真空包装冷却羊肉pH值和颜色的近红外快速无损检测

(石河子大学机械电气工程学院，新疆石河子 832003)

doi:10.6048/j.issn.1001-4330.2017.11.017

真空包装冷却羊肉pH值和颜色的近红外快速无损检测

邱园园，朱荣光，黄昆鹏，范中建，阎 聪，孟令峰

(石河子大学机械电气工程学院，新疆石河子 832003)

目的羊肉新鲜度理化指标传统测定中存在操作繁琐、需使用化学试剂、样品被破坏与接触等问题。研究真空包装冷却羊肉pH值和颜色的近红外快速无损检测。方法以新疆小尾寒羊作为研究对象，利用近红外光谱技术(NIRS)，研究储藏过程中真空包装冷却羊肉理化指标的快速无损检测，针对化学指标pH和物理指标颜色亮度(L*)，采用光谱预处理和特征波段筛选方法优化和简化各指标含量预测模型。结果pH和L*均以组合使用遗传算法(GA)与连续投影算法(SPA)筛选特征波段建立的多元线性回归模型(MLR)最佳，优于单一波段筛选方法，其预测集相关系数均为0.91，预测集均方根误差分别为0.13和1.91。结论近红外光谱技术具有绿色、无损、同时分析多指标的检测优势，可替代传统检测手段实现对肉品理化指标的快速无损准确检测。

冷却羊肉；近红外光谱技术；pH值；亮度；特征波段

0 引 言

【研究意义】羊肉具有味道鲜美和营养丰富的特点，在肉类消费市场中占据重要地位。肉品新鲜度作为肉品品质评价的重要指标，决定肉类产品的经济价值和可食用性[1]，其检测方法包括感官评定、理化指标检测及微生物指标检测等[2]。其中，理化指标检测因具有客观和稳定的优点在大量肉品新鲜度检测研究中得到应用[3-5]。而传统检测方法对理化指标的检测存在操作繁琐、费时费力、破坏与接触肉品和化学试剂潜在污染等缺点[2]，无法满足现代肉品工业的检测要求，寻求一种快速、无损、绿色的检测手段十分必要。【前人研究进展】近年来，NIRS技术因其快速、无损、重现性好的优点在肉品检测领域得到广泛应用，主要应用于猪肉、牛肉、鸡肉等畜肉产品检测[4,6-7]。目前，NIRS技术针对羊肉开展的检测研究主要包括组分分析和种类判定等方面，其研究对象多是非真空包装的冷却羊肉，而少见真空包装冷却羊肉新鲜度变化的研究报道[8-9]。真空包装具备低氧条件可抑制微生物生存，保障肉品不易于腐败，其肉品腐败变化进程和货架期不同于非真空包装[10]。羊肉在储藏过程中，其主要有机组分逐渐被降解，导致内糖原酵解、蛋白质变性及脂肪酸败等现象，从而使得肉的酸碱度发生改变[3]。近红外光谱采集系统获取的光谱波段高达数百个，夹杂大量冗余信息，影响建模效率和模型精度，有必要对全波段光谱进行特征变量选择。朱荣光，付丹丹，李江波[11-13]等研究表明通过组合使用特征波段提取方法均较单一方法相比其特征波段建立的模型性能更优。GA作为模拟生物进化规律的随机化寻优算法，具有较好的通用性和全局搜算能力[10,14]。SPA在变量整体中寻求含有最低限度冗余信息的变量组，实现数据的高效降维，来挖掘共线性最小的有效信息[13-14]。【本研究切入点】国内研究学者利用pH值作为肉品新鲜度指标开展近红外光谱研究取得了良好的检测效果，表明pH同肉品内部化学组分含量的变化密切相关，可表征肉品新鲜度的变化[3-4]。亮度(L*)作为评价肉品颜色的主要物理指标，能够反映肉品新鲜度变化过程中外观整体的变化情况[5]。研究选用pH和L*分别作为化学指标和物理指标，利用近红外光谱技术开展真空包装冷却羊肉贮藏过程中新鲜度理化指标的快速无损检测研究。【拟解决的关键问题】研究通过GA全局搜索重要变量，并联合使用SPA获得最低冗余信息的变量集合，达到筛选有效信息和优化与简化检测模型的目的，为建立羊肉新鲜度指标快速检测方法，以及后续开发羊肉新鲜度多光谱在线检测系统提供一定的理论参考。

