基于高光譜的雞蛋新鮮度檢測(cè)

王巧華， 周 凱， 吳蘭蘭， 王彩云

1. 華中農(nóng)業(yè)大學(xué)工學(xué)院， 湖北 武漢 430070

2. 國(guó)家蛋品加工技術(shù)研發(fā)分中心， 華中農(nóng)業(yè)大學(xué)， 湖北 武漢 430070

基于高光譜的雞蛋新鮮度檢測(cè)

王巧華1, 2， 周 凱1， 吳蘭蘭1， 王彩云1

1. 華中農(nóng)業(yè)大學(xué)工學(xué)院， 湖北 武漢 430070

2. 國(guó)家蛋品加工技術(shù)研發(fā)分中心， 華中農(nóng)業(yè)大學(xué)， 湖北 武漢 430070

借助高光譜成像儀采集貯期白殼雞蛋的透射高光譜數(shù)據(jù)， 對(duì)比測(cè)量常規(guī)表征新鮮度的哈夫單位值， 用Matrix Laboratory (MATLAB)和Statistical Analysis System (SAS)等軟件， 同時(shí)結(jié)合化學(xué)計(jì)量法對(duì)樣品雞蛋的高光譜數(shù)據(jù)進(jìn)行分析處理， 建立了基于高光譜技術(shù)的雞蛋新鮮度預(yù)測(cè)模型。 選用高光譜500～1 000 nm的波段作為敏感波段進(jìn)行研究， 用馬氏距離剔除雞蛋異常樣本數(shù)據(jù)， 并對(duì)雞蛋高光譜數(shù)據(jù)進(jìn)行了微分校正， 通過比較發(fā)現(xiàn)高光譜二階微分與雞蛋哈夫單位值之間的線性度高， 因此選用高光譜二階微分?jǐn)?shù)據(jù)來進(jìn)一步研究， 并對(duì)其進(jìn)行了小波去噪、 光滑處理及標(biāo)準(zhǔn)化處理。 選用近年新提出來的competitive adaptive reweighted sampling (CARS)變量選取法對(duì)高光譜進(jìn)行降維， 提取出32個(gè)特征參數(shù)， 建立了白殼蛋基于全波段的偏最小二乘法(partial least square, PLS)預(yù)測(cè)模型和基于特征參數(shù)的多元回歸模型， 驗(yàn)證集的相關(guān)系數(shù)分別為0.88， 0.93， 均方誤差分別為7.565， 6.44。 用驗(yàn)證集的蛋對(duì)基于高光譜二階微分全波段的偏最小二乘法預(yù)測(cè)模型、 基于特征參數(shù)的多元回歸模型分別進(jìn)行驗(yàn)證， 兩個(gè)模型判別白殼蛋新鮮和不新鮮的最高準(zhǔn)確率達(dá)100%， 88%。

雞蛋； 新鮮度； 高光譜； 偏最小二乘法； 競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法

引 言

一直以來， 涉及貯藏雞蛋品質(zhì)的評(píng)價(jià)、 預(yù)測(cè)及其與貯藏條件關(guān)系的研究一直是食品加工和保鮮領(lǐng)域關(guān)注熱點(diǎn)問題之一。 生化方法存在檢測(cè)周期長(zhǎng)、 程序復(fù)雜等弊端， 且是破壞性檢測(cè)， 不能滿足現(xiàn)代檢測(cè)要求。 常見的雞蛋內(nèi)部品質(zhì)無(wú)損檢測(cè)有機(jī)器視覺法[1-2]、 近紅外檢測(cè)法[3]和高光譜檢測(cè)法[4-5]。 Mahmoud等[6]利用機(jī)器視覺系統(tǒng)采集雞蛋圖像信息， 用人工神經(jīng)網(wǎng)絡(luò)分別建立了哈夫單位、 蛋黃指數(shù)、 蛋黃蛋白重量比和蛋黃重的預(yù)測(cè)模型； 侯卓成等用近紅外光譜儀采集雞蛋光譜， 分別確定了雞蛋蛋白高度、 氣室直徑和高度的預(yù)測(cè)模型。

