基于表面增强拉曼的鸡尾酒中苯甲酸钠和山梨酸钾的同时快速检测
房晓倩, 彭彦昆, 王文秀, 郑晓春, 李永玉*, 卜晓朴
中国农业大学工学院, 国家农产品加工技术装备研发分中心, 北京 100083
*通讯联系人 e-mail: yyli@cau.edu.cn

作者简介: 房晓倩, 女, 1992年生, 中国农业大学工学院硕士研究生 e-mail: fxiaoqian0213@163.com

摘要

基于实验室自行搭建的拉曼点扫描系统, 以市售鸡尾酒为研究对象柠檬酸钠还原硝酸银配制的银溶胶作为表面增强剂, 探讨了鸡尾酒中苯甲酸钠和山梨酸钾两种防腐剂的同时快速检测方法。 首先确定鸡尾酒中苯甲酸钠拉曼特征峰为846.1, 1 007和1 605 cm-1, 山梨酸钾拉曼特征峰为1 164, 1 389和1 651 cm-1, 进而对它们拉曼特征位移强度稳定性及鸡尾酒中两种防腐剂对拉曼特征位移强度的相互影响进行了分析。 结果表明, 利用该方法采集的鸡尾酒中苯甲酸钠和山梨酸钾表面增强拉曼特征位移强度具有较高的稳定性, 而且鸡尾酒中苯甲酸钠和山梨酸钾的拉曼特征位移强度相互影响并不大, 具有较高的稳定性。 分别制备苯甲酸钠浓度范围为0.154 3~1.5 g·kg-1的42个鸡尾酒样品及山梨酸钾浓度范围为0.062~1.5 g·kg-1的45个鸡尾酒样品, 分别建立了苯甲酸钠和山梨酸钾的线性回归模型。 选用最佳的苯甲酸钠1 007和1 605 cm-1二元线性回归预测模型与山梨酸钾的1 164和1 651 cm-1二元线性回归预测模型, 对不同浓度苯甲酸钠和山梨酸钾43个鸡尾酒样品进行了苯甲酸钠和山梨酸钾同时预测验证。 结果显示, 鸡尾酒中苯甲酸钠和山梨酸钾预测值与实际值相关系数( r)分别为0.949 3和0.921 8, 均方根误差(RMSE)分别为0.088 2和0.142 9 g·kg-1。 基于银溶胶表面增强拉曼完全可以实现鸡尾酒中苯甲酸钠和山梨酸钾两种防腐剂的快速同时检测, 为液态食品中防腐剂的同时快速监测提供了技术支撑。

关键词: 表面增强拉曼光谱; 银溶胶; 鸡尾酒; 苯甲酸钠; 山梨酸钾
中图分类号:O657.3 文献标识码:A
Rapid and Simultaneous Detection of Sodium Benzoate and Potassium Sorbate in Cocktail Based on Surface-Enhanced Raman Spectroscopy
FANG Xiao-qian, PENG Yan-kun, WANG Wen-xiu, ZHENG Xiao-chun, LI Yong-yu*, BU Xiao-pu
College of Engineering, China Agricultural University, National Research and Development Center for Agro-Processing Equipment, Beijing 100083, China
Abstract