1 材料与方法

1.1 材 料

试验所用羊肉采购于新疆石河子西部牧业，选取冷库排酸后的小尾寒羊外脊肌肉，使用冷藏保温箱运至实验室。于无菌操作间，将羊肉的脂肪、结缔组织等部分切除，并将羊肉切割成尺寸大小约为40 mm×40 mm×10 mm的样品，共计155个。将样品逐个装入无菌真空PE包装袋中抽真空并热封包装，随后冷藏于4℃恒温箱，储藏天数为1～20 d。

1.2 方 法

1.2.1 近红外光谱采集

研究使用的近红外光谱采集系统包括近红外光谱仪(NIRQuest256-2.5, 美国)、光源(VIVO, 美国)、光纤(QP400-1-VIS-NIR, 美国)、计算机及暗箱等部件构成，绘出该系统的结构示意图。光谱数据采集前需预热光谱仪20 min，随后需对该系统进行黑白校正，将待采集羊肉样品的表面水分擦拭，放置于VIVO光源载物台上进行近红外漫反射光谱采集。参数设置包括：采集波段范围900～2 500 nm，积分时间为18 ms，扫描次数和平滑度分别为32和3。近红外光谱采集数据采集过程中，采集每个样品同一侧面上5个不同位置的点，计算5个点获取的光谱数据的平均值作为该样本的代表光谱。图1

图1 近红外光谱采集系统的结构示意
Fig.1 Schematic diagram of near infrared reflectance spectroscopy acquisition system

1.2.2 理化值测定

pH值的测定采用pH计(UB-7型, 美国)，参照国标《GB 5009.237-2016 食品安全国家标准 食品pH值的测定》[15]。pH计测定前需进行清洗和校准，pH计的电极放入样品液的上清液中待数值稳定后读数，各样品重复操作测定6次，取其平均值作为该样品的pH值。L*值的测定采用测色色差计(WSC-S, 上海)。测色色差计使用前也需要预热，时间约为30 min，随后进行测色色差计校零，样品需剪成与盛放样品器皿的大小相仿并置于测试头下进行测定，各样品重复操作测定6次，取其平均值作为该样品的L*值。

1.3 数据处理

羊肉样品的数据采集与数据处理软件分别为Spectra Suite和MATLAB 2010b。为降低光谱噪声信号影响，试验分别针对羊肉pH和L*进行最优预处理方法选择，分别采用一阶导(1D)、多元散射校正(MSC)、Savitzky-Golay平滑(S-G)、标准正态变量变换(SNV)和中心化(Mean-centering)等方法及组合方法进行光谱数据预处理。分别针对各指标，采用GA、SPA和GA-SPA对最优光谱预处理后的数据进行特征波段筛选，比较全波段模型和各特征波段模型的模型结果，确定各指标最优特征波段筛选算法，以实现对真空包装冷却羊肉pH和L*的快速无损准确检测。研究中，GA参数设置如下：种群大小64，窗口宽度为1，初始变量数目30%，最大迭代次数100，收敛百分比50%，变异率0.005；SPA设定的变量筛选范围为5～35。由于GA对变量的选择具有随机性，因此研究将多次运行该算法，保留每次变量筛选结果并建立模型，根据模型交互验证结果确定GA筛选的最佳变量集合。

1.4 模型效果

针对羊肉新鲜度指标pH和L*开展的最优预处理方法和最优特征波段筛选算法的比较研究中，全波段和GA筛选的特征波段均采用偏最小二乘回归(PLSR)模型和留一交互验证方法，根据RMSECV值确定模型的最佳潜变量因子数。SPA和GA-SPA筛选的光谱变量数目较少，采用多元线性回归模型(MLR)模型进行模型效果比较。以上两者模型效果的评价指标包括RMSECV、RCV、RMSEP和RP。其中，RMSECV和RMSEP越小，所建模型效果越好，而RCV和RP越大，则表明模型的预测能力越好[16]。

2 结果与分析

2.1 羊肉样品的pH和L*值

试验共制备155个羊肉样品，分别针对两指标采用Q残差界限和霍特林T2界限判别法进行样品异常值选取[17]，经异常值剔除后pH、L*的样本数分别为142和147。将各样本按照理化值浓度排列采用隔三选一法划分样品的校正集与预测集，pH指标的校正集和预测集样品数分别为107和35，L*指标的校正集和预测集样品数分别为110和37，羊肉样品pH值和L*值的统计结果。表1