采用機(jī)器視覺技術(shù)可以鑒別雞蛋新鮮度， 但存在以下問題： 殼色、 厚度及光源亮度均對(duì)檢測(cè)有影響， 而在建模時(shí)需要提取非常完整的圖像特征參數(shù)， 故對(duì)圖像采集的硬件及處理軟件要求較高； 利用近紅外光譜技術(shù)也可以檢測(cè)雞蛋新鮮度， 但存在數(shù)據(jù)分析工作量非常大， 且極易受到外部環(huán)境的影響， 在線動(dòng)態(tài)檢測(cè)時(shí)可以將這些影響放大， 要保證其具有比較穩(wěn)定的測(cè)量范圍非常困難， 因此應(yīng)用于智能化檢測(cè)還存在一定的難度。

由于高光譜成像技術(shù)是一種多信息融合技術(shù)， 采集到的數(shù)據(jù)信息中， 既含圖像信息又含光譜信息， 有學(xué)者也已經(jīng)將高光譜成像技術(shù)用于研究雞蛋品質(zhì)， 但基本都集中于孵化蛋和血斑蛋， Wei等[7]采集了種蛋前5天的高光譜數(shù)據(jù)， 提取圖像的形態(tài)學(xué)特征參數(shù)， 并選取822 nm處的變量作為光譜的特征參數(shù)， 分別用圖像形態(tài)特征參數(shù)和光譜特征參數(shù)建立種蛋孵化情況模型， 比較發(fā)現(xiàn)， 基于形態(tài)學(xué)的模型識(shí)別準(zhǔn)確率較高。 目前還沒有用高光譜檢測(cè)普通雞蛋新鮮度的研究報(bào)道， 本研究提出了基于高光譜的光學(xué)技術(shù)來檢測(cè)雞蛋新鮮度。

1 實(shí)驗(yàn)部分

1.1 材料

試驗(yàn)樣本為165枚1日齡的白殼羅曼蛋， 購(gòu)買于湖北武漢九峰雞場(chǎng)。 所有雞蛋置于24 ℃的生化培養(yǎng)箱中貯藏。

1.2 儀器

樣品雞蛋的高光譜數(shù)據(jù)采集是由高光譜成像系統(tǒng)(Hypersis-VNIR-CL， 卓立漢光， 美國(guó))完成， 系統(tǒng)由高光譜成像儀、 計(jì)算機(jī)、 透射光源箱和高光譜采集軟件(SpectraSENS) 等組成。 其中高光譜成像儀由光源、 開關(guān)、 Charge Coupled Device (CCD)相機(jī)和絲杠式移動(dòng)平臺(tái)等部分組成。 設(shè)置光譜波長(zhǎng)范圍為300～1 100 nm， 相機(jī)曝光時(shí)間設(shè)為0.1秒， 絲杠移動(dòng)平臺(tái)移動(dòng)速度設(shè)置為1.7 mm·s-1， 移動(dòng)距離設(shè)置為75 mm。

試驗(yàn)中對(duì)比測(cè)量雞蛋重量用電子天平(JA2002， 上海浦春計(jì)量?jī)x器有限公司， 上海)， 蛋白高度由游標(biāo)卡尺來測(cè)量。

1.3 光譜相機(jī)校正

由于CCD中光電轉(zhuǎn)換芯片的材料和物理特性以及傳感器內(nèi)部雜質(zhì)因熱激發(fā)產(chǎn)生而影響圖片質(zhì)量的電子， 對(duì)圖片來說這種電子屬于噪聲， 又稱暗電流。 暗電流會(huì)影響高光譜圖片質(zhì)量， 因此在采集前需要用白板消除相機(jī)暗電流的影響。 消除暗電流的相機(jī)黑白校正公式為[8]

(1)

式(1)中，R為校正后光譜圖像文件；R0為原始光譜圖像文件；Rd為黑圖像文件；Rw為白圖像文件。

1.4 試驗(yàn)步驟

(1)貯存0， 3， 6， 9， 12， 15， 18， 21， 24和27 d時(shí)， 隨機(jī)挑出15枚蛋， 進(jìn)行測(cè)量。

(2)每次將雞蛋大頭朝上豎直置于高光譜儀上面的透射光源箱孔口， 保證透射光源箱沒有漏光， 絲桿式移動(dòng)平臺(tái)至合適位置， 通過相機(jī)采集雞蛋的透射高光譜數(shù)據(jù)。

