高光谱成像在肉品品质及安全检测方面的应用

刘长虹,夏　青

(合肥工业大学 生物与食品工程学院,安徽 合肥　230009)



高光谱成像在肉品品质及安全检测方面的应用

刘长虹,夏青

(合肥工业大学 生物与食品工程学院,安徽 合肥230009)

摘要:高光谱图像作为一种快速无损的分析技术在食品行业中得到广泛应用。高光谱图像是一种图像和光谱的融合技术,通过高光谱成像技术可以同时获取样品的空间和光谱信息。文章介绍了高光谱成像系统的原理以及在肉品品质和安全检测中的应用,主要包括肉类的化学组成成分分析、感官品质评价以及肉与肉制品的掺假物鉴别，并针对目前发展趋势展望了该技术在肉品品质及安全检测中存在的问题及应用前景,为更好地应用该技术提供参考。

关键词:高光谱成像技术;无损;快速;肉;检测

0引言

肉类作为人类日常饮食不可或缺的一类食品,可提供足够的蛋白质、维生素和矿物质来满足人类的健康需求[1]。日常饮食中,猪肉、牛肉、羊肉等红肉由于蛋白质含量比较高,深受消费者的欢迎。随着社会经济的发展,人们对于饮食不再满足于解决温饱问题,而是将关注点转移到食品的品质方面,食品质量与安全已成为全球热门的话题[2],这在很大程度上推动了对肉品品质及安全检测工作的开展。因此确保肉品的高品质及食用安全性成为现代肉品行业能否立足于行业竞争的关键点。

为了确保肉品的高品质及安全性,肉的食用品质(嫩度和色泽)、营养水平(蛋白质、脂肪和水分含量)、新鲜度(微生物含量)以及肉品真伪、掺假鉴别等成为关键指标[3-6]。而传统检测方法多数是依靠感官检测、理化检测以及微生物学检测等手段[7],这些方法多数费时费力,易产生误差,且不能大量处理样品或需要冗长的样品制备过程,不适于肉品规模化生产流程的现场使用。因此寻找快速、准确、客观的质量检测方法是整个肉品行业的迫切需求。

近年来,光谱分析技术作为一种简单、易操作的非接触式的光学技术,已经应用到食品各个领域中[8-10]。传统光学检测技术(诸如成像和光谱)对于获得足够的空间和光谱信息存在一定的局限性。传统的成像技术只能获得食品的表观特征(如食品的大小、颜色、表面缺陷等),不能得到食品的内部属性[11-12];而光谱测量无法获得样品的空间分布[13]。

高光谱成像技术结合传统的成像技术和光谱技术的特点,能够同时获得样品的空间和光谱信息,已被应用在食品质量评估领域中[14-15]。

1高光谱成像技术的原理及特点

高光谱成像是一种整合光谱学、信息处理和计算机视觉技术于一体的新技术。高光谱成像技术同时具有这几类技术的优点,可以同时捕获样品的光谱信息和空间信息。高光谱成像系统主要由光源、光源分散装置、电荷耦合器件(changed coupled device,CCD)图像采集系统和计算机所组成。高光谱成像光源的波谱范围分别为在紫外(200～400 nm)、可见光(400～760 nm)、近红外(760～2 560 nm)以及波长大于2 560 nm的区域[16]。高光谱成像系统有点扫描、线扫描以及区域扫描3种成像方式。

点扫描方法(即whiskbroom法)只能获取单个像素点的光谱,而为获得其他像素点的光谱,需要频繁地移动光谱相机或检测对象,不利于快速检测,因此点扫描方式常用于微观对象的检测。线性扫描方法(即推扫式法)是点扫描方法的延伸,是探测器在光学焦面的垂直方向上做横向排列完成横向扫描完整光谱范围内的物体空间信息,可以获取样品在对应条状空间中每个像素在各个波长下的图像信息。点扫面方法和线扫描方法都是在空间域进行扫描的方式,区域扫描方法(即频带连续方法)是在光谱域进行扫描的方式，通过区域扫描方式可以获取样品单个波长下完整的空间图像。