This paper established an optimal analytical model for rapid and simultaneous detection of sodium benzoate and potassium sorbate in cocktail by using surface-enhanced Raman technique, based on the self-built laboratory Raman point scanning system. Silver colloidal nanoparticles were prepared by reduction of silver nitrate with sodium citrate. In addition, the Raman spectra of sodium benzoate and potassium sorbate standard were compared with surface-enhanced Raman spectroscopy of cocktail samples containing sodium benzoate and potassium sorbate. 846.1, 1 007 and 1 605 cm-1 were surface-enhanced Raman characteristic shifts of sodium benzoate. 1 164, 1 389 and 1 651 cm-1 were surface-enhanced Raman characteristic shifts of potassium sorbate. At the same time, the stability of the peak in the Raman characteristic shift and the interrelation of Raman shift peak strength of two kinds of preservatives in the cocktail were analyzed. The detection method was of high stability, and the two kinds of preservatives were basically no interaction. Moreover, 42 sodium benzoate concentrations of 0.154 3~1.5 g·kg-1 and 45 potassium sorbate concentrations of 0.062~1.5 g·kg-1 were prepared to establish a linear regression model in cocktail. The best prediction models for sodium benzoate and potassium sorbate were two respective linear regression model established by 1 007, 1 605 and 1 164 1 651 cm-1. Besides, 43 different concentrations of sodium benzoate and potassium sorbate cocktail samples were predicted by the best prediction models. The result showed that the correlation coefficients ( r) of sodium benzoate and potassium sorbate were 0.949 3, 0.921 8, root mean square error (RMSE) were respectively 0.088 2 and 0.142 9 g·kg-1, respectively. The rapid and quantitative determination of sodium benzoate and potassium sorbate in commercial cocktail can be realized by surface enhanced Raman spectroscopy. The results provides technical support for simultaneous and real-time online monitoring of preservatives in liquid food.

Key words: Surface-enhanced Raman spectroscopy; Silver colloid; Cocktail; Sodium benzoate; Potassium sorbate
引 言

近年来, 在食品生产加工中食品添加剂的使用量大幅增加, 苯甲酸钠和山梨酸钾是我国最常用的两种食品防腐剂[1]。 我国食品添加剂使用标准(GB 2760— 2014[2])中明确规定山梨酸钾和苯甲酸钠在配制酒中的最大使用量均为0.4 g· kg-1。 在正常使用的情况下它们并不会对人体造成危害, 但是用量过多可能会造成人体正常的代谢功能紊乱、 对人体肝脏产生危害, 甚至会引发癌症[3, 4]。 目前, 鸡尾酒、 碳酸饮料、 酱油等不少食品为了延长其保质期, 同时使用山梨酸钾和苯甲酸钠两种防腐剂。

国内外苯甲酸钠和山梨酸钾的常用检测方法有高效液相色谱法[5]、 气相色谱法[6]、 紫外光度法[7, 8]、 离子色谱法[9]等, 这些方法均需要对样品进行复杂的预处理, 分析成本高、 耗时长, 难以应用于实时在线监测。 目前有不少学者基于拉曼光谱进行了毒死蜱、 啶虫脒等农药以及孔雀石绿、 氯霉素等兽药的快速检测研究[10, 11], 但是食品中多种防腐剂的同时检测大多集中在色谱法。 郭友珍等用高效液相色谱法进行了碳酸饮中苯甲酸钠和山梨酸钾的同时检测[12], 李静等利用离子色谱法对食品中两种防腐剂进行了同时检测研究[13], 基于拉曼光谱对市售产品中多种防腐剂的同时检测尚未见相关报道。

本文基于实验室自行搭建的拉曼点扫描系统, 以市售鸡尾酒为研究对象, 柠檬酸钠还原硝酸银配制的银溶胶作为表面增强剂, 确定鸡尾酒中苯甲酸钠和山梨酸钾特征拉曼位移, 分析它们拉曼特征位移强度的稳定性及两种防腐剂拉曼特征位移强度的相互影响, 建立市售鸡尾酒中苯甲酸钠和山梨酸钾预测模型, 实现鸡尾酒中苯甲酸钠和山梨酸钾两种防腐剂的同时快速检测, 为食品中多种防腐剂的同时在线监测监控提供技术支撑。

1 实验部分
1.1 材料

拉曼点扫描系统: 实验室自行搭建的拉曼点扫描系统16位高性能光电荷耦合器件CCD相机(Andor Newton DU920PBR-DD, Andor Technology, Inc, South Windsor, Conn.)、 拉曼光谱仪(10785MM0350MS, Innovative Photonic Solutions, Monmouth Junction, N.J.)、 785nm激光器(Raman Explorer 785, Headwall Photonics, Fitchburg, Mass)及拉曼探针等。

山梨酸钾标准品(纯度≥ 99%, 宁波王龙科技股份有限公司)、 苯甲酸钠标准品(纯度≥ 99%, 青岛优索化学科技有限公司)用于确定山梨酸钾和苯甲酸钠的拉曼特征位移及配置不同浓度山梨酸钾和苯甲酸钠的鸡尾酒样品。