2.2 光谱数据预处理

由于受到外部环境和仪器暗电流的影响，羊肉样品在光谱数据采集过程中存在噪声信号、基线漂移和谱线重叠等现象，影响后续模型精度和稳定性。为消除以上影响和增强样品因理化值不同造成的光谱差异，试验对真空包装冷却羊肉pH和L*分别进行最优光谱预处理方法选取。基于PLSR模型，羊肉pH和L*的不同预处理方法的模型结果比较为，pH的最优预处理方法为1D+S-G(15)+MC，L*的最优预处理方法为1D+S-G(17)+MC。表2

表1 羊肉pH和L*值

表2 pH和L*不同预处理方法的模型

注：RC和RMSEC为校正集的相关系数和均方根误差，RCV和RMSECV为交互验证集的相关系数和均方根误差，RP和RMSEP为预测集的相关系数和均方根误差

Note: RCand RMSEC, the correlation coefficients and root mean square errors in the calibration set. RCVand RMSECV, the correlation coefficients and root mean square errors in the cross-validation set. RPand RMSEP, the correlation coefficients and root mean square errors in the prediction set

2.3 特征波段筛选

利用单一的GA进行光谱特征波段筛选，针对羊肉理化指标pH和L*筛选的波段数目分别为48和43，其变量频率分布图显示，细线以上的波段为所选取的特征波段。由频率分布图可以发现，两指标采用GA筛选的特征波段不完全相同，但都包括了分子振动光谱倍频及合频吸收带在内的重要波段[16]。在910、1 200、1 750和2 450 nm附近的波段分别与有机物中C-H键的三级倍频、二级倍频、一级倍频和合频相关；960和2 000 nm则分别同水中O-H键的二级倍频和合频相关，表现出显著的光谱吸收带；1 540 nm处的光谱吸收带与蛋白质相关，与其中N-H键的一级倍频相关[3,16,18]。图2

利用单一的SPA进行光谱特征波段筛选，针对各指标筛选的波段数目分别为16和19，波段筛选的情况分布为，方块标记处波段为所选取的波段。对于两指标，筛选的特征波段均分布在肉中水分、脂肪及蛋白质等主要组分光谱特征吸收峰附近。特征波段主要包括900、1 210、1 650、2 470 nm等C-H键倍频与合频吸收带区域及附近的波段，960、1 450和2 000 nm附近的波段同与水的光谱吸收带邻近，1 040 nm 附近的波段与N-H键相关[16]。图3

联合使用GA和SPA进行光谱特征波段筛选，针对pH和L*筛选的波段数目分别为14和18，波段筛选的情况分布为，方块标记处波段为所选取的波段。对于pH指标，其筛选特征波段分别为901.74、908.24、947.30、960.32、973.34、1 110.00、1 123.01、1 201.04、1 214.04、1 460.56、1 602.72、2 107.61、2 377.29、2 464.10和2 482.63 nm。对于L*指标，分别为940.79、1 018.90、1 110.00、1 304.98、1 369.86、1 557.54、1 622.06、1 699.32、1 814.85、1 885.20、1 993.51、2 113.93、2 132.87、2 151.80、2 164.40、2 189.59、2 202.17和2 383.51 nm。图4

2.4 pH模型、L*模型结果

研究表明，对于W-PLSR和GA-PLSR，当潜变量因子数均为12时模型效果较优，GA-PLSR的RMSECV和RCV分别为0.92和0.13，较W-PLSR相比得到显著改善，但模型预测能力降低。GA算法具有全局搜索的特点[14]，其筛选的波段数目较大，变量中仍携带了部分无关信息从而导致模型预测能力降低。SPA-MLR和GA-SPA-MLR的变量数分别为16和15，二者的模型预测能力均得到提高，但GA-SPA-MLR的交互验证效果较优。GA-SPA筛选的变量仅占全波段的6%，模型效果较优于全波段模型。表3