光谱光源作为光学检测系统的一部分,产生的光作为信息载体。根据光源和光谱相机之间位置关系的不同,高光谱图像的获取方式又可以分为反射、透射和漫透射3种方式。光谱成像系统使用的典型光源包括卤素灯、发光二极管(LEDs)、激光器以及可调谐光源。以发光二极管(LEDs)作为光源为例,高光谱成像系统的工作原理是光源照射到目标物的表面,不同食品的化学组成和物理特征不同,对特定的波长有着不同的吸收度、分散度和反射率,通过分析光谱信号的差异实现食品品质信息的定性或定量检测。通过结合光谱信息和空间信息,可实现食品品质的快速无损检测及化学成分的可视化分析,从而达到食品分类分级的目的。

通过高光谱成像系统可以获得相关样品的海量信息,因此需要高效的数据处理方法,揭示隐藏在这些海量数据中的有效信息[17-19]。

通过高光谱图像信息及化学计量学方法,既可表征样品内部组分的化学性质,也可获得目标物的物理性质。因此,将高光谱成像技术应用到食品品质与安全性检测中,可以得到产品内外品质的全面检测信息,并且可以满足工业生产线的快速性要求。

2高光谱成像技术的应用

2.1肉类化学组成分析

肉的主要组成成分包括水分、蛋白质、脂肪、氨基酸及脂肪酸等。肉的化学成分是影响其食用品质和营养品质的内在原因[20]。肉从屠宰到储存销售过程,其内部的化学成分受外界环境的影响,并参与一系列化学反应,从而导致肉的颜色、风味、嫩度以及保水能力都发生变化,通过高光谱成像技术及时、快速、无损地检测肉品,已成为一个重要的发展趋势。

2.1.1水分

水分是肉的主要组成成分,肉中的水分含量不仅直接关系到肉的品质,而且影响肉品的货架期。因此水分含量的检测是肉类行业检测肉品的必要因素之一。

文献[21]利用高光谱中的近红外区域(900～1 700 nm)对羊肉的蛋白质、脂肪和水分进行无损检测，通过高光谱成像系统获取羊肉的图像信息,运用偏最小二乘回归法(partial least squares regression,PLSR)建立羊肉的水分、脂肪和蛋白质含量预测模型,预测相关系数RP分别达到0.88、0.88、0.63,且预测标准误差分别为0.51%、0.40%、0.34%。

研究结果表明，PLSR数据处理方法和近红外高光谱成像技术相结合可用于羊肉中化学组成成分的无损检测。

此外,肉的保水能力也是肉水分特性的一项重要指标[22],目前研究中多采用滴水损失(drip lose)来表示肉的保水能力。文献[23]利用波长900～1 700 nm范围的高光谱成像技术来检测肉的保水能力,针对滴水损失选取6～7个特定波长,结合主成分分析方法(principal component analysis,PCA)和PLSR建立模型,预测相关系数分别为0.89和0.87。不同种类的肉可以选取相同的特征波长,例如对于猪肉和牛肉,均可选取940、990、970、1 208、1 214 nm为特征波长。研究结果显示，结合化学计量学方法和高光谱成像技术可测定肉品的水分和保水性,进而可以实现鲜肉的分级。

2.1.2脂肪

脂肪是肉类工业监控肉质量的重要指标,不同种类肉的脂肪和脂肪酸含量不同,脂肪的含量直接影响肉的多汁性和嫩度。早期,利用近红外反射光谱检测蛋白质和脂肪的研究,为深入开展近红外高光谱技术进行脂肪检测研究奠定了基础[24]。

文献[25]利用波长为900～1700 nm的近红外高光谱检测猪肉中的脂肪含量,选取猪肉脂肪的特征波长。结合偏最小二乘法(partial least square method,PLS)建立预测模型,其预测集和建模集的确定系数(R2)分别为0.94和0.97,结果表明，结合高光谱成像技术和PLS对猪肉中的脂肪含量具有很好的预测性。

文献[26]应用波长为1 000～2 300 nm的近红外高光谱预测牛肉切片中的脂肪、饱和脂肪酸和不饱和脂肪酸含量,预测确定系数R2分别为0.90、0.87和0.89。

文献[27]利用高光谱成像系统,选取927、937、990、1 047、1 134、1 211、1 275、1 382、1 645 nm特征波长,采用PLS对猪肉中的蛋白质和脂肪含量进行预测,得到的确定系数R2分别为0.88和0.95。

