基于近紅外光譜技術(shù)的大米品質(zhì)分析與種類鑒別

呂 慧，張正竹，*，王勝鵬，戚 麗，林茂先

（1.安徽農(nóng)業(yè)大學(xué)茶葉生物化學(xué)與生物技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，安徽合肥230036；2.合肥美亞光電技術(shù)有限責(zé)任公司，安徽合肥230038）

基于近紅外光譜技術(shù)的大米品質(zhì)分析與種類鑒別

呂 慧1，張正竹1，*，王勝鵬1，戚 麗2，林茂先2

（1.安徽農(nóng)業(yè)大學(xué)茶葉生物化學(xué)與生物技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，安徽合肥230036；2.合肥美亞光電技術(shù)有限責(zé)任公司，安徽合肥230038）

應(yīng)用近紅外光譜（NIRS）技術(shù)建立了大米食味品質(zhì)分析與種類快速鑒別的方法。提取了102份粉碎后大米樣品的近紅外光譜，采用偏最小二乘法（PLS）建立了大米水分、蛋白質(zhì)和直鏈淀粉定量分析模型，對(duì)模型預(yù)測(cè)結(jié)果的準(zhǔn)確性進(jìn)行了評(píng)價(jià)。預(yù)測(cè)模型的內(nèi)部交叉驗(yàn)證決定系數(shù)（R2）分別為：0.992、0.9792和0.9736；內(nèi)部交叉驗(yàn)證標(biāo)準(zhǔn)差（RMSECV）分別為：0.141、0.201和0.209；模型外部驗(yàn)證決定系數(shù)（R2）分別為0.9861、0.912和0.9373；外部驗(yàn)證標(biāo)準(zhǔn)差（RMSEP）分別為0.179、0.206和0.243。通過計(jì)算樣品的近紅外光譜圖之間的歐氏距離來反映不同樣品間的差異，對(duì)不同屬性和不同產(chǎn)地的大米進(jìn)行了定性聚類分析，種類識(shí)別準(zhǔn)確率達(dá)到100%。結(jié)果表明，NIRS分析技術(shù)可以用于對(duì)大米品質(zhì)和種類的快速無損檢測(cè)。

近紅外光譜，大米，偏最小二乘法，品質(zhì)分析，聚類分析，種類鑒別

1 材料與方法

1.1 實(shí)驗(yàn)材料

樣品 采集102份大米樣品，其中包括粳米66份（安徽粳米33份、東北粳米25份、泰國粳米8份），糯米13份（安徽糯米9份、湖北糯米1份、吉林糯米1份、江蘇糯米2份），秈米6份（安徽秈米5份、江蘇秈米1份），黃米6份（山西黃米1份、山東黃米1份、吉林黃米1份、遼寧黃米2份、黑龍江黃米1份），黑米5份（吉林黑米1份、黑龍江黑米2份、遼寧黑米1份、吉林黑米1份），紅米4份（江蘇紅米2份、河南紅米1份、吉林紅米1份），高粱米2份（河北高粱米1份、山西高粱米1份）。

1.2 樣品的近紅外光譜采集

樣品在粉碎后利用德國Bruker公司的近紅外光譜儀采集光譜，工作譜區(qū)范圍選擇12500～3600cm-1，掃描次數(shù)32次，分辨率為8cm-1，97mm樣品杯配套自動(dòng)旋轉(zhuǎn)樣品臺(tái)，每個(gè)樣品重復(fù)裝樣3次，掃描后利用OPUS6.5/QUANT定量分析軟件計(jì)算平均光譜，以減少裝樣造成的誤差。得到的粉碎后的樣品近紅外原始光譜圖和平均光譜圖如圖1所示。

1.3 樣品化學(xué)值測(cè)定

水分質(zhì)量分?jǐn)?shù)分析方法采用國家標(biāo)準(zhǔn)“GB/T 21305-2007/ISO 712：1998谷物及谷物制品水分的測(cè)定常規(guī)法”；蛋白質(zhì)質(zhì)量分?jǐn)?shù)的測(cè)定采用國家標(biāo)準(zhǔn)“GB/T 5511-2008/ISO 20483：2006谷物和豆類氮含量測(cè)定和粗蛋白質(zhì)含量計(jì)算凱氏法”；直鏈淀粉質(zhì)量分?jǐn)?shù)的測(cè)定采用國家標(biāo)準(zhǔn)“GB/T 15683-2008/ISO 6647-1：2007大米直鏈淀粉含量的測(cè)定”。

