002-6819.2011.08.061.

[26] FAN W, SHEN H, XU Y. Quantification of volatile compounds in Chinese soy sauce aroma type liquor by stir bar sorptive extraction and gas chromatography-mass spectrometry[J]. Journal of the Science of Food and Agriculture, 2011, 91(7): 1187-1198.

[27] 彭幫柱, 龍明華, 岳田利, 等. 傅立葉變換近紅外光譜法檢測白酒總酸和總酯[J]. 農業工程學報, 2006, 22(12): 216-219. DOI:10.3321/j.issn:1002-6819.2006.12.045.

[28] 王動民, 紀俊敏, 高洪智. 多元散射校正預處理波段對近紅外光譜定標模型的影響[J]. 光譜學與光譜分析, 2014, 34(9): 2387-2390.DOI:10.3964/j.issn.1000-0593(2014)09-2387-04.

[29] ZHANG C, XU N, LUO L, et al. Detection of aspartic acid in fermented cordyceps powder using near infrared spectroscopy based on variable selection algorithms and multivariate calibration methods[J]. Food and Bioprocess Technology, 2014, 7(2): 598-604.DOI:10.1007/s11947-013-1149-x.

[30] SHEN F, YANG D, YING Y, et al. Discrimination between shaoxing wines and other Chinese rice wines by near-infrared spectroscopy and chemometrics[J]. Food and Bioprocess Technology, 2012, 5(2): 786-795.DOI:10.1007/s11947-010-0347-z.

Prediction Model for Typical Alcohols in Base Liquor Based on Near Infrared Spectroscopy

LIU Jianxue1,2, YANG Guodi1, HAN Sihai1,2, LI Xuan1,2, LI Peiyan1,2, XU Baocheng1,2
(1. College of Food and Bioengineering, Henan University of Science and Technology, Luoyang 471023, China;2. Henan Engineering Research Center of Food Material, Luoyang 471023, China)

In this paper, the contents of n-propanol, n-butanol, amyl alcohol and isoamyl alcohol in base liquor were determined by gas chromatography and used as chemical values for the establishment of calibration and validation sets for a rapid predictive model based on near infrared spectroscopy (NIR) to measure typical alcohols in base liquor. The model was developed using partial least squares (PLS) regression with internal cross validation and optimized. The optimal spectral pretreatment method and the optimal spectral region were determined. The coefficients of determination (R2) between the actual and the NIR predicted values of n-propanol, n-butanol, amyl alcohol and isoamyl alcohol for the calibration set were 0.952, 0.981, 0.963 and 0.981, and the root mean square error of cross-validation (RMSECV) were 0.27, 0.49, 0.101 and 0.67 mg/100 mL, respectively; the R2values for the validation set were 0.947, 0.980, 0.928 and 0.952, and RMSEPs were 0.40, 0.81, 0.49 and 1.35 mg/100 mL, respectively. Results showed that the predictive model exhibited good accuracy,stability and prediction performance and could provide a new approach for the analysis of alcohols in base liquor.

near infrared spectroscopy; base liquor; typical alcohols; partial least squares

10.7506/spkx1002-6630-201802044

TS262.3

A

1002-6630（2018）02-0281-06

劉建學, 楊國迪, 韓四海, 等. 白酒基酒中典型醇的近紅外預測模型構建[J]. 食品科學, 2018, 39(2): 281-286.

DOI:10.7506/spkx1002-6630-201802044. http://www.spkx.net.cn

LIU Jianxue, YANG Guodi, HAN Sihai, et al. Prediction model for typical alcohols in base liquor based on near infrared spectroscopy[J]. Food Science, 2018, 39(2): 281-286. (in Chinese with English abstract)

10.7506/spkx1002-6630-201802044. http://www.spkx.net.cn

2017-03-24

國家自然科學基金面上項目（31471658）；河南省重點科技攻關項目（152102110025）

劉建學（1964—），男，教授，博士，研究方向為食品品質快速檢測與安全控制技術。E-mail：jx_liu@163.com