(3)采集光譜數(shù)據(jù)后， 用電子天平測(cè)雞蛋樣品的蛋重， 再用游標(biāo)卡尺測(cè)量蛋白高度。

(4)記錄所有數(shù)據(jù)， 根據(jù)雞蛋蛋重和蛋白高度來計(jì)算雞蛋哈夫單位值。

圖1為3種不同新鮮等級(jí)雞蛋的原始光譜曲線圖。

圖1 不同等級(jí)雞蛋原始高光譜曲線

2 結(jié)果與討論

2.1 光譜數(shù)據(jù)預(yù)處理

從圖1看出原始光譜曲線的高光譜數(shù)據(jù)， 比較雜亂， 且含的信息量不足， 不能直接發(fā)現(xiàn)規(guī)律， 光譜曲線也有明顯的噪聲信號(hào)存在， 這些噪聲信號(hào)將會(huì)對(duì)后續(xù)的提取特征參數(shù)和建立模型等過程造成干擾， 直接影響模型預(yù)測(cè)的準(zhǔn)確性， 因此在提取特征參數(shù)之前需要對(duì)原始高光譜數(shù)據(jù)進(jìn)行預(yù)處理。 本文中， 高光譜數(shù)據(jù)的預(yù)處理在MATLAB中完成， 對(duì)光譜的預(yù)處理包括馬氏距離剔除異常樣本， 微分校正， 小波去噪， 光滑處理及標(biāo)準(zhǔn)化處理等。

2.1.1 馬氏距離剔除異常樣本

由于高光譜成像儀精度限制和噪聲等因素的存在， 獲取的雞蛋高光譜數(shù)據(jù)中不可避免的存在一小部分的異常數(shù)據(jù)[9]。 如果不消除異常值， 會(huì)影響數(shù)據(jù)處理效果， 故消除異常值對(duì)后面處理結(jié)果的質(zhì)量和精度非常重要。 本文對(duì)樣品雞蛋高光譜數(shù)據(jù)異常樣本數(shù)據(jù)剔除采用了馬氏距離判別法。

圖2 馬氏距離

雞蛋樣本集中各樣本和平均樣本的馬氏距離散點(diǎn)圖如圖2所示。 由圖可知， 由于165個(gè)樣本的馬氏距離基本都在0.8以內(nèi)， 故本研究中將雞蛋高光譜數(shù)據(jù)的馬氏距離閥值設(shè)為0.8， 則馬氏距離大于0.8的雞蛋樣本即被判為異常樣本， 從圖2可以看出有8個(gè)雞蛋樣本異常(其編號(hào)分別為： 14， 42， 54， 67， 80， 119， 134和162)。

2.1.2 微分處理

微分處理可以消除光譜基線中的平移和散射， 并有效的消除背景干擾， 還可以通過對(duì)重疊的波峰進(jìn)行分辨， 提高其分辨率及靈敏度[10]。

在對(duì)樣品雞蛋高光譜數(shù)據(jù)進(jìn)行其他預(yù)處理之前， 首先用不同微分的雞蛋高光譜數(shù)據(jù)對(duì)其新鮮度進(jìn)行分析， 選擇最適合本研究的微分階數(shù)。 本研究分別用不進(jìn)行微分處理的高光譜數(shù)據(jù)、 一階微分?jǐn)?shù)據(jù)和二階微分?jǐn)?shù)據(jù)， 采用偏最小二乘法分別建立不同微分的雞蛋新鮮度的分析模型(如圖3所示)。

圖3中， (a)為未對(duì)雞蛋高光譜數(shù)據(jù)進(jìn)行微分的新鮮度分析模型， (b)為高光譜數(shù)據(jù)一階微分的新鮮度分析模型， (c)為高光譜數(shù)據(jù)二階微分的新鮮度分析模型。 對(duì)比發(fā)現(xiàn)雞蛋高光譜二階微分的新鮮度分析模型的相關(guān)系數(shù)比其他兩個(gè)模型都大， 其誤差均方根比另兩者小， 說明二階微分效果最好， 故本研究將對(duì)雞蛋高光譜二階微分?jǐn)?shù)據(jù)做進(jìn)一步處理(以下出現(xiàn)的高光譜數(shù)據(jù)均指高光譜二階微分?jǐn)?shù)據(jù))。

2.1.3 小波去噪與光滑處理

對(duì)二階微分后的高光譜數(shù)據(jù)進(jìn)行小波去噪， 再進(jìn)行光滑處理， 光滑處理分為： 移動(dòng)平均法、 Savitzky-Golay法和廂車平均法等。