1.4 NIRS預(yù)測(cè)模型的建立

圖1 用97mm樣品杯采集到的102份粉碎后大米樣品的近紅外原始光譜（a）與平均光譜圖（b）Fig.1 Original near infrared reflectance spectra（a）and average near infrared reflectance spectra（b）of 102 crushed rice samples collected with a 97mm specimen cup

采用德國Bruker公司OPUS6.5/QUANT定量分析軟件進(jìn)行譜區(qū)選擇、光譜預(yù)處理和回歸統(tǒng)計(jì)分析。將樣品隨機(jī)地分為定標(biāo)集和檢驗(yàn)集，先用定標(biāo)集樣品通過內(nèi)部交叉驗(yàn)證建立預(yù)測(cè)模型，再用檢驗(yàn)集樣品進(jìn)行外部驗(yàn)證，其中水分和蛋白質(zhì)定標(biāo)集為80份樣品，用于建立預(yù)測(cè)模型，檢驗(yàn)集為22份樣品，用于驗(yàn)證所建模型。由于不同屬性的大米直鏈淀粉的質(zhì)量分?jǐn)?shù)相差很大，所以直鏈淀粉的建模樣品只選取粳米，其中定標(biāo)集為50份樣品，檢驗(yàn)集為16份樣品。樣品的選取規(guī)則：將各個(gè)化學(xué)指標(biāo)按其各自的范圍劃分為許多不同的子范圍，然后統(tǒng)計(jì)落入各個(gè)子范圍內(nèi)的樣品數(shù)，最后在這些子范圍內(nèi)根據(jù)落入樣品數(shù)的多少隨機(jī)選取樣品。根據(jù)內(nèi)部交叉驗(yàn)證決定系數(shù)R2和外部驗(yàn)證決定系數(shù)R2，內(nèi)部交叉驗(yàn)證標(biāo)準(zhǔn)差RMSECV、外部驗(yàn)證標(biāo)準(zhǔn)差RMSEP等指標(biāo)確定最優(yōu)定標(biāo)模型。

2 結(jié)果與分析

2.1 樣品化學(xué)值測(cè)定

采用平行對(duì)照實(shí)驗(yàn)的方法對(duì)所有樣品的水分、蛋白質(zhì)和直鏈淀粉的化學(xué)值進(jìn)行了準(zhǔn)確測(cè)定，結(jié)果見表1。由表1可見，樣品中水分、蛋白質(zhì)和直鏈淀粉質(zhì)量分?jǐn)?shù)變化幅度分別為12.39%～19.87%、6.27%～13.08%和11.56%～16.95%，基本上涵蓋了大米可能出現(xiàn)的不同品質(zhì)等級(jí)的變化范圍，具有較好的代表性，能滿足建立近紅外光譜品質(zhì)分析的要求。

表1 定標(biāo)集和檢驗(yàn)集樣品中水分、蛋白質(zhì)和直鏈淀粉質(zhì)量分?jǐn)?shù)分布Table 1 Distribution of the contents of water，protein and amylose in rice samples used for calibration set and validation set

2.2 近紅外定標(biāo)模型的建立

采用化學(xué)計(jì)量學(xué)方法，將樣品的光譜數(shù)據(jù)和化學(xué)值進(jìn)行關(guān)聯(lián)，確定兩者之間的定量關(guān)系，建立NIRS定標(biāo)模型。對(duì)樣品的光譜數(shù)據(jù)進(jìn)行適當(dāng)預(yù)處理并篩選建模的譜區(qū)范圍，以優(yōu)化模型、提高模型的預(yù)測(cè)準(zhǔn)確性[22]。

