劉衛(wèi)東,毛曉婷,金懷洲,金尚忠

(1.河北省計(jì)量監(jiān)督檢測(cè)院,河北 石家莊 050051;2.中國(guó)計(jì)量學(xué)院 光學(xué)與電子科技學(xué)院,浙江 杭州 310018;3.中國(guó)科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所,吉林 長(zhǎng)春 130000)

利用成像光譜儀識(shí)別豬肉和牛肉

劉衛(wèi)東1,毛曉婷2,金懷洲3,金尚忠2

(1.河北省計(jì)量監(jiān)督檢測(cè)院,河北 石家莊 050051;2.中國(guó)計(jì)量學(xué)院 光學(xué)與電子科技學(xué)院,浙江 杭州 310018;3.中國(guó)科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所,吉林 長(zhǎng)春 130000)

利用成像光譜儀采集豬肉和牛肉的光譜,應(yīng)用主成分分析(PCA)對(duì)所獲得的原始光譜數(shù)據(jù)進(jìn)行降維處理,分別利用KNN判別、人工神經(jīng)網(wǎng)絡(luò)(ANN)、支持向量機(jī)分類(SVM)三種建模方式,建立判別模型,并對(duì)豬肉和牛肉各20個(gè)預(yù)測(cè)樣品進(jìn)行識(shí)別.結(jié)果顯示3種分類模型的正確識(shí)別率分別為92.5%、97.5%、100%.表明利用成像光譜儀可以實(shí)現(xiàn)對(duì)豬肉和牛肉的快速、準(zhǔn)確、無(wú)損分類檢測(cè).

光譜學(xué);光譜成像;模式識(shí)別;主成分分析;豬肉和牛肉識(shí)別

肉類作為一種高蛋白、高營(yíng)養(yǎng)價(jià)值的食品,在日常生活中逐漸得到人們的喜愛(ài).但是,近年來(lái)出現(xiàn)的如“狐貍?cè)狻⒗鲜笕狻钡冉?jīng)過(guò)處理冒充羊肉等劣質(zhì)食品逐漸引起消費(fèi)者對(duì)肉類產(chǎn)品安全的關(guān)注.因此研究快速、準(zhǔn)確、簡(jiǎn)便的肉類分類檢測(cè)技術(shù)十分迫切.

傳統(tǒng)的肉類鑒別方法主要包括感官鑒別、免疫學(xué)、分子生物學(xué)方法.這些檢測(cè)方法耗時(shí)長(zhǎng)、存在污染、操作復(fù)雜、易誤判,且需要專業(yè)人員操作.感官鑒別只能從肉類表面進(jìn)行鑒別,結(jié)果很大程度上取決于鑒定人員的主觀意念,只適合于簡(jiǎn)單的肉類食品鑒別.但是對(duì)于近年來(lái)出現(xiàn)的如“狐貍?cè)狻⒗鲜笕狻钡冉?jīng)過(guò)處理冒充羊肉等現(xiàn)象,感官鑒別就失去它的優(yōu)勢(shì);利用超聲波獲得被測(cè)肉類內(nèi)部結(jié)構(gòu)、物化特性等的測(cè)量技術(shù),一般只能獲得某部位的化學(xué)成分,且測(cè)試結(jié)果因人而異[1];通過(guò)檢測(cè)近紅外吸收光譜可以獲取肉類食品的蛋白質(zhì)、脂肪、水分等成分,同時(shí)可以檢測(cè)肉類鮮嫩程度、肉類污染等[2],但只能獲得某一個(gè)區(qū)域的平均值,難于進(jìn)行分類.