硝酸银(分析纯, 广东光华科技股份有限公司)和柠檬酸钠(分析纯, 北京化工厂)用于银溶胶的制备。

鸡尾酒购置于北京美廉美超市, 主要成分为水、 白砂糖、 苯甲酸钠、 山梨酸钾、 柠檬酸等。

1.2 方法

鸡尾酒样品的制备: 首先用高效液相色谱法测定市售鸡尾酒中苯甲酸钠和山梨酸钾的初始含量, 基于市售鸡尾酒中两种防腐剂的初始含量, 用苯甲酸钠和山梨酸钾标准品分别配制苯甲酸钠浓度为1.5 g· kg-1的鸡尾酒和山梨酸钾浓度为1.5 g· kg-1的鸡尾酒样品, 将其逐级稀释制备苯甲酸钠浓度范围为0.154 3~1.5 g· kg-1的鸡尾酒42个, 山梨酸钾浓度范围为0.062~1.5 g· kg-1的45个鸡尾酒样品, 用于鸡尾酒中苯甲酸钠和山梨酸钾预测模型的建立。 另外, 通过不同比例混合苯甲酸钠浓度1.5 g· kg-1的鸡尾酒样品和山梨酸钾浓度为1.5 g· kg-1的鸡尾酒样品, 制备不同苯甲酸钠和山梨酸钾浓度梯度的鸡尾酒样品43个, 如表1所示。

表1 不同浓度苯甲酸钠和山梨酸钾鸡尾酒样品 Table 1 The cocktail solution of sodium benzoate and potassium sorbate with different concentrations

银溶胶的制备: 根据Lee等[14]的经典银溶胶制备方法, 首先制备浓度为1× 10-3 mol· L-1硝酸银溶液和浓度为1%的柠檬酸钠水溶液。 用搅拌机(型号: 88-1, 常州国华电器有限公司)持续搅拌状态下, 将硝酸银溶液加热至沸腾, 按照硝酸银与柠檬酸钠溶液体积比为40:1的比例, 向其中缓慢滴加相应体积的柠檬酸钠水溶液, 持续加热搅拌1h后冷却至室温。 用离心机(型号: TDZ5-WS, 湖南赫西仪器装备有限公司)以3 000 r· min-1的速度离心30 min, 弃去上清液后放入4 ℃黑暗的环境中待用。

拉曼光谱的采集及预处理: 用移液枪分别吸取2.5 μ L待测样品和银溶胶, 先后滴落在放置于三维平移台上的铝箔纸上静置2 s后, 利用CCD相机自带的光谱Andor SOLIS软件, 在激光功率450 mW、 曝光时间3 s、 样品与探头距离7.5 mm条件下采集样品拉曼光谱。 每个样品重复采集3次, 3次平均光谱作为该样品的原始拉曼光谱曲线。 采集的拉曼光谱曲线用Matlab 7.10.0(R2010a)及其附带的PLS数据库进行Savitzky-Golay 5点平滑降噪和Baseline扣除基线背景处理。

2 结果与讨论
2.1 鸡尾酒中苯甲酸钠和山梨酸钾的表面增强拉曼特征峰确定

山梨酸钾分子式为C6H7KO2, 其主要的官能团有C=C, C— C, C— O, C=O, C— H等, 山梨酸钾标准品的拉曼光谱曲线如图1a所示。 山梨酸钾标准品具有较强的拉曼信号, 其中1 159, 1 399和1 653 cm-1处出现了信号较强的拉曼特征峰, 1 159和1 399 cm-1归属于C— H变形引起, 1 653 cm-1归属于C=C伸缩振动。 苯甲酸钠的分子式为C7H5NaO2, 其分子结构主要由苯环和羧基组成, 主要官能团包括C— C, C=C, C— O, C=O, C— H等, 苯甲酸钠标准品拉曼光谱如图1b所示。 苯甲酸钠在851.4, 1 012和1 610 cm-1处出现了信号相对较强的拉曼特征峰, 分别归属于苯基和羧基相连接的C— C键的伸缩振动、 环“ 呼吸” 振动和苯的简并环伸缩振动[15, 16]