應(yīng)用偏最小二乘法（PLS）建立預(yù)測(cè)模型，利用OPUS 6.5/QUANT軟件中的自動(dòng)優(yōu)化功能，篩選建模的最佳譜區(qū)范圍、光譜預(yù)處理方法和主成分維數(shù)。經(jīng)過內(nèi)部交叉驗(yàn)證，自動(dòng)優(yōu)化后比較不同譜區(qū)范圍組合與光譜預(yù)處理方法所得到的交叉驗(yàn)證決定系數(shù)R2、內(nèi)部交叉驗(yàn)標(biāo)準(zhǔn)差RMSECV作為衡量定標(biāo)模型質(zhì)量?jī)?yōu)劣的指標(biāo)。決定系數(shù)越大、標(biāo)準(zhǔn)差越小，表明模型的預(yù)測(cè)精度越高，依此選擇最佳譜區(qū)、最佳光譜預(yù)處理方法和最佳主成分維數(shù)。不同預(yù)處理方法得到的決定系數(shù)R2和內(nèi)部交叉驗(yàn)標(biāo)準(zhǔn)差RMSECV見表2。由表2得出，水分、蛋白質(zhì)和直鏈淀粉的近紅外定標(biāo)模型所對(duì)應(yīng)的最佳預(yù)處理方法分別為二階導(dǎo)數(shù)、一階導(dǎo)數(shù)+MSC和一階導(dǎo)數(shù)+MSC，在上述最佳建模條件下，采用內(nèi)部交叉驗(yàn)證方法分別構(gòu)建3個(gè)定量預(yù)測(cè)模型。大米水分質(zhì)量分?jǐn)?shù)、蛋白質(zhì)質(zhì)量分?jǐn)?shù)和直鏈淀粉質(zhì)量分?jǐn)?shù)的近紅外光譜預(yù)測(cè)模型的內(nèi)部交叉驗(yàn)證決定系數(shù)R2分別為0.992、0.9792和0.9736；內(nèi)部交叉驗(yàn)證標(biāo)準(zhǔn)差RMSECV分別為0.141、0.201和0.209（見表3），表明各參數(shù)定標(biāo)效果良好，所建模型的各項(xiàng)決定系數(shù)和標(biāo)準(zhǔn)差已滿足樣品分析對(duì)準(zhǔn)確度的要求。偏最小二乘法的原理和算法參考朱爾一[23]的報(bào)道。

表2 建立近紅外定標(biāo)模型的不同預(yù)處理方法Table 2 Different preprocessing for establishing NIRS calibration models

表3 模型的內(nèi)部交叉驗(yàn)證與外部驗(yàn)證結(jié)果Table 3 The results of models in cross validation and external validation

2.3 近紅外定標(biāo)模型的驗(yàn)證

用所建立的NIRS定標(biāo)模型對(duì)檢驗(yàn)集樣品中水分、蛋白質(zhì)和直鏈淀粉的質(zhì)量分?jǐn)?shù)進(jìn)行預(yù)測(cè)，以考察NIRS定標(biāo)模型的預(yù)測(cè)精度。

近紅外光譜檢驗(yàn)?zāi)Ｐ偷耐獠框?yàn)證決定系數(shù)R2分別為0.9861、0.912和0.9373；外部驗(yàn)證標(biāo)準(zhǔn)差RMSEP分別為0.179、0.206和0.243；由此可見各參數(shù)校正模型的預(yù)測(cè)精度較高，NIRS預(yù)測(cè)值與化學(xué)值比較接近。

如圖2所示，采用一元線性回歸的方法，分別得到定標(biāo)集和檢驗(yàn)集樣品中水分、蛋白質(zhì)和直鏈淀粉質(zhì)量分?jǐn)?shù)的真值與NIRS模型預(yù)測(cè)值之間的相關(guān)關(guān)系。

圖2 大米水分（a）、蛋白質(zhì)（b）和直鏈淀粉（c）定標(biāo)集及檢驗(yàn)集化學(xué)值與近紅外預(yù)測(cè)值的相關(guān)散點(diǎn)圖Fig.2 Prediction between NIRS and chemical analysis results for wate（ra），protein（b）and amylose（c）in calibration set and testing set

2.4 近紅外近紅外光譜定性聚類分析

本文采用標(biāo)準(zhǔn)方法計(jì)算光譜間的距離，即利用歐氏距離來表示。標(biāo)準(zhǔn)法原理：設(shè)有兩張光譜圖a和b，一張是測(cè)試譜，另一張是參考譜，光譜距離D與兩條曲線之間的面積成比例。標(biāo)準(zhǔn)方法所使用的歐氏距離公式表示如下：