研究表明，当W-PLSR和GA-PLSR的潜变量因子数分别为12和10时模型效果较优，其中GA-PLSR的交互验证结果优于W-PLS，但预测能力降低。SPA-MLR和GA-SPA-MLR中的特征变量数分别为19和18，模型结构较全波段得到高效简化，且模型预测能力均优于W-PLSR和GA-PLSR。GA-SPA-MLR的RMSECV和RCV分别为0.93和1.62，交互验证集结果最优，虽与GA-PLSR的结果较为接近，但GA-SPA筛选变量数仅占GA筛选变量数的41.86%。表3

图2 GA筛选波段的频率分布
Fig.2 Frequency distribution of bands selected by GA

图3 SPA筛选波段分布
Fig.3 Distribution map of bands selected by SPA

图4 GA-SPA筛选波段分布
Fig.4 Distribution map of bands selected by GA-SPA

表3 不同波段下羊肉pH和L*模型结果

3 讨 论

3.1 GA、SPA和GA-SPA三种方法虽对羊肉中同一组分的特征波段选取不完全相同，但波段邻近，均能够筛选出主要特征光谱吸收带在内及附近的特征波段，其与羊肉主要组分的分子振动光谱倍频及合频吸收带密切相关。以上符合肉品新鲜度降低的原因，正由于肉品主要组分(脂肪、蛋白质、碳水化合物等)伴随储藏时间在酶与细菌的共同作用下被分解，导致肉品腐败与变质并表现出不同的光谱吸收特性[3]，而分解产物使得肉品的颜色、酸碱度、气味等发生改变。针对真空包装冷却羊肉的理化指标pH和L*，GA-SPA筛选的特征波段可为定制滤光片和开发针对羊肉新鲜度多光谱在线检测系统提供重要的理论基础。

3.2 对于真空包装冷却羊肉的pH指标，较优的预测模型为GA-SPA-MLR。通过测定待测羊肉样品的光谱数据，根据以上获得的特征波段来筛选光谱信息，利用有效预测模型中光谱数据与pH值之间建立的对应关系，可实现样品pH值快速准确检测，而无需再开展操作繁琐、费时费力且具有污染性和破坏性的测定试验。

3.3 羊肉L*指标的最优特征波段筛选算法为GA-SPA，其建立的模型视作该指标的最佳预测模型。待测羊肉样品经光谱测定后，利用模型性能最优的GA-SPA-MLR模型可实现颜色L*指标的快速准确预测。

4 结 论

真空包装冷却羊肉化学指标pH和物理指标L*的最优光谱预处理方法分别为1D+S-G(15)+MC和1D+S-G(17)+MC，最优的变量筛选算法均为GA-SPA，获得的特征波段数目分别为15和18。对于pH和L*的GA-SPA-MLR，其模型效果均较W-PLSR得到改善，综合交互验证集与预测集结果均较优于GA-PLSR和SPA-MLR，以上两个理化指标的RMSEP分别为0.13和0.91，RP均为1.91。联合使用特征提取方法较优于单一方法的使用，有效简化模型结果和改善模型性能。研究表明，NIRS技术可替代传统检测手段实现真空包装冷却羊肉储藏过程中新鲜度理化指标的快速无损准确检测，其特征提取研究可为后续开发羊肉新鲜度多光谱在线检测系统提供一定的理论参考。

参考文献(References)

[1] 周光宏. 肉品学[M]. 北京: 中国农业科技出版社, 1999: 79-82.

ZHOU Guang-hong. (1999)MeatScience[M]. Beijing: Agricultural Science and Technology Press of China: 79-82. (in Chinese)

[2] 蒋丽施. 肉品新鲜度的检测方法[J]. 肉类研究,2011,25(1):46-49.

JIANG Li-shi. (2011). Methods of meat freshness detection [J].MeatResearch, 25 (1): 46-49. (in Chinese)

[3] 杨勇, 王殿友, 杨庆余, 等. 近红外光谱技术快速测定鹅肉新鲜度[J]. 食品科学, 2014, 35(24):239-242.

YANG Yong, WANG Dian-you, YANG Qing-yu, et al. (2014). Rapid determination of goose meat freshness using near infrared spectroscopy [J].FoodScience, 35(24):239-242. (in Chinese)

[4] 张雷蕾, 李永玉, 彭彦昆, 等. 基于高光谱成像技术的猪肉新鲜度评价[J]. 农业工程学报, 2012, 28(7):254-259.