理想的肉類分類檢測(cè)技術(shù)應(yīng)該是簡(jiǎn)單、無(wú)損、高效、準(zhǔn)確且無(wú)需專業(yè)人員操作.20世紀(jì)90年代開(kāi)始,高光譜成像技術(shù)(hyperspectral imaging HSI)可同時(shí)獲得光譜與空間信息;既可以獲得肉類的蛋白質(zhì)、脂肪、維生素等化學(xué)組成,又可以獲得不同位置的成分特性、紋理特征等信息,因而提高了分類判別率,成功應(yīng)用于畜牧產(chǎn)品質(zhì)量[3-5]、醫(yī)療[6-7]、遙感[8]等領(lǐng)域上的檢測(cè)中.Qiao等[9]應(yīng)用HIS對(duì)豬肉的品質(zhì)進(jìn)行預(yù)測(cè),結(jié)合PCA進(jìn)行光譜數(shù)據(jù)壓縮,所建立的預(yù)測(cè)模型精確度達(dá)到85%.姚璐等[10]采用近紅外高光譜成像技術(shù)結(jié)合PCA對(duì)金華火腿進(jìn)行分級(jí),建立的PLS(偏最小二乘法)判別模型的預(yù)測(cè)能力達(dá)到89.5%.Douglas F.Barbin等[11]應(yīng)用近紅外高光譜成像技術(shù)檢測(cè)完整和絞碎狀態(tài)下的豬肉化學(xué)成分,所建立的PLS模型對(duì)蛋白質(zhì)、脂肪和水分的預(yù)測(cè)準(zhǔn)確度達(dá)到88%、87%和95%.Xiong Zhenjie等[12]利用可見(jiàn)高光譜成像技術(shù)對(duì)新鮮魚(yú)肉的嫩度進(jìn)行預(yù)測(cè),準(zhǔn)確率達(dá)到84%.Tao Feifei等[13]基于可見(jiàn)光/近紅外高光譜散射技術(shù)對(duì)豬肉的嫩度和大腸桿菌感染程度進(jìn)行預(yù)測(cè),建立的多元回歸(MLR)模型的預(yù)測(cè)能力分別達(dá)到87.7%和84.1%.

近年來(lái)高光譜成像技術(shù)已經(jīng)成功應(yīng)用于食品安全檢測(cè),但是國(guó)內(nèi)外大多研究工作集中于近紅外波段對(duì)食品中的化學(xué)物質(zhì)進(jìn)行檢測(cè)獲得質(zhì)量評(píng)估[7,10,14-18].本次實(shí)驗(yàn)通過(guò)三種不同的建模方式,擬尋求最合適的分類器,能實(shí)現(xiàn)可見(jiàn)高光譜成像技術(shù)對(duì)不同肉源的區(qū)分.

1 實(shí)驗(yàn)部分

1.1 實(shí)驗(yàn)裝置

試驗(yàn)所用的為HORIB公司的VerdeTM高光譜成像儀,由光源、成像光譜儀、CCD相機(jī)及計(jì)算機(jī)組成,如圖1所示.采用二維色散元件分光,無(wú)需做位置掃描和濾光片切換就可以實(shí)現(xiàn)采集圖形的整個(gè)光譜和空間信息超立方體數(shù)據(jù).儀器光譜范圍440～700 nm,采樣間隔5 nm,51個(gè)連續(xù)光譜圖像能夠在3 ms內(nèi)同時(shí)采集,從而可快速獲得樣品各個(gè)點(diǎn)的光譜和空間信息.光源是功率為12 W、色溫2 856 K的鹵鎢燈,發(fā)光強(qiáng)度和高度可調(diào),以獲得均勻的照射面.樣品放在事先準(zhǔn)備好的白板上,實(shí)驗(yàn)過(guò)程中根據(jù)需求調(diào)節(jié)被測(cè)樣品在白板上的位置.

圖1 實(shí)驗(yàn)系統(tǒng)裝置圖Figure 1 Schematic diagram of the experimental set-up

1.2 實(shí)驗(yàn)材料

為了獲得相對(duì)準(zhǔn)確的實(shí)驗(yàn)結(jié)果,從大型超市購(gòu)得腿肉、五花肉、里脊肉、大排、肋排等各個(gè)部位的豬肉和牛肉樣品各10份,共計(jì)100個(gè)樣品,冷藏保存.測(cè)試時(shí),將樣品切成片狀,厚度為1 cm,從中隨機(jī)取出豬肉和牛肉各30個(gè)作為建模集,剩下的各20個(gè)作為測(cè)試集.

1.3 測(cè)試環(huán)境

將樣品放在白板上,調(diào)整樣品位置使其處在測(cè)試視場(chǎng)中心.對(duì)于不同的測(cè)試,保持周?chē)h(huán)境穩(wěn)定,用標(biāo)準(zhǔn)的白板校準(zhǔn),作為測(cè)試環(huán)境下的真實(shí)白背景,以減小外界環(huán)境光的影響.