式中：a（k）和b（k）是譜圖a和b的縱坐標(biāo)的值，其和是從所選全部數(shù)據(jù)點(diǎn)k得到的。分析過程中，算法將測(cè)試譜圖同所有參考譜圖進(jìn)行比較。比較結(jié)果即是匹配值，也對(duì)應(yīng)為譜圖距離D。兩張譜圖越匹配，則距離越短，完全相同的譜圖匹配值為零。

2.4.1 光譜預(yù)處理 譜區(qū)選擇儀器的波長(zhǎng)掃描范圍為12500～3600cm-1，通過全譜區(qū)掃描發(fā)現(xiàn)，在8744～3764.5cm-1范圍內(nèi)信息量豐富，本實(shí)驗(yàn)取此譜區(qū)進(jìn)行數(shù)據(jù)處理。

將NIRS原譜及原譜經(jīng)一、二階導(dǎo)數(shù)預(yù)處理后得到的一、二階導(dǎo)數(shù)光譜分別用于鑒別，發(fā)現(xiàn)原譜的鑒別效果最差，二階導(dǎo)數(shù)光譜的鑒別效果最佳，本實(shí)驗(yàn)選取NIRS二階導(dǎo)數(shù)光譜進(jìn)行分析。

2.4.2 不同樣品組合的近紅外光譜聚類分析 從102份樣品中選取30份樣品，其中1～6號(hào)為糯米，7～10號(hào)為秈米，11～30號(hào)為粳米。在20份粳米樣品中11、12號(hào)、14～16號(hào)為安徽粳米；13號(hào)、20～22號(hào)為泰國粳米；17～19號(hào)、23～30號(hào)為東北粳米。不同屬性的大米在形狀和色澤上有所差異，根據(jù)外部特征采用感官分析法比較容易將其分開。本實(shí)驗(yàn)應(yīng)用近紅外光譜聚類分析法對(duì)預(yù)處理后的光譜數(shù)據(jù)進(jìn)行了聚類分析，不同屬性的樣品組合得到了正確的歸類（圖3）。對(duì)于不同產(chǎn)地同種屬性的粳米，由于色澤、形狀等外部特征差異很小肉眼不易區(qū)分開，采用感官分析法很難將其準(zhǔn)確分類，近紅外光譜聚類分析法能準(zhǔn)確地將樣品組合區(qū)分開（圖4）。

圖3 不同屬性樣品的聚類分析樹狀圖Fig.3 Clustering analysis tree of rice samples with different category

圖4 不同產(chǎn)地樣品的聚類分析樹狀圖Fig.4 Clustering analysis tree of rice samples with different origin

3 結(jié)論

3.1 本文應(yīng)用近紅外光譜技術(shù)結(jié)合偏最小二乘法（PLS）建立了測(cè)定大米中水分、蛋白質(zhì)和直鏈淀粉質(zhì)量分?jǐn)?shù)的定量分析模型，模型經(jīng)過選擇有效的光譜區(qū)域和適合的預(yù)處理方法得到優(yōu)化，應(yīng)用此模型對(duì)檢驗(yàn)采集樣品水分、蛋白質(zhì)和直鏈淀粉的質(zhì)量分?jǐn)?shù)進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果較好?？梢詫?shí)現(xiàn)大米內(nèi)水分、蛋白質(zhì)和直鏈淀粉的快速定量檢測(cè)，從而達(dá)到快速判斷大米食味品質(zhì)優(yōu)劣的目的。

3.2 采用近紅外光譜技術(shù)結(jié)合聚類分析法對(duì)不同屬性和不同產(chǎn)地的大米進(jìn)行了種類鑒別，借助聚類分析方法，提取各種類大米的近紅外光譜特征，可以達(dá)到直觀鑒別分類的目的。由于本文采集的大米樣品數(shù)量和種類有限，無法覆蓋大米種類的多樣性，有待進(jìn)一步收集補(bǔ)充不同屬性及產(chǎn)地的大米樣品，以增加該方法的適用范圍。

[1]龐乾林.稻米知識(shí)縱覽[J].中國稻米，2004（3）：44-45.