此外,高光谱成像技术也可用于测定肉中总饱和脂肪酸与不饱和脂肪酸的比例,预测肉中氨基酸含量以及检测肉中的血红素含量等。这些研究结果表明，应用高光谱成像技术可以无损地对肉中的化学组成成分进行预测。

近年高光谱技术在肉品组成成分定量分析结果见表1所列。

表1　高光谱成像技术对肉类组成成分的检测

2.2肉类感官品质分析

2.2.1嫩度

嫩度直接反映着肉的质地,也是检验肉是否新鲜的一个重要指标。传统新鲜度的评定方法耗时长、前处理复杂,人为因素影响较大,且无法满足快速无损的要求,给嫩度检测工作带来一定的难度。文献[39]应用可视近红外漫反射高光谱测定牛肉的嫩度,以牛肉切片的剪切力作为判断嫩度等级的指标;采用PCA提取感兴趣区域的生牛肉图像,并建立判别模型,其模型的分级准确率达到96.4%。

文献[40]应用高光谱成像系统采集屠宰后14 d的472块牛肉背长肌的图像,通过PCA分析波长在922～1 739 nm处生牛肉的吸收光谱,建立线性判别模型,将牛肉嫩度分为2个等级:柔软(SSF≤206 N)和坚硬(SSF≥206 N),分级准确率为75%,以此为基础可建立预测牛肉口感的模型。另一方面,文献[40]在此基础上研究牛肉中脂肪含量与嫩度之间的关系,结果显示牛肉脂肪含量对于预测牛肉嫩度的准确性没有很大影响。

目前在高光谱成像技术检测肉品嫩度的研究中,已有研究将光谱范围扩展到可见光,综合利用可见光与近红外高光谱技术能够实现肉类嫩度的快速无损检测。

2.2.2色泽

色泽能直观反应肉的品质,是是否符合消费者食用要求的客观标准。最常釆用的检测方法是CIE L*a*b*法,其中L*为亮度；a*为红绿颜色；b*为蓝黄颜色。

文献[32]以火鸡肉为研究对象,应用近红外高光谱成像技术对火鸡肉色泽进行建模预测,选取914、931、991、1 115、1 164、1 218、1 282、1 362、1 638 nm 9个最佳波长,采用PLS方法对火鸡肉的色泽参数a*进行预测,该预测模型的确定系数R2可达到0.74,实现了高光谱成像系统对色泽的评价。

文献[41]应用高光谱成像技术，结合MLR对牛肉色泽(L*、a*、b*)进行评价,将获取的牛肉样本的高光谱图像经过洛伦兹函数拟合并选取特征光谱后,进行预测建模,对色泽参数L*、a*、b*的预测相关系数(Rcv)分别为0.96、0.96和0.97,有较好的预测性。

近年来,国内外学者利用高光谱成像技术对肉品嫩度、色泽进行分析,高光谱成像技术在肉品感官品质方面的检测应用见表2所列。

表2　高光谱成像系统对肉类感官品质的检测

2.3肉及肉制品的掺假物鉴别

经济的快速发展导致市场上出现法律意识淡薄的经营者,为片面追求经济利益将肉品进行掺假,这种掺假行为不仅危害市场经济的正常发展,而且危害消费者的健康。另外,肉品成分复杂,且掺杂物质与原物质外观组成或理化性质相接近,通常很难用一般的化学方法鉴别真伪,因此,快速有效地检测肉品是否掺假是肉品行业的迫切需求。文献[51]应用近红外光谱成像技术检测新鲜牛肉的掺假问题,新鲜牛肉和冻融牛肉经过简单的绞碎成泥后,与猪肉、脂肪以及牛肉肾脏进行掺假,通过PLSR方法建立回归模型来判断牛肉的掺假程度,并利用线性判别分析(linear discriminant analysis,LDA)、偏最小二乘判别分析(partial least squares-discrimant analysis,PLS-DA)和非线性回归法3种判别方法,对牛肉中掺入3种掺假物质进行区分,结果表明，3种判别分析法判别的准确率能达到100%,为光谱技术在肉品掺假方面的检测奠定基础。