图1 山梨酸钾(a)和苯甲酸钠(b)标准品及其混合鸡尾酒样品表面增强前后(c, d)的拉曼光谱
苯甲酸钠和山梨酸钾浓度均为1 g· kg-1的鸡尾酒样品表面增强前的拉曼光谱曲线如图1c所示, 没有出现明显的拉曼特征峰, 但是银溶胶表面增强后在846.1, 1 007, 1 164, 1 389, 1 605和1 651 cm-1处清晰地识别出山梨酸钾和苯甲酸钠特征峰, 与山梨酸钾和苯甲酸钠标准品特征峰相比山梨酸钾和苯甲酸钠特征峰均出现了微小的偏移[17], 如图1d所示。 说明完全可以用846.1, 1 007, 1 164, 1 389, 1 605和1 651 cm-1处特征峰来识别鸡尾酒中苯甲酸钠和山梨酸钾。
Fig.1 Raman spectra of standard potassium sorbate (a) and sodium benzoate (b), Raman spectroscopy (c) and Surface-enhanced Raman spectra (d) of mixed cocktail sample

2.2 鸡尾酒中苯甲酸钠和山梨酸钾的特征峰稳定性分析

为建立可靠稳定的模型, 拉曼点扫描系统以及表面增强方法的稳定性非常重要。 为考察该系统及方法的稳定性, 在市售鸡尾酒中添加苯甲酸钠标准品分别制备了苯甲酸钠浓度为1.500 0, 0.827 2和0.154 3 g· kg-1的三个鸡尾酒样品, 每个样品用拉曼点扫描系统分别采集三次表面增强拉曼光谱, 进行Savitzky-Golay 5点平滑、 Baseline基线背景扣除预处理后分别计算苯甲酸钠的三个特征峰强的相对标准偏差(RSD), 光谱曲线如图2所示。 不同苯甲酸钠浓度的鸡尾酒样品846.1, 1 007和1 605 cm-1处三个苯甲酸钠拉曼特征峰强的平均相对标准偏差分别为10.94%, 5.35%和7.00%, 说明利用该方法采集的鸡尾酒中苯甲酸钠表面增强特征峰强均具有较高的稳定性。 同理, 市售鸡尾酒中添加山梨酸钾标准品分别制备了山梨酸钾浓度为1.500 0, 0.719 0和0.062 g· kg-1的三个鸡尾酒样品, 每个样品分别采集三次分别计算山梨酸钾的三个特征峰强的相对标准偏差RSD, 光谱曲线如图3所示。 不同山梨酸钾浓度的鸡尾酒样品1 164, 1 389和1 651 cm-1处山梨酸钾三个拉曼特征位移处峰强的平均相对标准偏差分别为9.26%, 6.10%和11.72%。 说明利用该方法采集的鸡尾酒中山梨酸钾表面增强特征峰强也具有较高的稳定性及普适性。

图2 鸡尾酒中苯甲酸钠表面增强拉曼特征峰强稳定性Fig.2 The characteristic peak intensity stability of sodium benzoate in cocktail

图3 鸡尾酒中山梨酸钾表面增强拉曼特征峰强稳定性Fig.3 The characteristic peak intensity stability of potassium sorbate in cocktail