[2]遲明梅.大米食用品質(zhì)的研究進(jìn)展[J].糧食加工，2005（1）：48-51．

[3]高楊，范必威.大米品質(zhì)的評(píng)價(jià)及其主要影響因素[J].廣東微量元素科學(xué)，2005，12（12）：12-16．

[4]孫穎.近紅外光譜分析技術(shù)及應(yīng)用進(jìn)展[J].山東化工，2010，39（2）：24-26．

[5]陸婉珍.現(xiàn)代近紅外光譜分析[M].第二版.北京：世界地圖出版社，2007．

[6]嚴(yán)衍祿，趙龍蓮，韓東海.近紅外光譜分析基礎(chǔ)與應(yīng)用[M].北京：中國輕工業(yè)出版社，2005.

[7]Williams P C．Implementation of nearinfrared technology[C]．American Association of Cere Chemist，2001：145-169．

[8]謝新華，肖昕，李曉方.糙米蛋白質(zhì)含量的近紅外透射光譜分析[J].食品工業(yè)科技，2004，25（2）：142-143．

[9]黃艷，王錫昌，鄧德文，等.利用近紅外光譜技術(shù)快速測(cè)定白鰱魚糜中的水分含量[J].食品工業(yè)科技，2008（2）：282-284．

[10]柴玉華，譚客竹.基于近紅外分析技術(shù)檢測(cè)大豆脂肪酸含量的研究[J].農(nóng)業(yè)工程學(xué)報(bào)，2007，23（1）：238-241．

[11]Misra J B，Mathur R S，Bhatt D M.Near-infrared trans mittance spectroscopy：A potential tool for non-destructive determination of oil content in groundnuts[J].Journal of the Since of Food and Agriculture，2000，80（2）：237-240．

[12]Wesley I J，Larroque O．Measurement of gliadin and glutenin content of flour by NIR[J].Spectroscopy.Journal of Cereal Science，2001，34：125-133．

[13]Peter R Shewry．Improving the protein content and composition of cereal grain[J].Journal of Cereal Science，2007，11（3）：239-250．

[14]Carlomagno G，Capozzo L，Attolico G.Non-destructive grading of peaches by near-infrared spectroscopy[J].Infrared Physics and Technology，2004（46）：23-29．

[15]Danial G Fraser，Robert B Jordan，Rainer Ktinnemeyer，et al．Light distribution inside mandarin fruit during intend nudity assessment by NIR spectroscopy[J]．Postharvest and Technology，2003（27）：185-196．

[16]Landau S，Glasser T，Muklada H，et al．Fecal NIRSprediction of dietary protein percentage and in vi tro dry matter digestibility in diets ingested by goats in Mediter ranean scrubland[J].Small Ruminant Research，2005，59（2-3）：251-263．

[17] Stuth J，Jama A，Tolleson D.Direct and indirect means of predicting forage quality through nearinfrared reflectance spectroscopy[J].Field Crops Research，2003，84（1-2）：45-56．

[18]Xiccato G，Trocino A，De Boever J L，et al．Prediction of chemical composition，nutritive value and ingredientcomposition of European compound feeds for rabbits by near infrared reflectance spectroscopy（NIRS）[J].Animal Feed Science and Technology，2003，104（1-4）：153-168．

[19]張楠，程玉來，李東華，等.近紅外透射光譜測(cè)定水晶梨糖度的初步研究[J].食品工業(yè)科技，2007，28（3）：215-216．

[20]劉文生，燕曉輝，李明珠．鴨梨褐變的近紅外反射光譜分析[J]．食品工業(yè)科技，2006，27（10）：178-180．

[21]胡茶根，趙紅霞，邊文亮.近紅外技術(shù)在茶葉快速無損檢測(cè)方面的研究與應(yīng)用[J].食品科學(xué)，2007，28（10）：638-641．

[22]許祿，邵學(xué)廣.化學(xué)計(jì)量學(xué)方法[M].北京：科學(xué)出版社，2004.

[23]朱爾一.化學(xué)計(jì)量學(xué)技術(shù)及應(yīng)用[M].北京：科學(xué)出版社，2001．

Quality analysis and category identification of rice based on the near infrared spectroscopy（NIRS）

LV Hui1，ZHANG Zheng-zhu1，*，WANG Sheng-peng1，QI Li2，LIN Mao-xian2
（1.Institute Key Laboratory of Tea Biochemistry and Biotechnology，Ministry of Education，Anhui Agricultural University，Hefei 230036，China；2.Hefei Meiya Optoelectronic Technology Co.，Ltd.，Hefei 230038，China）