1.4 光譜采集和數(shù)據(jù)處理

利用VerdeTM自身配帶的數(shù)據(jù)處理軟件進(jìn)行分析區(qū)域(region of interesting,ROI)選擇.不同肉類的脂肪組成差別較小,為了能最大限度地區(qū)分出豬肉和牛肉,在實(shí)驗(yàn)過(guò)程中盡量選擇瘦肉部分來(lái)區(qū)分兩種肉.

高光譜成像系統(tǒng)獲得豬肉和牛肉的表面反射光譜圖的過(guò)程如下:將標(biāo)準(zhǔn)白板放置在距離鏡頭垂直距離60 cm的位置(圖1),打開(kāi)電源開(kāi)關(guān)并調(diào)節(jié)光纖照明的角度(距離水平傾斜45°)和高度(距離樣品40 cm),使照射在標(biāo)準(zhǔn)白板上的光斑均勻分布.取豬肉(牛肉)樣品,調(diào)整其在白板上的位置,盡量使被測(cè)樣品處于成像區(qū)域中心位置,調(diào)節(jié)光源的亮度和相機(jī)的曝光時(shí)間,使得所獲得的高光譜相片的效果達(dá)到最優(yōu).在采集所有的試樣之前,為校正相機(jī)暗電流和室內(nèi)光照的影響,分別用蓋住鏡頭和測(cè)試標(biāo)準(zhǔn)白板的方法獲得黑白圖像,通過(guò)公式(1)計(jì)算相對(duì)反射光譜值.

R=(Rf-B)/(W-B).

(1)

式中：R、Rf、W、B—試樣的相對(duì)反射光譜值、試樣原始反射光譜值、標(biāo)準(zhǔn)白板反射光譜值、黑色圖像反射光譜值.將所有的樣品依次放在同一位置上進(jìn)行測(cè)試,獲得反射強(qiáng)度.每一個(gè)被測(cè)樣品選取20個(gè)有效區(qū)域,將20個(gè)區(qū)域的光譜平均值作為最后的反射光譜數(shù)據(jù)Rf.

對(duì)獲得100(樣品數(shù))×51(波段)光譜矩陣進(jìn)行處理.應(yīng)用PCA對(duì)原數(shù)據(jù)進(jìn)行降維處理,可以排除眾多的光譜信息的相互重疊,將原變量變化,使得新變量成為原變量的線性組合,同時(shí)保證新變量盡量最大程度的包含原變量的特征信息.經(jīng)過(guò)主成分分析后,被測(cè)樣品的前兩個(gè)主成分總貢獻(xiàn)率已經(jīng)達(dá)到90%以上如表1.所以在后期的數(shù)據(jù)分析過(guò)程中只選用前兩個(gè)主成分.

表1 豬肉和牛肉主成分貢獻(xiàn)率

2 結(jié)果與分析

2.1 原始光譜數(shù)據(jù)處理

豬肉和牛肉相對(duì)反射光譜R如圖2,可見(jiàn)豬肉和牛肉的光譜曲線走勢(shì)相近,只是反射強(qiáng)度不同.經(jīng)過(guò)主成分分析,通過(guò)選取特征波長(zhǎng),根據(jù)方差貢獻(xiàn)率的大小提取前兩個(gè)主成分.圖3是使用前兩個(gè)主成分為坐標(biāo)軸得到的40個(gè)豬肉和牛肉的PCA散點(diǎn)圖,橫坐標(biāo)為第一主成分(PC1),縱坐標(biāo)為第二主成分(PC2).可以看出,在豬肉和牛肉的主成份分布交叉在一起無(wú)法完全分辨.

圖2 豬肉和牛肉的相對(duì)反射光譜圖Figure 2 Relative reflection spectra of pork and beef

圖3 豬肉和牛肉的PCA散點(diǎn)圖Figure 3 Principal component analysis of pork and beef

2.2 建立判別模型

為了準(zhǔn)確分辨出豬肉和牛肉,從準(zhǔn)備好的各50個(gè)豬肉和牛肉樣品中取出各30個(gè)樣品作為訓(xùn)練集用建立模型,剩下的各20個(gè)樣品作為預(yù)測(cè)集.在建模初,定義豬肉的分類標(biāo)簽為1,牛肉的分類標(biāo)簽為2.通過(guò)KNN判別、ANN模式識(shí)別和SVM分類器三種判別方式的比較,選出最優(yōu)模型.