2.3 鸡尾酒中苯甲酸钠和山梨酸钾表面增强特征峰强相互影响分析

基于表面增强拉曼同时预测鸡尾酒中山梨酸钾和苯甲酸钠含量, 必须确定在鸡尾酒中山梨酸钾和苯甲酸钠表面增强拉曼特征峰强是否互相影响。 为此在市售鸡尾酒中添加山梨酸钾和苯甲酸钠标准品分别制备了苯甲酸钠浓度均为1.500 0 g· kg-1山梨酸钾浓度分别为1.500 0, 0.719 0和0.062 0 g· kg-1的三个鸡尾酒样品, 苯甲酸钠浓度均为0.827 2 g· kg-1山梨酸钾浓度分别为1.500 0, 0.719 0和0.062 0 g· kg-1的三个鸡尾酒样品, 苯甲酸钠浓度均为0.154 3 g· kg-1山梨酸钾浓度分别为1.500 0, 0.719 0和0.062 0 g· kg-1的三个鸡尾酒样品, 分别对每组样品的苯甲酸钠拉曼特征峰强相对标准偏差进行了比较分析。 如表2所示, 3组样品在苯甲酸钠846.1, 1 007和1 605 cm-1处拉曼特征峰强的平均相对标准偏差分别为9.54%, 6.27%和10.86%, 说明在鸡尾酒中苯甲酸钠的特征峰强基本不受山梨酸钾浓度的影响, 具有较高的稳定性。

表2 鸡尾酒中山梨酸钾对苯甲酸钠三个特征峰强影响分析 Table 2 The influence of potassium sorbate on 3 characteristic peaks of sodium benzoate in cocktail

同理, 鸡尾酒中添加山梨酸钾和苯甲酸钠标准品制备山梨酸钾浓度均为1.500 0 g· kg-1苯甲酸钠浓度分别为1.500 0, 0.827 2和0.154 3 g· kg-1的三个鸡尾酒样品, 山梨酸钾浓度均为0.719 0 g· kg-1苯甲酸钠浓度分别为1.500 0, 0.827 2和0.154 3 g· kg-1的三个鸡尾酒样品, 山梨酸钾浓度均为0.062 0 g· kg-1苯甲酸钠浓度分别为1.500 0, 0.827 2和0.154 3 g· kg-1的三个鸡尾酒样品, 对每组样品的山梨酸钾特征峰强相对标准偏差进行了比较分析。 如表3所示, 三组样品在山梨酸钾1 164, 1 389和1 651 cm-1处拉曼特征峰强的平均相对标准偏差分别为12.25%, 14.21%和16.45%, 说明在鸡尾酒中苯甲酸钠浓度对山梨酸钾的特征峰强影响并不大, 具有较好的稳定性。

表3 鸡尾酒中苯甲酸钠对山梨酸钾三个特征峰强影响分析 Table 3 The influence of sodium benzoate on 3 characteristic peaks of potassium sorbate in cocktail
2.4 鸡尾酒中苯甲酸钠和山梨酸钾预测模型建立

因在鸡尾酒中苯甲酸钠和山梨酸钾的表面增强拉曼特征峰强相互影响并不大, 分别制备苯甲酸钠浓度范围为0.154 3~1.5 g· kg-1的42个鸡尾酒样品和山梨酸钾浓度范围为0.062 0~1.5 g· kg-1的45个鸡尾酒样品, 分别建立了苯甲酸钠和山梨酸钾的线性回归模型。 不同苯甲酸钠浓度鸡尾酒样品及不同山梨酸钾浓度鸡尾酒的表面增强拉曼光谱如图4和图5所示。 图中可以清晰地识别出846.1, 1 007和1 605 cm-1处苯甲酸钠的三个主要特征峰和1 164, 1 389和1 651 cm-1处山梨酸钾的三个主要特征峰。 两种样品都随着鸡尾酒中苯甲酸钠和山梨酸钾浓度的降低, 相应的特征峰强也呈逐渐递减趋势。

图4 不同苯甲酸钠浓度鸡尾酒样品的表面增强拉曼光谱Fig.4 Surface-enhanced Raman spectra of cocktail samples with different concentrations of sodium benzoate

图5 不同山梨酸钾浓度鸡尾酒样品的表面增强拉曼光谱Fig.5 Surface-enhanced Raman spectra of cocktail samples with different concentrations of potassium sorbate