ZHANG Lei-lei, LI Yong-yu, PENG Yan-kun, et al. (2012). Determination of pork freshness attributes by hyperspectral imaging technique [J].TransactionsoftheChineseSocietyofAgriculturalEngineering, 28(7):254-259. (in Chinese)

[5] 许卫东, 朱荣光, 段宏伟, 等. 基于高光谱图像技术的冷却羊肉颜色检测[J]. 中国科技论文, 2016, 11(4):454-458.

XU Wei-dong, ZHU Rong-guang, DUAN Hong-wei, et al. (2016). Detection of color parameters of chilled lamb based on hyperspectral imaging [J].ChinaSciencePaper, 11(4):454-458. (in Chinese)

[6] 赵杰文,翟剑妹,刘木华,等. 牛肉嫩度的近红外光谱法检测技术研究[J]. 光谱学与光谱分析, 2006, (4):640-642.

ZHAO Jie-wen, ZHAI Jian-mei, LIU Mu-hua, et al. (2006). The Determination of Beef Tenderness Using Near-Infrared Spectroscopy [J].SpectroscopyandSpectralAnalysis, (4):640-642. (in Chinese)

[7] 龚艳, 汤晓艳, 王敏, 等. 近红外光谱法对鸡肉品种的快速无损鉴别[J]. 食品科学, 2015, 36(16):148-152.

GONG Yan, TANG Xiao-yan, WANG Min, et al. (2015). Rapid and Nondestructive Identification of Chicken Breeds by Near Infrared Spectroscopy [J].FoodScience, 36(16):148-152. (in Chinese)

[8] 王昱陆,郭辉,韩长杰. 基于可见/近红外光谱对不同品种羊肉鉴别方法研究[J]. 食品科技, 2015, 40(9):298-302.

WANG Yu-lu, GUO Hui, HAN Chang-jie. (2015). Identifi cation of different varieties of mutton by VIS/NIR spectroscopy [J].FoodScienceandTechnology, 40(9):298-302. (in Chinese)

[9] 王培培, 张德权, 陈丽, 等. 近红外光谱法预测羊肉化学成分的研究[J]. 核农学报, 2012, 26(3):500-504.

WANG Pei-pei, ZHANG De-quan, CHEN Li, et al. (2012).Prediction of mutton chemical composition by near infrared reflectance spectroscopy [J].JournalofNuclearAgricultureSciences, 26(3):500-504. (in Chinese)

[10] 段宏伟, 朱荣光, 许卫东, 等. 基于GA和CARS的真空包装冷却羊肉细菌菌落总数高光谱检测[J]. 光谱学与光谱分析, 2017, 37(3):847-852.

DUAN Hong-wei, ZHU Rong-guang, XU Wei-dong, et al. (2017). Hyperspectral imaging detection of total viable count from vacuum packing cooling mutton based on GA and CARS algorithms [J].SpectroscopyandSpectralAnalysis, 37(3):847-852. (in Chinese)

[11] 朱荣光, 段宏伟, 姚雪东, 等. 基于高光谱图像和偏最小二乘的羊肉pH特征波段筛选研究[J]. 光谱学与光谱分析, 2016, 36(9):2 925-2 929.

ZHU Rong-guang, DUAN Hong-wei, YAO Xue-dong, et al. (2016). Study on characteristic bands selection of lamb pH value based on hyperspectral imaging and partial least squares [J].SpectroscopyandSpectralAnalysis, 36(9):2,925-2,929. (in Chinese)

[12] 付丹丹, 王巧华. 鸡蛋新鲜度、pH值及黏度的高光谱检测模型[J]. 食品科学, 2016, 37(22):173-179.

FU Dan-dan, WANG Qiao-hua. (2016). Predictive Models for the Detection of Egg Freshness, Acidity and Viscosity Using Hyper-Spectral Imaging [J].FoodScience, 37(22):173-179. (in Chinese)

[13] 李江波, 郭志明, 黄文倩,等. 应用CARS和SPA算法对草莓SSC含量NIR光谱预测模型中变量及样本筛选[J]. 光谱学与光谱分析, 2015, 35(2):372-378.

