标准糖度自动旋光仪

为了答谢广大客户对梅特勒托利多仪器长期的支持与厚爱，帮助客户更方便快捷地做好分析测定，梅特勒托利多特别推出QuickBrix系列糖度计特价促销活动。促销期间，最终用户均可按照以下新的优惠价格订购便携式糖度计QuickBrix。 QuickBrix 60： 3500.00 RMB (原价：6080 RMB ) QuickBrix 90： 6400.00 RMB (原价：11120 RMB ) 活动时间：2009年4月1日至2009年9月30日 活动对象：梅特勒托利多最终用户 咨询电话：4008－878－788 或发送电子邮件至：ad@mt.com 葡萄酒是否口感醇厚？橙汁是否酸甜适中？一听可乐含有多少卡路里？这些都与食品饮料类产品生产的一个重要参数&mdash &mdash 糖度，密切相关。如果您正为寻找一款快速准确，且适合现场测定的糖度计而发愁，那么梅特勒托利多的QuickBrix系列糖度计将是您理想的选择。 梅特勒托利多最新上市的QuickBrix系列糖度计具有诸多独特优势，完全满足实验室和现场测量的要求： &bull 自动校准，操作简单 &bull 自动锁定终点，避免人为读数误差 &bull 自动温度补偿，满足国际标准要求 &bull 防溅水设计，清洗方便，适合现场使用 &bull 背光显示，夜间也可测量 点击这里了解Quick-Brix&trade 60详情点击这里了解Quick-Brix&trade 90详情 本活动解释权归梅特勒托利多仪器（上海）有限公司所有。

ATAGO折光仪和旋光仪在制糖工业中的应用日本ATAGO（爱宕）公司是全球专业生产折光仪与旋光仪的厂家，70多年来不断地致力于研究和开发多样化的，应用广泛的折射仪，旋光仪及基于折射仪测定各种物质浓度的衍生产品。 ATAGO（爱宕）生产的多种形态的折光仪和旋光仪产品在制糖行业中应用广泛。无论是简单的用于野外测量甘蔗汁糖度的便携式折光仪、或者安装在生产管路中在线实时监测的在线浓度计，还是用于精密检验需求的高精度台式折光仪、阿贝折光仪及旋光仪，ATAGO（爱宕）均能提供最高性价比的产品满足制糖企业的不同需求。刻度式手持折射计 迷你数显折射计的应用与上述刻度式手持折射计类似，其数显特性可以有效消除人为读数误差，同时减轻操作者视力疲劳度。ATAGO（爱宕）的PAL系列迷你数显折射计是手持式折射计的创新与代表，完全颠覆了过去用户对于手持式折射计的传统认知，数字显示，仅手掌大小，重100g。PAL迷你数显折射计拥有让您惊奇的快速测量能力。只要将一滴样本溶液置于棱镜上，然后按「开始」键，糖度值会在3秒之内显示。具有数字LCD显示面版，可以避免主观错误的数值判读。可流水冲洗，具自动温度补偿，能测量高温样品，您将会对它的尺寸、设计、功能与性能感到惊奇！ 阿贝折射仪---NAR系列迷你数显折射计刻度式手持折光仪可应用在众多不同的行业中，用于田间或基层简单的测量样品中糖分以判断其成熟度，或在附近没有实验室的条件下快速进行浓度测量以得到分析结果。ATAGO（爱宕）的MASTER系列刻度式手持折射计是手持式折射计完美设计的代表。测量稳定、读数视野明亮清晰，样品添加及擦拭溶液，可流水冲洗，带自动温度补偿，现代化的设计风格等特点可见ATAGO（爱宕）的MASTER系列刻度式手持折射计对高质量及对细节的注重，普通产品在耐久性、质量及准确性等方面很难与 ATAGO（爱宕） 的产品媲美。阿贝折射仪是制糖工业中应用最广泛的仪器，可以适用于测量各种样品的锤度及生产过程中的任意环节。NAR-1T及NAR-3T作为传统阿贝折射仪中的佼佼者，拥有最广泛数量的用户群体。DR-A1数显阿贝折射仪紧跟用户使用需求，数显设计无须目测读数，能够连接打印机和电脑，将实验数据打印或者电脑保存。 