近年来,利用高光谱成像技术检测肉品掺假问题迅速发展,具体见表3所列。

表3　高光谱成像对肉类掺假的检测

3结束语

高光谱成像技术由于其快速、安全、无损等优点已被广泛应用于肉及肉制品检测的各个领域中。该技术不仅可以检测肉的化学组成成分和感官特性,而且为检测掺假肉品提供了一种快速有效的手段。通过高光谱成像技术,肉类工业能更好地实现肉类行业的品质安全监控。但是高光谱成像技术也有其缺陷,通过高光谱成像技术获得的数据,信息量大、数据处理繁琐,且需要结合一些化学计量学的方法选取特征波长,如PLS、判别分析法等,这些方法均过于繁琐,因此，开发迅速提取有效的高光谱数据的方法是一种迫切需求。进一步的研究方向是将高光谱成像系统进行简化,降低原始数据量和检测系统的成本,并应用推广到市场,使高光谱技术能够延伸到更宽广的食品安全领域,从而切实保证消费者的食用安全。

[参考文献]

[1]McAfee A J,McSorley E M,Cuskelly G J,et al.Red meat consumption:an overview of the risks and benefits[J].Meat Science,2010,84(1):1-13.

[3]Mancini R A,Hunt M C.Current research in meat color[J].Meat Science，2005,71(1):100-121.

[4]Chen K,Qin C.Segmentation of beef marbling based on vision threshold[J].Computers and Electronics in Agriculture，2008,62(2):223-230.

[5]Andrés S,Silva A,Soares-Pereira A L,et al.The use of visible and near infrared reflectance spectroscopy to predict beef M.longissimus thoracis et lumborum quality attributes[J].Meat Science，2008,78(3):217-224.

[6]Otto G,Roehe R,Looft H,et al.Comparison of different methods for determination of drip loss and their relationships to meat quality and carcass characteristics in pigs[J].Meat Science,2004,68(3):401-409.

[7]Rosenvold K,Andersen H J.Factors of significance for pork quality:a review[J].Meat Science,2003,64(3):219-237.

[8]彭彦昆,张雷蕾.光谱技术在生鲜肉品质安全快速检测的研究进展[J].食品安全质量检测学报,2010,27(2):62-71.

[9]孔宪琴,黄素珍.肉品品质的无损检测方法[J].肉类研究,2008(8):66-69.

[10]杨春梅,李宁,赵学玒,等.用于果蔬内部品质无损检测的NIRS技术新进展[J].激光与红外,2009,39(11):1137-1141.

[11]Du C J,Sun D W.Recent developments in the applications of image processing techniques for food quality evaluation[J].Trends in Food Science &Technology,2004,15(5):230-249.

[12]Sun D W.Computer vision technology for food quality evaluation[M].Academic Press,2008：Ⅲ.

[13]Wang S.Infrared spectroscopy for food quality analysis and control[J].Trends in Food Science &Technology,2010,21(1):52-53.

[14]洪添胜,李震,吴春胤,等.高光谱图像技术在水果品质无损检测中的应用[J].农业工程学报,2007,23(11):280-285.

[15]陈全胜,赵文杰,蔡健荣,等.利用高光谱图像技术评判茶叶的质量等级[J].光学学报,2008,28(4):669-674.

[16]田有文,王晓娟.基于高光谱图像技术的农产品品质无损检测[J].农机化研究,2009(10):220-222,226.

[17]Lawrence K C,Windham W R,Park B,et al.Comparison between visible/NIR spectroscopy and hyperspectral imaging for detecting surface contaminants on poultry carcasses[C]//Proc SPIE5271,Monitoring Food Safety,Agriculture,and Plant Health,2004:35-42.

[18]Lorente D,Aleixos N,Gómez-Sanchis J,et al.Selection of optimal wavelength features for decay detection in citrus fruit using the ROC curve and neural networks[J].Food and Bioprocess Technology,2013,6(2):530-541.

[19]Menesatti P,Zanella A,D’Andrea S,et al.Supervised multivariate analysis of hyper-spectral NIR images to evaluate the starch index of apples[J].Food and Bioprocess Technology,2009,2(3):308-314.

[20]ElMasry G,Sun D W,Allen P.Near-infrared hyperspectral imaging for predicting colour,pH and tenderness of fresh beef[J].Journal of Food Engineering,2012,110(1):127-140.