LI Jiang-bo, GUO Zhi-ming, HUANG Wen-qian, et al. (2015). Near-infrared spectra combining with CARS and SPA algorithms to screen the variables and samples for quantitatively determining the soluble solids content in strawberry [J].SpectroscopyandSpectralAnalysis, 35(2):372-378. (in Chinese)

[14] Li, S., Wu, H., Wan, D., & Zhu, J. (2011). An effective feature selection method for hyperspectral image classification based on genetic algorithm and support vector machine.Knowledge-BasedSystems, 24(1):40-48.

[15] GB 5009.237-2016. 食品安全国家标准 食品pH值的测定[S].

GB 5009. 237-2016. Food safety national standard: Determination of food pH value[S]. (in Chinese)

[16] Pu, H., Kamruzzaman, M., & Sun, D. W. (2015). Selection of feature wavelengths for developing multispectral imaging systems for quality, safety and authenticity of muscle foods-a review.TrendsinFoodScience&Technology, 45(1): 86-104.

[17] 纪楠. 大豆秸秆木质素和纤维素含量与近红外光谱相关性模型研究[D]. 东北农业大学, 2016.

JI Nan. (2016).CorrelationModelResearchinCelluloseandLigninofSoybeanStrawBasedonNearInfraredSpectroscopy[D]. Master Thesis. Northeast Agricultural University. (in Chinese)

[18] Prieto, N., Roehe, R., Lavín, P., Batten, G., & Andrés, S. (2009). Application of near infrared reflectance spectroscopy to predict meat and meat products quality: a review.MeatScience, 83(2):175-186.

RapidandNondestructiveDetectionofthepHValueandLuminosityforVacuumPackedChilledMuttonbyUsingNearInfraredReflectanceSpectroscopyTechnique

QIU Yuan-yuan, ZHU Rong-guang, HUANG Kun-peng, FAN Zhong-jian,YAN Cong, MENG Ling-feng

(CollegeofMechanicalandElectricalEngineering,ShiheziUniversity，ShiheziXinjiang832003,China)

ObjectiveThe purpose of this research is to solve the problems in the traditional determination of mutton freshness physicochemical indexes, such as the fussy operation, the necessary chemical reagents, and destruction and contact of samples and so on.MethodThe small tailed Han Sheep in Xinjiang was taken as the research object, and the near infrared reflectance spectroscopy (NIRS) technique was used to carry out the rapid and nondestructive detection of physicochemical indexes in vacuum packed chilled mutton during the storage. For the chemical index pH and the physical index luminosity (L*), the spectral pretreatment and the feature bands selection methods were adopted to optimize and simplify the prediction model of each index content.ResultThe optimal models of pH and L*were the multiple linear regression (MLR) models established with the feature bands, which were selected by the combination of genetic algorithm (GA) and successive projections algorithm (SPA) rather than the single method. The correlation coefficients of prediction sets were 0.91 and 0.91, and the root mean square errors of prediction sets were 0.13 and 1.91.ConclusionNIRS technique has the detection advantages of non-pollution, nondestructive, and simultaneous analysis of multiple indexes, and it can replace traditional detection methods to achieve rapid, nondestructive and accurate detection of freshness physicochemical indexes in meat.

chilled mutton; near infrared reflectance spectroscopy technique; pH; luminosity; feature bands

Supported by: The National Natural Science Foundation of China "Dynamics of storage quality for chilled mutton in Xinjiang and fusion of different optical rapid measurement techniques"(31460418); Youth Innovative Talent Cultivation Plan Project in Shihezi University "Rapid detection mechanism and system development of mutton freshness based on multi-source optical information " (CXRC201707)

ZHU Rong-guang (1982- ), male, native place: Dancheng, Henan. Associate professor, Doctor, research field: Modern nondestructive detection technique of agricultural and livestock products. (E-mail) rgzh_jd@163.com

O657.3；S826

A

1001-4330(2017)11-2092-08

2017-08-12

国家自然科学基金项目“新疆冷却羊肉储藏品质的动力学及不同光学速测技术融合研究”(31460418)；石河子大学青年创新人才培育计划项目“基于多源光学信息的羊肉新鲜度快速检测机理及系统开发研究”(CXRC201707)

邱园园(1992 - )，女，新疆喀什人，硕士研究生，研究方向为现代农畜产品无损检测技术，(E-mail)qyy_vina@163.com

朱荣光(1982 - )，男，河南郸城人，副教授，博士，研究方向为现代农畜产品无损检测技术，(E-mail)rgzh_jd@163.com