KNN是一種有管理方式的模式判別方法,對(duì)于線性不可分的情況尤為適用,它不需要對(duì)已知樣品進(jìn)行訓(xùn)練,只需要找出在n維空間中距離未知樣品最鄰近的點(diǎn),將未知試樣歸入所屬類即可.通過(guò)歐氏距離、海明距離和塔尼莫特距離等進(jìn)行距離測(cè)量.實(shí)驗(yàn)中通過(guò)計(jì)算被測(cè)樣品距離已知樣品點(diǎn)的歐式距離,并從中選擇出距離被測(cè)樣品點(diǎn)最近的9個(gè)已知樣品點(diǎn),比較這9個(gè)點(diǎn)中豬肉和牛肉樣品點(diǎn)的多少,從而進(jìn)行歸類.若9個(gè)樣品點(diǎn)中豬肉的樣品點(diǎn)數(shù)多于牛肉,則被測(cè)樣品點(diǎn)為豬肉(分類標(biāo)簽為1),反之為牛肉(分類標(biāo)簽為2),分類結(jié)果如圖4.被測(cè)樣品并未完全分辨出來(lái),在40個(gè)預(yù)測(cè)樣品中,其中20個(gè)豬肉(圓點(diǎn))中有一個(gè)被測(cè)樣品的分類標(biāo)簽預(yù)測(cè)為2,即錯(cuò)分為牛肉,正確辨識(shí)率為95%;而20個(gè)牛肉(三角)樣品中,有兩個(gè)被錯(cuò)分為豬肉,正確識(shí)別率為90%.

圖4 豬肉和牛肉KNN分類結(jié)果圖Figure 4 Classification result of pork and beef using KNN

為了更好地將樣品完全區(qū)分開(kāi),使用人工神經(jīng)網(wǎng)絡(luò)(ANN)來(lái)建立分類模型,該方法同樣可以實(shí)現(xiàn)模式識(shí)別,神經(jīng)網(wǎng)絡(luò)由輸入層、隱蔽層和輸出層組成,其中輸入層與隱蔽層的激勵(lì)函數(shù)為雙正切函數(shù),輸出層為線性函數(shù),學(xué)習(xí)速率為0.5.具體分析時(shí),可以根據(jù)需求來(lái)增加隱蔽層數(shù),但隱蔽層數(shù)的多少并不代表模型的好壞.由于試驗(yàn)中樣本數(shù)量并不多,所以將訓(xùn)練集的樣本同時(shí)作為驗(yàn)正集.驗(yàn)正集正確判斷率用來(lái)評(píng)判ANN模型的好壞[12].訓(xùn)練過(guò)程中隱蔽層的節(jié)點(diǎn)數(shù)會(huì)影響網(wǎng)絡(luò)性能.通過(guò)試驗(yàn),當(dāng)隱蔽層節(jié)點(diǎn)數(shù)為8時(shí),得到的網(wǎng)絡(luò)性能最好.構(gòu)建神經(jīng)網(wǎng)絡(luò)時(shí),由于初始網(wǎng)絡(luò)參數(shù)都是隨機(jī)產(chǎn)生的,所以每次訓(xùn)練結(jié)果都不一樣,從中選擇出預(yù)測(cè)結(jié)果最好的網(wǎng)絡(luò),結(jié)果如圖5.其中20個(gè)豬肉測(cè)試集的預(yù)測(cè)標(biāo)簽全部為1,正確辨識(shí)率為100%,20個(gè)牛肉樣品中只有一個(gè)被測(cè)樣品的預(yù)測(cè)分類標(biāo)簽為1,錯(cuò)分為豬肉,正確識(shí)別率為95%.相比KNN方法,人工神經(jīng)網(wǎng)絡(luò)模式判別方法所得結(jié)果明顯提高.