基于846.1, 1 007和1 605 cm-1处三个特征峰强的鸡尾酒中苯甲酸钠线性预测模型结果如表4所示。 苯甲酸钠1 605和1 007 cm-1处特征峰强均与鸡尾酒中苯甲酸钠浓度具有高的相关性, 但是846.1 cm-1处特征峰受乙醇分子中C— C=O对称伸缩振动产生的拉曼特征峰890 cm-1的影响[18], 与苯甲酸钠浓度的相关性非常低。 苯甲酸钠的最优预测模型为以1 007和1 605 cm-1特征峰强建立的二元线性回归模型, 相比于以苯甲酸钠的1 605和1 007 cm-1单个特征峰强建立的一元线性回归模型更稳定, 其验证集相关系数(rP)为0.972 0, 验证集的均方根误差(RMSEP)为0.070 2 g· kg-1

表4 鸡尾酒中苯甲酸钠线性回归预测模型结果 Table 4 Linear regression prediction models of sodium benzoate in cocktail

基于1 164, 1 389和1 651 cm-1处三个特征峰强的鸡尾酒中山梨酸钾线性回归预测模型结果如表5所示。 山梨酸钾1 164和1 651 cm-1处特征峰强与山梨酸钾浓度均具有较高的相关性, 但是1 389 cm-1山梨酸钾特征峰受乙醇C— O— H弯曲振动产生的特征峰1 365 cm-1峰的干扰[18], 与山梨酸钾浓度的相关系数也非常低。 山梨酸钾最优预测模型为以山梨酸钾的1 164和1 651 cm-1特征峰强建立的二元线性回归预测模型, 其验证集相关系数(rP)为0.9604, 验证集的均方根误差(RMSEP)为0.081 6 g· kg-1

表5 鸡尾酒中山梨酸钾线性回归预测模型结果 Table 5 Linear regression prediction models of potassium sorbate in cocktail
2.5 鸡尾酒中苯甲酸钠和山梨酸钾同时预测结果

利用1 007和1 605 cm-1处苯甲酸钠最佳二元线性回归预测模型与1 164和1 651 cm-1处山梨酸钾最佳二元线性回归预测模型, 对不同浓度配比的苯甲酸钠和山梨酸钾鸡尾酒样品43个进行了预测验证, 结果如图6所示。 鸡尾酒中苯甲酸钠预测值与实际值相关系数(r)为0.949 3, 均方根误差(RMSE)为0.088 2 g· kg-1。 鸡尾酒中山梨酸钾预测值与实际值相关系数(r)为0.921 8, 均方根误差(RMSE)为0.142 9 g· kg-1。 结果显示, 基于银溶胶表面增强拉曼完全可以实现鸡尾酒中苯甲酸钠和山梨酸钾两种防腐剂的快速同时检测, 为液态食品中防腐剂的快速监测提供了技术支撑。

图6 鸡尾酒中苯甲酸钠(a)和山梨酸钾(b)同时预测结果Fig.6 The simultaneous prediction result of sodium benzoate and potassium sorbate in cocktail

3 结 论

基于实验室自行搭建的拉曼点扫描系统, 以市售鸡尾酒为研究对象柠檬酸钠还原硝酸银配制的银溶胶作为表面增强剂, 探讨了鸡尾酒中苯甲酸钠和山梨酸钾两种防腐剂的同时快速检测方法。 首先确定鸡尾酒中苯甲酸钠和山梨酸钾的特征拉曼位移, 进而对它们拉曼特征位移强度稳定性及鸡尾酒中两种防腐剂对拉曼特征位移强度的相互影响进行了分析。 结果表明, 利用该方法采集的鸡尾酒中苯甲酸钠和山梨酸钾表面增强拉曼特征位移强度具有较高的稳定性, 而且鸡尾酒中苯甲酸钠和山梨酸钾的拉曼特征位移强度相互影响并不大, 具有较高的稳定性。 分别制备不同浓度梯度的苯甲酸钠和山梨酸钾各42个和45个鸡尾酒样品用于建立线性回归模型。 选用最佳的苯甲酸钠与山梨酸钾线性回归预测模型, 对不同浓度的苯甲酸钠和山梨酸钾的43个鸡尾酒样品进行了苯甲酸钠和山梨酸钾同时预测验证。 结果显示, 鸡尾酒中苯甲酸钠和山梨酸钾预测值与实际值相关系数(r)分别为0.949 3和0.921 8, 均方根误差(RMSE)分别为0.088 2和0.142 9 g· kg-1。 基于银溶胶表面增强拉曼完全可以实现鸡尾酒中苯甲酸钠和山梨酸钾两种防腐剂的快速同时检测, 为液态食品中防腐剂的同时快速监测提供了技术支撑。

The authors have declared that no competing interests exist.