[21]Kamruzzaman M,ElMasry G,Sun D W,et al.Non-destructive prediction and visualization of chemical composition in lamb meat using NIR hyperspectral imaging and multivariate regression[J].Innovative Food Science &Emerging Technologies,2012,16:218-226.

[23]ElMasry G,Sun D W,Allen P.Non-destructive determination of water-holding capacity in fresh beef by using NIR hyperspectral imaging[J].Food Research International,2011,44(9):2624-2633.

[24]徐霞,成芳,应义斌.近红外光谱技术在肉品检测中的应用和研究进展[J].光谱学与光谱分析,2009,29(7):1876-1880.

[25]Liu L,Ngadi M O.Predicting intramuscular fat content of pork using hyperspectral imaging[J].Journal of Food Engineering,2014,134:16-23.

[26]Kobayashi K,Matsui Y,Maebuchi Y,et al.Near infrared spectroscopy and hyperspectral imaging for prediction and visualisation of fat and fatty acid content in intact raw beef cuts[J].Journal of Near Infrared Spectroscopy,2010,18(5):301-315.

[27]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(2/3):1162-1171.

[28]Liu D,Sun D W,Qu J,et al.Feasibility of using hyperspectral imaging to predict moisture content of porcine meat during salting process[J].Food Chemistry,2014,152:197-204.

[29]Pu H B,Sun D W,Ma J,et al.Hierarchical variable selection for predicting chemical constituents in lamb meats using hyperspectral imaging[J].Journal of Food Engineering,2014,143:44-52.

[30]Xiong Z,Sun D W,Xie A,et al.Potential of hyperspectral imaging for rapid prediction of hydroxyproline content in chicken meat[J].Food Chemistry,2015,175:417-422.

[31]He H J,Wu D,Sun D W.Rapid and non-destructive determination of drip loss and pH distribution in farmed Atlantic salmon(Salmo salar)fillets using visible and near-infrared(Vis-NIR)hyperspectral imaging[J].Food Chemistry,2014,156:394-401.

[32]Iqbal A,Sun D W,Allen P.Prediction of moisture,color and pH in cooked,pre-sliced turkey hams by NIR hyperspectral imaging system[J].Journal of Food Engineering,2013,117(1):42-51.

[33]Wu D,Wang S,Wang N,et al.Application of time series hyperspectral imaging(TS-HSI)for determining water distribution within beef and spectral kinetic analysis during dehydration[J].Food and Bioprocess Technology,2013,6(11):2943-2958.

[34]Liu D,Qu J,Sun D W,et al.Non-destructive prediction of salt contents and water activity of porcine meat slices by hyperspectral imaging in a salting process[J].Innovative Food Science &Emerging Technologies,2013,20:316-323.

[35]ElMasry G,Sun D W,Allen P.Chemical-free assessment and mapping of major constituents in beef using hyperspectral imaging[J].Journal of Food Engineering,2013,117(2):235-246.

[36]Xiong Z J,Sun D W,Xie A G,et al.Quantitative determination of total pigments in red meats using hyperspectral imaging and multivariate analysis[J].Food Chemistry,2015,178:339-345.

[37]Qiao J,Wang N,Ngadi M O,et al.Prediction of drip-loss,pH,and color for pork using a hyperspectral imaging technique[J].Meat Science,2007,76(1):1-8.

[38]Xie A G,Sun D W,Xu Z Y,et al.Rapid detection of frozen pork quality without thawing by Vis-NIR hyperspectral imaging technique[J].Talanta,2015,139:208-215.

[39]Naganathan G K,Grimes L M,Subbiah J,et al.Visible/near-infrared hyperspectral imaging for beef tenderness prediction[J].Computers and Electronics in Agriculture,2008,64(2):225-233.

[40]Cluff K,Konda Naganathan G,Subbiah J,et al.Optical scattering with hyperspectral imaging to classify longissimus dorsi muscle based on beef tenderness using multivariate modeling[J].Meat Science,2013,95(1):42-50.

[41]Wu J,Peng Y K,Li Y Y,et al.Prediction of beef quality attributes using VIS/NIR hyperspectral scattering imaging technique[J].Journal of Food Engineering,2012,109(2):267-273.