由于光滑處理中窗口寬度與光譜分辨率成反比， 窗口寬度選擇不當(dāng)， 不僅使光滑濾波效果不明顯， 還有可能引起光譜數(shù)據(jù)失真。 經(jīng)過反復(fù)試驗(yàn)， 采用窗口寬度為9的移動(dòng)平均法對(duì)小波去噪后的高光譜二階微分?jǐn)?shù)據(jù)進(jìn)行光滑處理， 光滑效果見圖4。 最后對(duì)光滑后的光譜數(shù)據(jù)進(jìn)行了標(biāo)準(zhǔn)化處理。

圖3 基于高光譜不同微分的雞蛋新鮮度分析模型

圖4 光滑處理前后的高光譜曲線

2.2 CARS變量選取法提取特征參數(shù)

2.2.1 競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法

競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法(即CARS變量選取法)是近年剛提出來的一種變量選取方法， 是在達(dá)爾文進(jìn)化理論“適者生存”原理的基礎(chǔ)上建立起來的， 選擇偏最小二乘回歸模型中回歸系數(shù)較大波段的變量值(即光譜值)， 淘汰掉相關(guān)系數(shù)較小波段的變量值， 以此選擇出一組特征波段， 用其組合來代表整個(gè)波段內(nèi)的光譜信息， 達(dá)到數(shù)據(jù)降維的目的[11]。 CARS變量選取法的主要步驟為：

(1)采用蒙特卡羅采樣法(Monte Carlo sampling， MCS)對(duì)樣本進(jìn)行抽樣， 一般選用樣品總數(shù)的80%作為校正集， 然后建立樣本的PLS模型。

(2)假設(shè)試驗(yàn)測(cè)得樣本的高光譜矩陣為Xm×n， 其中m為樣本數(shù)，n為變量數(shù)(此處為波段數(shù))；ym×1為實(shí)際測(cè)量的新鮮度(Hu)矩陣， 則建立的PLS模型如式(2)所示

y=Xb+e

(2)

式(2)中，b為高光譜矩陣X中變量對(duì)應(yīng)的n維系數(shù)向量， 且有b=Pc=Lc=[b1,b2,b3, …,bn]T(L表示X矩陣中各波段在PLS模型中的得分矩陣)，e表示模型預(yù)測(cè)集的殘差，bi表示第i個(gè)高光譜波段的光譜值對(duì)模型的貢獻(xiàn)， 其絕對(duì)值越大， 表示對(duì)模型的作用越大。

(3)研究中CARS變量選取的采樣次數(shù)P次， 用|bi|值較小的個(gè)光譜波段去除以指數(shù)衰減函數(shù)， 那么i次采樣后的指數(shù)衰減函數(shù)為式(3)

(3)

其中，a和k均為常數(shù)， 可以通過第一次和第P次參與建模的變量個(gè)數(shù)計(jì)算， 第一次參與建模的變量為n個(gè)， 第P次參與建模的變量為2個(gè)， 故a，k的計(jì)算公式分別為式(4)和式(5)

(4)

(5)

(4)對(duì)變量再進(jìn)行自適應(yīng)重加權(quán)(adaptive reweighted sampling， ARS)采樣， 主要利用進(jìn)化論“適者生存”的原則， 也是CARS變量選取法的核心， 通過計(jì)算各光譜在每個(gè)波段處的權(quán)重進(jìn)一步對(duì)變量進(jìn)行篩選， 權(quán)重計(jì)算公式為式(6)

(6)

(5)對(duì)比每次新篩選變量產(chǎn)生新的子集的交叉驗(yàn)證均方差(root-mean-squares error of cross-validation， RMSECV)， 其中RMSECV值最小的變量組成的子集就是最佳的變量子集。

2.2.2 CARS變量選取法提取特征參數(shù)

圖5為CARS變量選取法選取樣品雞蛋高光譜二階微分?jǐn)?shù)據(jù)特征變量選取的過程， 其中圖5(a)為篩選過程中變量的變化過程， 圖5(b)表示交叉驗(yàn)證均方差的變化過程， 圖5(c)為CARS變量選取過程。 選出32個(gè)樣品雞蛋高光譜二階微分?jǐn)?shù)據(jù)的特征波長(zhǎng)， 具體的波段詳見表1所示。

