固形物含量

近日,ATAGO(爱拓)工作人员对上海的用户做客户回访并交流仪器使用心得，工程师对某药厂2002年购买的ATAGO(爱拓)PRM-85在线折光仪用于浓缩工艺管道Brix值检测进行售后维护工作。 从生药原料到制造浸膏制剂的工艺流程 根据提取工艺的升温、提取时问、加入溶剂比饲的探讨，浓缩工艺、干燥工艺及制剂化工艺的各 种试验数据，设定各工艺的制造设备和制造条件.然 而，如今现代化快速的社会，服用汤剂具有操作麻烦，药物长时间存放出现稳定性降低等不便或缺点。ATAGO（爱拓）的自动台式折光仪正好满足现今中药浸膏制剂制作过程中的各种数据的验证，中药浸膏制剂Brix值的检测更加充分肯定ATAGO（爱拓）产品的性能以及应用领域的发展。中药浸膏制剂的制造工艺流程: 生药&mdash 切裁-称重-调和-提取液-浓缩-干燥-浸膏粉 在提取液和浓缩工艺对药液中固形物含量及糖度的控制非常重要，也是品质监控必检项目，检测固形物含量和糖度国标规定可以用折光的方式来检测。客户实用举例:某药厂购买ATAGO(爱拓)PR-101a做取样测量某药厂购买ATAGO(爱拓)自动台式折光仪RX-5000a用于控温测样 RX-5000a特点:RX-5000&alpha 是能够内部设定测量温度的自动折射仪，能够快速地测量折射指数、糖度或各式液体的浓度，以下为本产品的特性：&bull 因为RX-5000&alpha 具有电热模块以控制温度，所以不需要恒温水箱。&bull 在样本达到目标温度之后，测量会自动开始。&bull 在目标温度下，折射指数与糖度会快速显示&bull 可取得高糖度 ± 0.03% 与折射指数 ± 0.00004 准确度。&bull RX-5000&alpha 会显示您所设的控制范围的高低界线。&bull 如果测量值与您的标准液体值或其它折射仪测量的不同，将能做部分调整。&bull 根据您的样本，能够输入60种使用者标度。&bull RX-5000&alpha 能够显示最少30个最近的测量值。某药厂2002年购买的ATAGO(爱拓)PRM-85在线折光仪用于浓缩工艺管道糖度检测ATAGO(爱拓)工程师身旁的PRM-85在线浓度计 2011年ATAGO(爱拓)将PRM-85升级为PRM-100a,高精度在线浓度计PRM-100&alpha 由检测部件（传感器）与显示部件构成，与其前身PRM-85相比，其测量范围更加广泛( Brix 0.00 至 100.00% )，精度更高( 折射率± 0.00010, Brix ± 0.05 )，可以选择最小标度来显示。在线折射仪能够提供给制造工厂、混和设备与清洗设备一起使用以持续测量各式液体的浓度。适用于混和、浓缩、发酵的控制与水性和碱性清洁剂等的浓度控制。PRM-100a特点:★大幅降低工人劳动强度、生产安全保证 ★显著提到产品质量 、无滞后监测 ★产品质量始终如一性 ★自动化程度高 ATAGO(爱拓)为您提供100种以上物质浓度检测方案,欢迎您的咨询。您可以通过以下方式联系我们:官方网站：http://www.atago-china.com企业QQ：800064900广州分公司电话：86-20-38108256/38106065/38106057上海办事处电话：86-21-61131991/61131992/61131993

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。

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