参考文献
[1] WANG Li, ZHANG Yu, CHEN Cui-lan(王丽, 张毓, 陈翠岚). Journal of Food Safety and Quality(食品安全质量检测学报), 2011, 2(2): 83. [本文引用:1]
[2] GB 2760—2014. National Food Safety Stand ards-Stand ards for Uses of Food Additives(食品安全国家标准食品添加剂使用标准). [本文引用:1]
[3] WANG Yan, CHE Zhen-ming(王燕, 车振明). Food Res. Dev. (食品研究与开发), 2005, 26(5): 167. [本文引用:1]
[4] WANG Su-fang, LIU Yun, GONG Li-hua, et al(王素方, 刘云, 弓丽华, ). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2016, 36(2): 482. [本文引用:1]
[5] Kamankesh M, Mohammadi A, Tehrani Z M, et al. Talanta, 2013, 109: 46. [本文引用:1]
[6] WU Hui-li(吴惠丽). Analysis and Testing(分析与检测), 2016, 21(60): 79. [本文引用:1]
[7] Mahboubifar M, Sobhani Z, Dehghanzadeh G, et al. Food Anal. Methods, 2011, 4(2): 150. [本文引用:1]
[8] WANG Xian-yang, FENG Wei, HU Yan-yan, et al(汪显阳, 冯伟, 胡岩岩, ). Food Science(食品科学), 2009, 30(24): 337. [本文引用:1]
[9] QU Jing, ZHOU Guang-ming, LIU Ting, et al(屈晶, 周光明, 刘婷, ). J. Southwest University·Natural Science Ed. (西南大学学报·自然科学版), 2010, 32(1): 63. [本文引用:1]
[10] GUO Lang-hua, PENG Yan-kun, LI Yong-yu, et al(郭浪花, 彭彦昆, 李永玉, ). Journal of Food Safety and Quality(食品安全质量检测学报), 2014, 5(3): 697. [本文引用:1]
[11] LI Chun-ying, LAI Ke-qiang, ZHANG Yuan-yuan, et al(李春颖, 赖克强, 张源园, ). Acta Chimica Sinaca(化学学报), 2013, (71): 221. [本文引用:1]
[12] GUO You-zhen, WANG Zhi-hong(郭友珍, 王志宏). Journal of Instrumental Analysis(分析测试学报), 2001, 20(4): 67. [本文引用:1]
[13] LI Jing, WANG Yu, LIANG Li-na(李静, 王雨, 梁立娜). Food Science(食品科学), 2011, 32(12): 239. [本文引用:1]
[14] Lee P C, Meisel D. Journal of Physical Chemistry, 1982, 86: 3391. [本文引用:1]
[15] ZHU Zi-ying, GU Re-ao, LU Tian-hong(朱自莹, 顾仁敖, 陆天虹). Application of Raman Spectroscopy in Chemistry(拉曼光谱在化学中的应用). Shenyang: Northeastern University Press(沈阳: 东北大学出版社), 1998. 295. [本文引用:1]
[16] WANG Xiao-bin, HUANG Wen-qian, WANG Qing-yan, et al(王晓彬, 黄文倩, 王庆艳, ). Food Science(食品科学), 2017, 38(4): 290. [本文引用:1]
[17] DING Song-yuan, WU De-yin, YANG Zhi-lin, et al(丁松园, 吴德印, 杨志林, ). Chemical Journal of Chinese Universities(高等学校化学学报), 2008, 29(12): 2569. [本文引用:1]
[18] LIU Wen-han, YANG Wei, WU Xiao-qiong, et al(刘文涵, 杨未, 吴小琼, ). Chinese Journal of Analytical Chemistry(分析化学), 2007, 35(3): 416. [本文引用:2]