The methods for rice eating quality analysis and category identification of rice were established based on the near infrared spectroscopy（NIRS）.A total number of 102 rice samples from different origins with different category were collected，and the crushed rice samples were applied for near infrared spectra collection.Quantitative analysis models of rice moisture，protein and amylose were developed by partial least square（PLS）.The accuracy of the prediction result was evaluated.Internal cross-validation decided coefficient（R2）of prediction model was 0.992，0.9792 and 0.9736，respectively.Internal cross-validation RMSECV was 0.141，0.201and 0.209，respectively.External validation determination coefficient（R2）of model was 0.9861，0.912 and 0.9373，respectively.External validation RMSEP was 0.179，0.206 and 0.243，respectively.The differences among samples could be tested by calculation of the euclidean distance between near infrared spectra of samples.The differences of category of rice samples were evaluated by cluster analysis.The accurate for the category identification reached to 100%.Results showed that NIRS，a rapid and non-destructive analytical technique，can be used for rice quality and category analysis.

near infrared reflectance spectra（NIRS）；rice；partial least squares algorithm（PLS）；quality analysis；clustering analysis；category identification

TS210.1

A

1002-0306（2012）03-0322-04

大米是世界上一半以上人口的主食。我國稻谷年消耗量在1.90億噸左右，有60%以上的人以大米為主食[1]。由于社會(huì)生活水平的普遍提高，大米的食味品質(zhì)越來越受到人們的關(guān)注。大米的食味品質(zhì)指大米在蒸煮和食用過程中所表現(xiàn)的各種理化及感官特性，如吸水性、溶解性、延伸性、糊化性、膨脹性以及熱飯及冷飯的柔軟性、彈性、色、香、味等[2]。大米中含有水分、蛋白質(zhì)、淀粉、脂肪、礦物質(zhì)和維生素等，這些成分質(zhì)量分?jǐn)?shù)的高低直接影響大米的食味品質(zhì)。由于脂肪、礦物質(zhì)和維生素的質(zhì)量分?jǐn)?shù)較小，所以對(duì)大米食味品質(zhì)的影響較小。影響大米食味品質(zhì)的化學(xué)成分主要有淀粉、蛋白質(zhì)和水分[3]。對(duì)大米品質(zhì)的分析除了考察色澤、形狀和氣味等外部特征的感官分析方法外，主要通過化學(xué)方法，分析大米的水分、蛋白質(zhì)和直鏈淀粉的質(zhì)量分?jǐn)?shù)，進(jìn)而判斷大米食味品質(zhì)的優(yōu)劣，而對(duì)大米品種的鑒別則主要依賴于感官經(jīng)驗(yàn)判斷。由于化學(xué)檢測(cè)方法操作繁瑣、費(fèi)工費(fèi)時(shí)，感官分析方法主觀因素干擾大，因此開發(fā)大米品質(zhì)檢測(cè)和品種鑒別的快速分析方法極為迫切。近紅外光譜（Near Infrared Reflectance Spectroscopy，NIRS）分析技術(shù)采用化學(xué)計(jì)量手段，將近紅外光譜與被測(cè)對(duì)象性質(zhì)直接關(guān)聯(lián)，建立起兩者之間的函數(shù)關(guān)系，反映了含氫基團(tuán)分子振動(dòng)的特征信息[4]。具有操作簡(jiǎn)便、測(cè)定速度快、多組分同時(shí)測(cè)定、成本低、綠色環(huán)保和樣品制備簡(jiǎn)單等優(yōu)點(diǎn)[5-7]。在農(nóng)業(yè)[8-15]、飼料[16-18]、食品[19-20]、和茶葉[21]等行業(yè)得到廣泛的重視和應(yīng)用。本文應(yīng)用近紅外光譜（NIRS）技術(shù)，建立了大米的近紅外光譜定量模型，快速檢測(cè)大米內(nèi)水分、蛋白質(zhì)和直鏈淀粉的質(zhì)量分?jǐn)?shù)，達(dá)到快速分析大米食味品質(zhì)的目的，同時(shí)通過對(duì)樣品的近紅外光譜聚類分析實(shí)現(xiàn)樣品種類的快速鑒別。

2011-02-24 *通訊聯(lián)系人

呂慧（1983-），女，碩士研究生，研究方向：食品科學(xué)。

安徽省優(yōu)秀青年基金（08040106804）。