QCM氣敏傳感器陣列的制備及其對(duì)雞蛋貨架期的檢測(cè)

鄧凡霏，王 俊，陳 薇，韋真博

?

QCM氣敏傳感器陣列的制備及其對(duì)雞蛋貨架期的檢測(cè)

鄧凡霏，王 俊※，陳 薇，韋真博

（浙江大學(xué)生物系統(tǒng)工程與食品科學(xué)學(xué)院，杭州 310058）

為實(shí)現(xiàn)雞蛋貨架期的無(wú)損檢測(cè)，該文提出了基于石英晶體微天平（quartz crystal microbalance，QCM）傳感器陣列的檢測(cè)方法。采用浸涂法制備了4個(gè)QCM氣敏傳感器，分別修飾有碳納米管、石墨烯、氧化銅以及聚苯胺敏感材料薄膜；優(yōu)化傳感器的敏感材料層數(shù)后，分別選擇4層碳納米管、4層石墨烯、5層氧化銅和5層聚苯胺修飾的傳感器構(gòu)成QCM傳感器陣列，其靈敏度分別為2.05、1.37、2.31與1.70 Hz/(mg/kg)，長(zhǎng)期穩(wěn)定性均高于85%，4個(gè)傳感器表現(xiàn)出良好的重復(fù)性、回復(fù)性以及動(dòng)態(tài)響應(yīng)特性。進(jìn)一步將所制備的QCM傳感器組成陣列應(yīng)用于雞蛋貨架期的檢測(cè)中，采用主成分分析法（principal component analysis，PCA）、線性判別分析法（linear discriminant analysis，LDA）對(duì)不同貨架期的雞蛋樣品進(jìn)行區(qū)分，LDA法能夠有效區(qū)分不同貨架期的雞蛋樣品，區(qū)分效果優(yōu)于PCA；采用偏最小二乘回歸法（partial least squares regression，PLSR）建立雞蛋貨架期的回歸模型，能夠很好預(yù)測(cè)雞蛋樣品的貨架期（2=0.954 7，RMSE=1.666 1 d）。結(jié)果表明，所制備的QCM傳感器陣列能夠?qū)崿F(xiàn)不同貨架期雞蛋的區(qū)分和預(yù)測(cè)，研究結(jié)果為雞蛋貨架期的無(wú)損檢測(cè)提供參考。

傳感器；無(wú)損檢測(cè)；模型；石英晶體微天平；氣敏傳感器陣列；雞蛋貨架期

0 引 言

中國(guó)是世界上蛋類生產(chǎn)總量最多的國(guó)家，2014年中國(guó)禽蛋產(chǎn)量為2 893.89萬(wàn)t，約占世界總產(chǎn)量的40%。雞蛋含有均衡的蛋白質(zhì)、脂類、糖類、礦物質(zhì)和維生素，已成為人們生活中必不可少的營(yíng)養(yǎng)食品之一。然而，新鮮雞蛋在儲(chǔ)藏過(guò)程中容易受到溫度和濕度等環(huán)境因素的影響而發(fā)生品質(zhì)劣變[1]，從而大大降低其營(yíng)養(yǎng)價(jià)值和經(jīng)濟(jì)價(jià)值。目前，雞蛋品質(zhì)檢測(cè)主要依靠人工檢查，其勞動(dòng)強(qiáng)度大、檢測(cè)效率低，人工檢測(cè)的主觀性易造成雞蛋品質(zhì)不穩(wěn)定等問題。通過(guò)測(cè)定蛋的密度、氣室高度、蛋黃指數(shù)、蛋白指數(shù)和哈夫單位[2-3]等品質(zhì)指標(biāo)來(lái)判斷蛋品新鮮度的方法所得結(jié)果較為準(zhǔn)確可靠，但其效率低且具有破壞性。儀器檢測(cè)方法如氣相質(zhì)譜色譜聯(lián)用法[4]可以精確測(cè)定蛋液的成分及含量，但其儀器昂貴、操作耗時(shí)、步驟繁瑣。無(wú)損檢測(cè)方法如機(jī)器視覺[5-6]、近紅外可見光譜[7-9]、雞蛋聲學(xué)特性[10-11]等具有較高的檢測(cè)效率，但其檢測(cè)結(jié)果易受環(huán)境因素和雞蛋外殼影響，具有一定的局限性[1]。

雞蛋在腐敗變質(zhì)過(guò)程中，其蛋白質(zhì)、脂類、糖類等被微生物分解時(shí)伴隨著揮發(fā)性氣體如氨氣、硫化氫、乙醇、甲烷等產(chǎn)生[12]，其成分及含量會(huì)隨著儲(chǔ)藏時(shí)間的增加而發(fā)生變化。揮發(fā)性氣體可透過(guò)蛋殼膜和蛋殼表面的氣孔結(jié)構(gòu)逸出蛋殼。由此，可以采用氣敏傳感器陣列檢測(cè)整個(gè)雞蛋的揮發(fā)物，根據(jù)揮發(fā)物成分及含量的變化來(lái)評(píng)價(jià)雞蛋內(nèi)部品質(zhì)的變化，具有準(zhǔn)確、高效、便捷的優(yōu)點(diǎn)[13]。