型号测定范围精度特点NAR-1T LiquidnD： 1.3000-1.7000Brix(%) 0.0-95.0%nD： 0.001Brix：0.5%质量稳定可靠，视野清晰易读，经济实惠，性价比高！NAR-3T精密型nD： 1.30000-1.71000Brix(%)0.00-95.00%nD: 0.0002Brix： 0.1%满足用户高精度的要求，畅销型号！ DR- A1数显阿贝折射仪nD：1.3000-1.7100Brix(%) 0.0-95.0%nD： 0.0001Brix(%) 0.5%数字显示，能够连接打印机和电脑。在线浓度计全自动台式数显折光仪&mdash RX系列日本ATAGO（爱宕）RX系列全自动数显折光仪被公认为是食品行业最理想的仪器。RX-5000&alpha 是最具通用性的型号，是ATAGO（爱宕）的明星产品！您可以在全中国很多大型食品企业的实验室见到她的身影，正忙碌于生产的一线，24小时不停机连续几个月的工作着，以她的测量稳定、操作方便给实验操作人员带来最好的使用体验！作为传统&ldquo 水浴&rdquo 机型的升级替代产品，ATAGO（爱宕）台式数显折光仪内置帕尔贴（Peltier）温度控制装置，实现精确、快速地控制样品温度。仪器可在样品温度达到设定温度时自动进行测量。仪器不仅可以可以显示 ° Brix 标度、nD标度，也可以进行用户可以自定义标度，测量 HFCS (42/55/90%)、转化度、葡萄糖含量、淀粉含量等标度。测量结果直接显示，无需人工计算。不锈钢样品槽，人造蓝宝石棱镜，可方便的进行样品擦拭，无需特殊的保养。标准的RS232数据接口，可用于连接打印机或电脑，人性化的软件符合FDA21 CFR part11标准。带自检和手动校正功能，确保测量精确度。RX-i系列更具有创新的触摸屏设计及U盘接口，引领折光仪设计的新高度！RX-9000&alpha 高精度，大量程测量范围nD： 1.32500-1.70000Brix(%) 0.-0-100.00%分辨率：nD： 0.00001；Brix(%) 0.01%当前，生产技术与工艺的热点在于工厂产品的在线实时监控。在线浓度计以折光的原理进行实时糖度、浓度的监控，可以更方便地备份测量记录，有很好的数据可追溯性，符合ICUMSA要求，目前已被广泛用于制糖工业。ATAGO（爱宕） 在线折光仪，专业提供在线折光测量测量，实时监测当前产品品质。同时专人专业的服务让您在仪器配套、管道设计与安装、自动化控制等过程中实现检测仪器与生产线的完美连接。CM-780N连接于生产管路中实时监控通用信号输出（4-20mA），便于进行自动化控制RX-5000&alpha 最畅销型号测量范围nD： 1.32700-1.58000Brix(%) 0.-0-100.00%分辨率：nD： 0.00001；Brix(%) 0.01%60个自定义用户标度4级密码功能，满足各类QA/QC实验室的需求 RX-5000i触摸屏设计，所有操作一个手指头轻松实现测量范围nD： 1.32422-1.58000Brix(%) 0.-0-100.00%分辨率：nD： 0.00001；Brix(%) 0.01%内置22个用户常用的标准曲线，如葡萄糖浓度、NaOH浓度、Nacl浓度、盐度等，也可根据用户需求，自定义样本曲线，测试用户样品浓度。4级密码功能，满足各类QA/QC实验室的需求保存最新的500个测量纪录，U盘接口 全自动旋光仪AP-300符合ICUMSA对澄清甘蔗汁、甜菜汁及成品糖等单波长下检测分析的要求。ATAGO（爱宕）的AP-300是一款具有旋光度和国际标准糖度（ISS）双标度的全自动旋光仪，专为需要测定旋光度和糖度的制糖行业而设计。 6种结果表示方式：旋光度，国际标准糖度 (有或无自动温度补偿)，比旋度，含量和纯度。仪器设计精巧，操作简易，数字显示读数，标配10cm及20cm玻璃旋光管，可选配多种体积的旋光管、带水浴夹套的旋光管、已经流通样品池等。