圖5 CARS法選取波長(zhǎng)變量過程

2.3 雞蛋新鮮度預(yù)測(cè)模型

對(duì)165個(gè)白殼蛋樣本的校正集和驗(yàn)證集劃分， 按照常用的2∶1隨機(jī)分配原則， 分別建立樣品雞蛋高光譜全波段二階微分的PLS新鮮度預(yù)測(cè)模型和基于CARS變量選取法得到的特征參數(shù)的PLS新鮮度預(yù)測(cè)模型。

表1 CARS法選取的特征波長(zhǎng)

圖6(a)為全波段預(yù)測(cè)集的PLS模型驗(yàn)證圖， 圖6(b)為特征參數(shù)多元回歸模型的PLS預(yù)測(cè)效果圖。 全波段的PLS預(yù)測(cè)模型驗(yàn)證集的相關(guān)系數(shù)為0.88， 其均方誤差為7.565； 特征參數(shù)模型的多元回歸模型驗(yàn)證集的相關(guān)系數(shù)為0.93， 均方誤差為6.44。

圖6 模型的驗(yàn)證圖

國(guó)內(nèi)的行業(yè)標(biāo)準(zhǔn)(SBT 10638—2011)對(duì)雞蛋新鮮度界定如表2所示。

表2 鮮雞蛋品質(zhì)分級(jí)要求

表3與表4分別是模型的驗(yàn)證結(jié)果及新鮮度判別結(jié)果。

從表3可以看出兩種模型對(duì)白殼蛋AA等級(jí)蛋新鮮度的

表3 模型的驗(yàn)證結(jié)果

表4 模型的新鮮度判別結(jié)果

判別準(zhǔn)確率最高達(dá)90%， A等級(jí)的判別準(zhǔn)確率最高達(dá)79%， 對(duì)B等級(jí)判別的準(zhǔn)確率最高達(dá)88%； 從對(duì)每個(gè)新鮮度等級(jí)判別的準(zhǔn)確率來看， 特征參數(shù)的多元回歸法對(duì)AA等級(jí)和A等級(jí)白殼蛋的判別準(zhǔn)確率最高， 高光譜二階微分全波段的PLS模型對(duì)B等級(jí)白殼蛋的判別準(zhǔn)確率最高。

由表4可以看出來， 兩個(gè)模型中對(duì)新鮮白殼蛋的判別準(zhǔn)確率最高可達(dá)到100%， 對(duì)不新鮮白殼蛋的判別準(zhǔn)確率最高可達(dá)88%。

3 結(jié) 論

以白殼蛋為研究對(duì)象， 利用高光譜成像技術(shù)采集樣品蛋的高光譜數(shù)據(jù)， 通過分析高光譜數(shù)據(jù)研究其內(nèi)部品質(zhì)(新鮮度)， 建立了雞蛋新鮮度兩種預(yù)測(cè)模型。

(1)用馬氏距離剔除異常雞蛋樣本， 發(fā)現(xiàn)高光譜二階微分?jǐn)?shù)據(jù)的預(yù)測(cè)效果最好。

(2)基于高光譜二階微分全波段PLS模型驗(yàn)證集的相關(guān)系數(shù)為0.88， 均方誤差分別為7.565； 基于特征參數(shù)多元回歸模型驗(yàn)證集的相關(guān)系數(shù)為0.93， 均方誤差為6.44。

(3)比較兩種預(yù)測(cè)模型的雞蛋不同新鮮度等級(jí)的判別率， 其中AA等級(jí)和B等級(jí)的判別比較準(zhǔn)確， A等級(jí)判別準(zhǔn)確率較低。 對(duì)AA等級(jí)判斷的最高準(zhǔn)確為90%， 對(duì)A等級(jí)判別的準(zhǔn)確率為79%， 對(duì)B等級(jí)判別的準(zhǔn)確率為88%。

(4)從判別雞蛋是否新鮮方面來看， 兩個(gè)模型的判別效果都比較好， 判別白殼蛋新鮮和不新鮮的最高準(zhǔn)確率分別達(dá)100%， 88%。

[1] WANG Qiao-hua， WEN You-xian， LIN Xue-dong， et al(王巧華， 文友先， 林雪冬， 等). Transactions of the Chinese Society of Agricultural Engineering(農(nóng)業(yè)工程學(xué)報(bào))， 2008， 3： 179.

