米饭外观仪器评价与其感官评价的关联性研究

米饭外观品质是其食味品质的重要组成部分.通过分析米饭外观指标的仪器测定值和感官评价值,探索外观仪器评价代替感官评价的可行性.结果表明:米饭外观指标仪器测定值与感官评分值具有显著相关性;以米饭外观感官评价指标为因变量,外观指标仪器测定值为自变量所建立的线性回归方程及其回归系数均达到了显著水平,回归模型预测效果较好,其评分值与预测值相关性最好的是光泽.     

液质联用分析常见植物油甘油三酯

采用高效液相色谱-串联飞行时间质谱法分析了常见植物油如大豆油、芝麻油、花生油、特级初榨橄榄油、葵花籽油、玉米油、油茶籽油、棉籽油和菜籽油的甘油三酯。结果显示每种植物油甘油三酯的种类和含量均不相同。该方法测定甘油三酯有效可行,可为甘油三酯结构信息研究及油脂掺伪鉴别提供基础支持。     

小米-小麦混合粉的粉质特性和糊化特性研究

研究了未经挤压小米粉、挤压改性小米粉分别按照不同添加量与小麦粉混合所得混合粉的粉质特性和糊化特性。结果显示:随着小米粉添加量的增加,小米-小麦混合粉的形成时间、稳定时间、粉质指数、峰值黏度、最低黏度、最终黏度、峰值时间逐渐降低,弱化度、公差指数、糊化温度逐渐升高;对于未经挤压小米粉,随着添加量增加,吸水率逐渐降低,衰减值逐渐升高,而挤压改性小米粉正好相反。     

基于脂肪酸组成甄别油茶籽油掺伪的研究

以植物油的特征信息——脂肪酸组成为依据,结合化学计量学,运用主成分法、偏最小二乘判别因子分析法来研究甄别油茶籽油的可行性,并运用偏最小二乘回归分析法来定量预测分析不同掺伪比例的油茶籽油。结果显示:主成分法(Principal Component Analysis,PCA)、偏最小二乘判别因子分析法(Partial Least-squares Analysis-Discriminat Factor Analysis,PLS-DFA)都能将油茶籽油样品与其他几种植物油样品区分开来,并且PLS-DFA要比PCA区分效果稍好;掺伪比例和脂肪酸组成具有较好的线性关系,偏最小二乘回归分析法(Partial Least-squares Analysis,PLS)能够定量预测分析掺伪比例为5%~60%的掺伪样品,且相关系数都能达到0.98以上,说明脂肪酸组成结合化学计量学方法能够很好的甄别油茶籽油掺伪,为快速甄别油茶籽油掺伪提供技术支撑。     

胰蛋白酶有限水解蚕豆盐溶性蛋白的研究

研究了胰蛋白酶水解蚕豆盐溶蛋白的动力学及其水解物的水溶性。高压液相色谱的实验结果证实胰蛋白酶可以水解蚕豆盐溶蛋白。底物浓度5%、酶与底物之比(E/S)为10U/g蛋白质、pH8.0、温度45℃的酶反应条件下,水解6000s时的蚕豆盐溶性蛋白的水解度达到6.8。蚕豆盐溶蛋白经过胰蛋白酶有限水解后水溶性显著增加,与蚕豆盐溶性蛋白相比,pH8.0时水解度2.1%、4.5%、6.8%的蚕豆盐溶性蛋白水解物的水溶性分别提高350%、390%和510%。     

小麦储藏品质评价指标研究进展

小麦在储藏过程中会发生一系列的物理、化学、生理以及食用品质的变化。综述小麦储藏主要品质评价指标如发芽率、过氧化氢酶活性、脂肪酸值等,及其与储藏条件、储藏时间的关系,旨在为小麦的科学储藏研究提供参考。     

电子鼻在小麦品质控制中的应用研究

采用PEN3型电子鼻系统对我国10个省份47个小麦样品的挥发性物质进行检测。通过Loadings分析不同传感器在模式识别中的贡献率,对传感器阵列进行优化,并对传感器的响应值进行了主成分分析(PCA)和线性判别分析(LDA)。结果表明W5S、W1S、W2S3根传感器在小麦样品的用途、产地、品种区分识别时作用都较大,W1C、W3C2根传感器贡献率较小。PCA分析可以区分面包用小麦和馒头面条用小麦,总贡献率达85.5%;也可以区分不同产地的小麦样品和同一产地不同品种的小麦样品。线性判别分析(LDA)仅可以对不同产地、不同品种的小麦样品实现部分区分,无法将不同用途的小麦区分开来。主成分分析效果优于线性判别分析。     

顶空固相微萃取-气质联用法分析稻谷挥发性成分

用顶空固相微萃取(HS-SPME)技术结合气相-质谱法(GC-MS)对不同稻谷中挥发性成分进行研究,优化顶空固相微萃取的条件,包括平衡时间、萃取时间、萃取温度以及样品量,并对不同稻谷中挥发性成分进行鉴定和分类分析。结果表明：稻谷中挥发性成分分析的最佳条件为平衡时间60min、萃取时间50min、萃取温度80℃、样品量20g。稻谷中的挥发性成分有醇类、醛类、酮类、酯类、烃类、有机酸类以及杂环类化合物等。最主要挥发性成分是醛类,其中含量最高是己醛,平均为13.31%;其次为壬醛,平均为7.93%。     

霉变玉米电子鼻识别及其传感器阵列优化

收集了玉米样品40份,利用电子鼻技术对样品进行模式识别,并对电子鼻传感器阵列进行优化.结果表明,电子鼻能够对正常与霉变样品进行区分.在优化传感器阵列后,主成分分数较优化前的84.36%提高至97.54%.对测试集的判别采用4种算法(Euclid、Malahanobis、Kohonen和DFA)进行判别,电子鼻判别率较优化前均有不同程度的提高,其中Kohonen法判别率可达90.63%.