[42]Tao F,Peng Y K.A method for nondestructive prediction of pork meat quality and safety attributes by hyperspectral imaging technique[J].Journal of Food Engineering,2014,126:98-106.

[43]Kamruzzaman M,Sun D W,ElMasry G,et al.Fast detection and visualization of minced lamb meat adulteration using NIR hyperspectral imaging and multivariate image analysis[J].Talanta,2013,103:130-136.

[44]ElMasry G,Sun D W,Allen P.Near-infrared hyperspectral imaging for predicting colour,pH and tenderness of fresh beef[J].Journal of Food Engineering,2012,110(1):127-140.

[45]Wu D,Shi H,Wang S J,et al.Rapid prediction of moisture content of dehydrated prawns using online hyperspectral imaging system[J].Analytica Chimica Acta,2012,726:57-66.

[46]Tao F F,Peng Y K,Li Y Y,et al.Simultaneous determination of tenderness and Escherichia coli contamination of pork using hyperspectral scattering technique[J].Meat Science,2012,90(3):851-857.

[47]吴建虎,彭彦昆,江发潮,等.牛肉嫩度的高光谱法检测技术[J].农业机械学报,2009,40(12):135-138,150.

[48]Naganathan G K,Grimes L M,Subbiah J,et al.Partial least squares analysis of near-infrared hyperspectral images for beef tenderness prediction[J].Sensing and Instrumentation for Food Quality and Safety,2008,2(3):178-188.

[49]Cluff K,Naganathan G K,Subbiah J,et al.Optical scattering in beef steak to predict tenderness using hyperspectral imaging in the VIS-NIR region[J].Sensing and Instrumentation for Food Quality and Safety,2008,2(3):189-196.

[50]Liu D,Ma J,Sun D W,et al.Prediction of color and pH of salted porcine meats using visible and near-infrared hyperspectral imaging[J].Food and Bioprocess Technology,2014,7(11):3100-3108.

[51]Morsy N,Sun D W.Robust linear and non-linear models of NIR spectroscopy for detection and quantification of adulterants in fresh and frozen-thawed minced beef[J].Meat Science,2013,93(2):292-302.

[52]Kamruzzaman M,Makino Y,Oshita S,et al.Assessment of visible near-infrared hyperspectral imaging as a tool for detection of horsemeat adulteration in minced beef[J].Food and Bioprocess Technology,2015,8(5):1054-1062.

[53]Kamruzzaman M,Haque M E,Ali M R.Hyperspectral imaging technique for offal quantification in minced meat[J].Journal of the Bangladesh Agricultural University,2014,12(1):189-194.

[54]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.

[55]Wu D,Shi H,He Y,et al.Potential of hyperspectral imaging and multivariate analysis for rapid and non-invasive detection of gelatin adulteration in prawn[J].Journal of Food Engineering,2013,119(3):680-686.

(责任编辑闫杏丽)

Application of hyperspectral imaging in evaluating quality and safety of meat

LIU Chang-hong，XIA Qing

(School of Biotechnology and Food Engineering,Hefei University of Technology,Hefei 230009,China)

Abstract:As a novel rapid and non-destructive analysis technique,hyperspectral imaging system has been applied into food evaluation.Hyperspectral imaging is a novel technology which integrates conventional imaging and spectroscopy and can acquire both spectral and spatial information from an object simultaneously.In this paper,the fundamentals of hyperspectral imaging system and its application in evaluating the quality and safety of meat are introduced,especially the analysis of the chemical composition of meat,the evaluation of sensory quality and the adulterant identification for meat and meat products.In view of the development trend of this technology,the prospects and the problems existing in the technology are also discussed for better application in this respect.

Key words:hyperspectral imaging technology;non-destructivity;rapidity;meat;evaluation

收稿日期：2015-01-12；修回日期：2015-03-19

基金项目：国家科技攻关计划资助项目(2012BAD07B01);安徽省科技攻关计划资助项目(2013AKKG0798)和高等学校博士学科点专项科研基金资助项目(JZ2014AJZR0113)

作者简介：刘长虹(1982-),女,安徽黄山人,博士,合肥工业大学讲师,硕士生导师.

doi:10.3969/j.issn.1003-5060.2016.04.024

中图分类号:TP391.41

文献标识码：A

文章编号：1003-5060(2016)04-0554-06