圖5 ANN模型預(yù)測(cè)結(jié)果Figure 5 Predict result of pork and beef using ANN

支持向量機(jī)(SVM)是基于統(tǒng)計(jì)學(xué)習(xí)理論(SLT)的一種模式識(shí)別與機(jī)器學(xué)習(xí)方法,具有根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折中,以期獲最好的泛化能力.相比于其他方法,SVM能夠在有限樣本情況下獲得最優(yōu)解而不僅僅局限于在無(wú)窮個(gè)樣本條件下取得最優(yōu)值.SVM能夠找到一個(gè)最優(yōu)分界面將豬肉與牛肉最大程度的區(qū)分開(kāi).利用SVM所建立的模式識(shí)別模型對(duì)40個(gè)預(yù)測(cè)樣品測(cè)試，結(jié)果如圖6,40個(gè)被測(cè)樣品全部正確識(shí)別出.

圖6 SVM模型預(yù)測(cè)結(jié)果Figure 6 Predict result of pork and beef using SVM

表2列出了上述三種模型的識(shí)別率.可見(jiàn),KNN判別、ANN識(shí)別、SVM分類的預(yù)測(cè)集的總體識(shí)別率分別為92.5%、97.5%和100%,其中SVM判別模型性能最高,ANN判別模型次之,KNN分類模型穩(wěn)定性最低.結(jié)果還顯示模型對(duì)于豬肉的辨識(shí)能力總體高于牛肉的辨識(shí)率,這可能因?yàn)樵趯?shí)驗(yàn)的原始光譜中豬肉的反射光譜強(qiáng)度總體大于牛肉的反射光譜強(qiáng)度.

表2 KNN、ANN、SVM三種判別模型的豬肉、牛肉識(shí)別率

Table 2 Correct recognition rates of pork and beef using KNN、ANN、SVM methods

KNN正確辨識(shí)率/%ANN正確辨識(shí)率/%SVM正確辨識(shí)率/%豬肉95.0100100牛肉90.095.0100總正確辨識(shí)率92.597.5100

3 結(jié) 語(yǔ)

應(yīng)用可見(jiàn)光高光譜成像技術(shù)實(shí)現(xiàn)豬肉和牛肉的區(qū)分.用主成分分析進(jìn)行數(shù)據(jù)降維處理,通過(guò)比較KNN判別、ANN模式識(shí)別和SVM三種分類方法,最終選擇其中較好的SVM判別模型,正確識(shí)別率達(dá)到100%.可見(jiàn)，高光譜成像技術(shù)能夠成功應(yīng)用于肉類分類的檢測(cè).

[1] 曹晨,劉寶林.高頻超聲波技術(shù)在食品工業(yè)中的應(yīng)用及展望[J].安徽農(nóng)業(yè)科學(xué),2009,37(36):18143-18144. CAO Chen, LIU Baolin. Application and prospect of high-frequency uitrasonic technique in food industry[J].Journal of Anhui Agricultural Sciences,2009,37(36):18143-18144.

[2] 徐霞,成芳,應(yīng)義斌.近紅外光譜技術(shù)在肉品檢測(cè)中的應(yīng)用和研究進(jìn)展[J].光譜學(xué)與光譜分析,2009,29(7):1876-1880. XU Xia, CHENG Fang, YING Yibin. Application and recent development of research on near-infrared spectroscopy for meat quality evaluation[J].Spectroscopy and Spectral Analysis,2009,29(7):1876-1880.

[3] GOWEN A, ODONNELL C. Hyperspectral imaging - an emerging process analytical tool for food quality and safety contro[J].Trends in Food Science & Technology,2007,18(12):590-598.

[4] ELMASRY G, KAMRUZZAMAN M, SUN Dawen. Principles and applications of hyperspectral imaging in quality evaluation of agro-food products: a review[J].Critical Reviews in Food Science and Nutrition,2012,52(11):999-1023.

[5] 陳全勝,張燕華,萬(wàn)新民.基于高光譜成像技術(shù)的豬肉嫩度檢測(cè)研究[J].光學(xué)學(xué)報(bào),2010,9:2602-2607. CHENG Quansheng, ZHANG Yanhua, WAN Xinmin. Study on detection of pork tenderness using hyperspectral imaging technique[J].Acta Optica Sinica,2010,9:2602-2607.

[6] SIDDIQI A M, LI H, FARUQUE F,et al. Use of hyperspectral imaging to distinguish normal, precancerous, and cancerous cells[J].Cancer Cytopathology,2008,114(1):13-21.

[7] ROGGO Y, EDMOND A, CHALUS P,et al. Infrared hyperspectral imaging for qualitative analysis of pharmaceutical solid forms[J].Analytica Chimica Acta,2005,535(1):79-87.