可使用石英片手动校正。采用589nm发光二极管模拟钠光源，电路设计简单，波长恒定，故障率极低，光源寿命几乎无限制，运行费用几乎为零。可进行手动测量和自动连续测量。国际一流品质，质优价美，性价比高！ ATAGO（爱宕）产品的应用涵盖食品饮料，果蔬加工，糖业，日用化工，生物制药，临床检验，石油化学到金属制造等许多领域，在世界处于领先地位并占据最大市场份额，ATAGO（爱宕）产品品质卓越，耐用性超群，长久以来，凭借优秀的品牌知名度，ATAGO（爱宕）产品不断获得来自全世界154个国家客户的完全信赖。如有疑问请随时联系我们！果糖淀粉糖蜜乙醇回收物废液· · · · · 甘蔗汁甜菜汁蔗糖糖浆蔗糖混合物玉米糖浆 (HFCS 42, 55, 90%)转化糖葡萄糖制糖行业

猕猴桃亦称奇异果，含有多种微量元素和丰富的有机物，营养价值高且口感酸甜，拥有“水果之王”的美誉。糖度是猕猴桃主要的内部参数之一，猕猴桃内部品质参数直接影响其口感，也是决定猕猴桃采摘时间及储存时间的重要指标，猕猴桃的糖度中85%左右的成分是可溶性固形物，因此常用的传统糖度检测方法是采用折射仪测量被挤出的果汁中的可溶性固形物含量来反映糖度值，该方法繁琐、耗时且破坏样本，无法实现快速的工业化检测。高光谱成像技术因其信息量大、光谱分辨率高、操作方便等特点，已广泛用于如苹果、樱桃、柿子、芝麻菜、梨、荔枝等]果蔬内部参数的无损检测。1 实验部分1.1 材料实验材料为某猕猴桃基地现采的“红阳”猕猴桃。选取120个大小相近、表面无损伤和疤痕的猕猴桃样本并依次编号，静置于实验室24h,等待采集其高光谱图像并随后测量其糖度，实验期间的环境温度(26±1)℃。1.2仪器与设备本实验应用了400-1000nm的高光谱相机，可采用杭州彩谱科技有限公司产品FS13进行相关研究。光谱范围在400-1000nm，波长分辨率优于2.5nm，可达1200个光谱通道。采集速度全谱段可达128FPS，波段选择后最高3300Hz（支持多区域波段选择）。1.3高光谱图像信息采集高光谱分选仪预热30 min后开始采集图像，以保证采集时的环境温度和光源强度在采集初期和后期保持一致。将标准白板的高度调整至与猕猴桃样本在同一焦面上，光谱相机曝光时间为13.5ms,样本平台与镜头的距离为170mm,电控移动平台前进距离为11 cm,其前进速度及回退速度分别为0.46和5cms¹ 。1.4猕猴桃糖度测定采集完所有样本的高光谱图像后，当天进行并完成猕猴桃糖度测定。根据行业规定，常以猕猴桃赤道部位的糖度来代表整体糖度，参照NT/T2637—2014《水果、蔬菜制品可溶性固形物含量的测定-折射仪法》,对每个猕猴桃样本依次将其赤道上的果皮削掉，取出适量果肉压汁，随后用一次性滴管将汁液滴到SKY107手持式糖度折射仪的检测槽中，读出该样本的糖度理化值示数。每个样本以两次平行测定结果的算术平均值作为该样本的糖度理化测量值。1.5 高光谱数据的提取采用Spec View软件对猕猴桃样本的原始高光谱图像进行黑白校正，利用ENVI5.1软件从校正后的图像中选择猕猴桃整个赤道区域作为感兴趣区域并提取光谱，以ROI区域的平均光谱作为此猕猴桃的原始光谱信息，如图2(a)所示。由图2(a)可知，原始光谱曲线的首尾两端存在明显噪声，故选取每个样本400～1000 nm波长范围内的高光谱信息作为有效光谱，如图2(b)所示，该范围共计237个波长。1.6模型评价利用5个指标值即校正集的相关系数(Rc)及其均方根误差(RMSEC)、预测集的相关系数(Ro)及其均方根误差(RMSEP)、相对分析误差(RPD)来评价模型的预测性能。其中，Rc和Rp越接近于1,表明模型的稳定性及拟合度越高；RMSEC和RMSEP越接近于0,表明模型的预测能力越强；RPD定义为样本的标准差与其均方根误差之比，若RPD1.4,模型对样本无法实施预测，1.4≤RPD1.8,模型可对样本进行粗略预测，1.8≤RPD2.0,模型可对样本进行较好预测，RPD≥2,模型可对样本进行极好预测]。