[2] Sun L， Yuan L M， Cai J R， et al. Food Analytical Methods， 2015， 8(4)： 922.

[3] Nicolas A N， Michael N， Shiv P， et al. Food and Bioprocess Technology， 2011， 4(5)： 731.

[4] ZHANG Wei， PAN Lei-qing， TU Kang(張 偉， 潘磊慶， 屠 康). Transactions of the Chinese Society of Agricultural Engineering(農(nóng)業(yè)工程學(xué)報(bào))， 2012， 28(21)： 149.

[5] Smith D P， Lawrence K C， Heitschmidt G W. International Journal of Poultry Science， 2008， 7(10)： 1001.

[6] Mahmoud Sotani， Mahmoud Omid， Reza Alimardani. Food Analytical Methods， 2015， 8(3)： 710.

[7] Wei Z， Leiqing P， Kang T， et al. Plos One， 2014， 9(2)： 1.

[8] ZHOU Zhu， LI Xiao-yu， GAO Hai-long， et al(周 竹， 李小昱， 高海龍， 等). Transactions of the Chinese Society of Agricultural Machinery(農(nóng)業(yè)機(jī)械學(xué)報(bào))， 2012， 2： 128.

[9] MA Shuai-qi， BAO Cun-hui(馬帥旗， 鮑存會(huì)). Electronics Optics & Control(電光與控制)， 2014， 6： 72.

[10] CHU Xiao-li， YUAN Hong-fu， LU Wan-zhen(褚小立， 袁洪福， 陸婉珍). Progress in Chemistry(化學(xué)進(jìn)展)， 2004， 4： 528.

[11] LI Jiang-bo， PENG Yan-kun， CHEN Li-ping， et al(李江波， 彭彥昆， 陳立平， 等). Spectroscopy and Spectral Analysis(光譜學(xué)與光譜分析)， 2014， 34(5)： 1264.

Egg Freshness Detection Based on Hyper-Spectra

WANG Qiao-hua1, 2, ZHOU Kai1, WU Lan-lan1, WANG Cai-yun1

1. College of Engineering, Huazhong Agricultural University, Wuhan 430070, China

2. National Research and Development Center for Egg Processing, Huazhong Agricultural University, Wuhan 430070, China

This research collected the transmission hyper-spectral data of eggs with hyper-spectral imager. Haugh unit value was used as freshness norm. With the help of MATLAB and SAS software combined with stechiometry method, the hyper-spectral data of sample eggs was analyzed and processed. The prediction model of egg freshness was established based on hyper-spectral technology. The research chose the band range from 500 to 1 000 nm as sensitive band. The hyper-spectral data of abnormal samples were removed by using mahalanobis distance. Differential correction was done on hyper-spectral data. After the comparison, there was a high linearity between the second-order differential data of hyper-spectra and haugh unit value. Therefore, this paper conducted a further research on the second-order differential data of hyper-spectra. And it was treated with wavelet denoising, smoothing and standardizing. This paper chose the newly proposed CARS variable selection method to do dimensionality reduction on hyper-spectral data. And thirty-two characteristic parameters were extracted. They were used to establish partial least square prediction model based on all band and multiple regression model based on characteristic parameters on white shell eggs. The correlation coefficients of white shell eggs were 0.88 and 0.93 respectively, and the corresponding mean square errors being 7.565 and 6.44. Inspections were conducted on PLS prediction model based on all band hyper-spectral second-order differential and multiple regression model based on characteristic parameters by using eggs of validation set. The accuracy rates of these two models to discriminate white shell eggs’ freshness and non-freshness were 100% and 88% respectively.

Egg; Freshness; Hyper-spectra; Partial least square; CARS

Jun. 1, 2015; accepted Oct. 24, 2015)

2015-06-01，

2015-10-24

國(guó)家自然科學(xué)基金項(xiàng)目(31371771)， 公益性行業(yè)(農(nóng)業(yè))科研專項(xiàng)(201303084)， 國(guó)家科技支撐計(jì)劃項(xiàng)目(2015BAD19B05)資助

王巧華， 女， 1970年生， 華中農(nóng)業(yè)大學(xué)工學(xué)院教授 e-mail： wqh@mail.hzau.edu.cn

O657.3

A

10.3964/j.issn.1000-0593(2016)08-2596-05