[8] PLAZA A, DU Qian, CHANG Yanglang,et al. High performance computing for hyperspectral remote sensing[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2011,4(3):528-544.

[9] QIAO Jun, NGADI M O, WANG Ning, et al. Pork quality and marbling level assessment using a hyperspectral imaging system[J].Journal of Food Engineering,2007,83(1):10-16.

[10] 姚璐,丁亞明,馬曉鐘.基于高光譜成像技術(shù)的金華火腿無(wú)損分級(jí)檢測(cè)研究[J].食品安全質(zhì)量檢測(cè)學(xué)報(bào),2012,3(3):162-166. YAO Lu, DING Yaming, MA Xiaozhong. Rapid non-destructive of grade classification in Jinhua ham by hyperspectral imaging technique[J].Journal of Food Safety and Quality,2012,3(3):162-166.

[11] BARBIN D F, ELMASRY G, SUN D W, et al. Non-destructive determination of chemical composition in intact and minced pork using near-infrared hyperspectral imaging[J].Food Chemistry,2013,138(2):1162-1171.

[12] XIONG Z J, SUN D W, DAI Q, et al. Application of visible hyperspectral imaging for prediction of springiness of fresh chicken meat[J].Food Analytical Methods,2015,8(2):380-391.

[13] TAO Feifei, PENG Yankun, Li Yongyu, et al. Simultaneous determination of tenderness and Escherichia coli contamination of pork using hyperspectral scattering technique[J].Meat Science,2012,90(3):851-857.

[14] PRIETO N, ROEHE R, LAVIN P, et al. Application of near infrared reflectance spectroscopy to predict meat and meat products quality: a review[J].Meat Science,2009,83(2):175-186.

[15] KAMRUZZAMAN M, BARBIN D, ELMASRY G,et al. Potential of hyperspectral imaging and pattern recognition for categorization and authentication of red meat[J].Innovative Food Science & Emerging Technologies,2012,16:316-325.

[16] BARBIN D, ELMASRY G, SUN Dawen,et al. Near-infrared hyperspectral imaging for grading and classification of pork[J].Meat Science,2012,90(1):259-268.

[17] KAMRUZZAMAN M, ELMASRY G, SUN Dawen, et al. Non-destructive assessment of instrumental and sensory tenderness of lamb meat using NIR hyperspectral imaging[J].Food Chemistry,2013,141(1):389-396.

[18] CHUCHARD F, COGDILL R, ROUSSEL S,et al. Application of LS-SVM to non-linear phenomena in NIR spectroscopy: development of a robust and portable sensor for acidity prediction in grapes[J].Chemometrics and Intelligent Laboratory Systems,2004,71(2):141-150.

Application of visible hyperspectral imaging used to discreminate beef and pork

LIU Weidong1, MAO Xiaoting2, JIN Huaizhou3, JIN Shangzhong2

(1. Measurement Supervision and Testing Institute of Hebei Province, Shijiazhuang 050051, China; 2. Department of Optical and Electronic Technology, China Jiliang University, Hangzhou 310018, China; 3. Changchun Institute of Optics, Fine Mechanics and Physics, Chinese Academy of Sciences, Changchun 130000, China)

A method for the discremination of beef and pork by hyperspectral imaging was established. The hyperspectral images of 100 meat samples were collected with a hyperspectral camera and pretreated by using the principal component analysis algorithm (PCA). The discremination models were established with 60 calibration samples by using three modelling methods: the k-nearest neighbor algorithm (KNN), the artificial neural network (ANN) and the support vector machine classification (SVM). The models were validated with 40 samples. The results showed that the correct recognition rates of the models were 92.5%、 97.5%、 100%, respectively. The result suggests that the hyperspectral imaging technique is a fast, accurate and non-destructive method of discremination of pork and beef.

spectroscopy; hyperspectral imaging; mode recognition; principal component analysis; pork and beef discremination

1004-1540(2015)02-0177-05

10.3969/j.issn.1004-1540.2015.02.010

2015-01-13 《中國(guó)計(jì)量學(xué)院學(xué)報(bào)》網(wǎng)址：zgjl.cbpt.cnki.net

國(guó)家質(zhì)檢總局公益專項(xiàng)(No.201210094).

O433

A