2 结果与讨论2.1样本划分对120个猕猴桃样本利用拉依达准则方法进行异常值的判别和剔除，结果显示无异常值，随后将其按照3:1比例用KS(Kennard-Stone )算法将其划分为90个校正集样本、30个预测集样本，猕猴桃样本糖度测量值结果见表1。2.2光谱及预处理为了减少提取的光谱数据中掺杂的噪声和光谱倾斜，以便提高光谱分辨的灵敏度，进行合理的光谱预处理是必要的。利用多元散射校正、标准正态变量变换、直接正交信号校正等3种方法对有效光谱进行预处理，并分别建立对应的ELM预测模型，其预测结果见表2。由表2可知，DOSC-ELM模型的Rc和Rr值最大且RMSEC和RMSEP值最小，预测效果好，故后续均基于DOSC预处理方法进行。DOSC方法通过将光谱矩阵与待测浓度矩阵正交，在不损害数据结构特性的前提下滤除原始光谱中与糖度不相关的信息，保留最相关的信息用于构建预测模型。DOSC预处理前的校正集和预测集的光谱反射率分别如图3(a)和图3(c)所示，DOSC预处理后的校正集和预测集的光谱反射率分别如图3(b)和图3(d)所示。从图3可知，相较于未经过预处理的高光谱图像，DOSC预处理后的光谱图像线条更加紧密，图3(b)和图3(d)中所凸起的波峰也反映了预处理后的光谱数据与待测成分即糖度的相关性得到了良好的提升。DOSC预处理前后各高光谱波段与猕猴桃糖度的相关系数如图4所示。通常相关系数0.5≤|r0.8时为显著相关，|r|≥0.8时为高度相关，由图4可知，经DOSC预处理后大量光谱数据与糖度呈现显著甚至高度相关。2.3 特征光谱变量的提取与组合2.3.1 基于IRIV的特征光谱变量提取对预处理后的光谱用IRIV算法提取特征光谱变量时，设定IRIV算法的交叉验证次数为5,PLS模型中的最大主成分个数为10。IRIV算法一共进行了7轮迭代，如图5所示。在图5中，前4轮迭代过程中特征光谱变量的个数迅速减少，变量个数从237个缩减到36个，随着特征光谱变量个数减少的速度放缓，经第6轮迭代后完全剔除了其中的无信息变量和干扰变量，变量缩减到10个，在反向消除2个变量后，最终得到8个特征光谱变量，占全光谱波段的3.4%。经过IRIV提取的特征光谱变量分布如图6所示。2.3.2 基于CARS的特征光谱变量提取对预处理后的光谱用CARS算法提取特征光谱变量时，设定蒙特卡罗采样50次，采用5折交叉验证法。图7(a)为呈现指数衰减函数的选择过程，特征光谱变量的数量随着采样次数的增加先迅速下降然后平缓减少，具有“粗选”和“精选”2个特征。由图7(b)可知，随着Monte-Carlo采样次数的增加，内部交叉验证均方根误差(RMSECV)呈先缓慢减小后陡然增大的趋势，这是由于选择过度而移除了富含信息的关键变量，导致模型的预测性能下降。图7(c)是特征光谱变量随着采样次数变化的回归系数路径图，当图7(b)中RM-SECV值达到最小值时，各特征光谱变量的回归系数位于图7(c)中的“*”所在的垂直线位置，此时采样运行5次，最终提取出49个特征光谱变量。3结论以“红阳”猕猴桃为研究对象，本文利用高光谱成像技术结合不同特征光谱变量提取方法构建不同模型，对猕猴桃糖度进行无损检测。研究结果如下：(1)对猕猴桃原始有效光谱分别采用MSC,SNV和DOSC预处理后，结合ELM模型的预测结果，分析不同预处理方法对模型预测精度的影响，对比结果显示DOSC预处理效果最好。(2)对DOSC预处理后的光谱分别采用一次降维、一次组合降维和二次组合降维共7种特征提取方法，提取到的特征光谱变量个数分别为49,9,8,58,55,11和19,占全光谱波段的20.7%,3.8%,3.4%,24.5%,23.2%,4.6%和8%。