常見的氣敏傳感器如金屬氧化物半導(dǎo)體傳感器已被廣泛應(yīng)用于食品檢測(cè)領(lǐng)域[14-16]，也有采用電子鼻評(píng)價(jià)雞蛋新鮮度的相關(guān)報(bào)道[17]。但由于金屬氧化物傳感器工作溫度較高（300～400 ℃）、能耗較大，不適用于快速的現(xiàn)場(chǎng)檢測(cè)。近年來(lái)，石英晶體微天平（quartz crystal microbalance，QCM）氣敏傳感器受到了越來(lái)越多的關(guān)注，相比于金屬氧化物半導(dǎo)體傳感器，它可在室溫下工作，具有靈敏度高、工作溫度低、易制備、操作便捷等優(yōu)點(diǎn)[18]。QCM傳感器的工作原理基于Sauerbrey方程，即石英晶體諧振頻率的變化量與電極表面的質(zhì)量增加量呈線性關(guān)系。因此，在電極表面修飾敏感性材料，當(dāng)被測(cè)氣體分子被敏感材料吸附時(shí)，通過(guò)檢測(cè)石英晶體諧振頻率的變化即可獲知被測(cè)氣體的信息。目前，QCM傳感器已被廣泛應(yīng)用于單一氣體檢測(cè)[19]，如揮發(fā)性有機(jī)化合物[20-22]、有毒有害氣體[23-26]和濕度檢測(cè)[27-28]等。除此之外，QCM傳感器在復(fù)雜氣體檢測(cè)及食品品質(zhì)評(píng)價(jià)方面的應(yīng)用較少，更沒有采用QCM傳感器陣列檢測(cè)雞蛋貨架期的相關(guān)研究報(bào)道。

本研究制備了4個(gè)基于不同類型敏感材料的QCM傳感器，在測(cè)試并保證傳感器氣敏特性可靠的基礎(chǔ)上構(gòu)成具有交叉響應(yīng)特性的QCM傳感器陣列，將其應(yīng)用于對(duì)不同貨架期雞蛋的檢測(cè)。然后采用主成分分析法（principal component analysis，PCA）、線性判別分析法（linear discriminant analysis，LDA）對(duì)不同貨架期的雞蛋樣品進(jìn)行區(qū)分，采用偏最小二乘回歸法（partial least squares regression，PLSR）建立雞蛋貨架期的回歸模型，以實(shí)現(xiàn)雞蛋貨架期的預(yù)測(cè)。

1 材料與方法

1.1 傳感器的制備方法

1.1.1 試驗(yàn)材料

石英晶體微天平購(gòu)買自上海阿美特克有限公司，石英晶片為AT切型，兩面鍍有一對(duì)金電極，基頻為8.98 MHz±30 kHz，電極直徑為5 mm。

1.1.2 QCM傳感器修飾方法

據(jù)文獻(xiàn)報(bào)道，不同種類的氣敏材料對(duì)不同種類的氣體的吸附特性不同，金屬氧化物半導(dǎo)體氣敏材料對(duì)醛類、醇類和酮類具有較高的靈敏度[14]；導(dǎo)電高分子材料對(duì)于氨氣、三甲胺等氣體有良好的氣敏特性[18]；碳材料由于其絕佳的導(dǎo)電性和孔洞結(jié)構(gòu)對(duì)氣體分子有較強(qiáng)的吸附力。為了提高傳感器陣列對(duì)不同種類氣體的識(shí)別度與靈敏度，分別采用4種不同種類的敏感材料（氧化銅、聚苯胺、石墨烯、碳納米管）修飾QCM傳感器。

首先，將石英晶體微天平傳感器浸入食人鯧溶液(體積比為1:3的30% H2O2與98% H2SO4的混合溶液)以活化電極，2 min后取出，用去離子水反復(fù)沖洗干凈并用氮?dú)獯蹈?。然后，將傳感器交替浸入質(zhì)量分?jǐn)?shù)均為2%的鄰苯二甲酸二乙二醇二丙烯酸酯水溶液與聚苯乙烯磺酸鈉水溶液中各3次，每次浸入后用去離子水沖洗并在氮?dú)庵懈稍?。最后，?個(gè)傳感器分別浸入質(zhì)量濃度均為0.01 g/L的氧化銅、聚苯胺、石墨烯、碳納米管的二甲基甲酰胺溶液中，3 min后取出，放入真空干燥箱，溫度設(shè)置為50 ℃，干燥12 h后即可得到單層敏感材料修飾的傳感器。重復(fù)將干燥后的傳感器再次浸入敏感材料溶液中，3 min后取出并干燥，即可獲得多層敏感材料修飾的QCM傳感器。

1.2 試驗(yàn)裝置、儀器與步驟

1.2.1 試驗(yàn)裝置與儀器

試驗(yàn)裝置如圖1所示。4個(gè)QCM傳感器及其振蕩電路放置于方形特氟龍氣室中，氣室體積為500 mL。氣室兩側(cè)各開有一個(gè)小孔，為清洗氣體氮?dú)獾倪M(jìn)口和出口，進(jìn)出口處分別有電磁閥控制氣路通斷。氣室頂部有兩個(gè)孔，一個(gè)為進(jìn)樣孔，用來(lái)固定微量進(jìn)樣器，另一個(gè)孔連接有球膽，以在進(jìn)樣時(shí)保持氣室內(nèi)的壓強(qiáng)不變。振蕩電路的輸出信號(hào)連接至頻率計(jì)的輸入端，頻率計(jì)將采集到的頻率信息發(fā)送到上位機(jī)，由上位機(jī)對(duì)傳感器的動(dòng)態(tài)響應(yīng)進(jìn)行實(shí)時(shí)監(jiān)測(cè)與記錄。

圖1 QCM傳感器陣列氣體檢測(cè)裝置

試驗(yàn)所用QCM傳感器頻率檢測(cè)系統(tǒng)為浙江大學(xué)農(nóng)業(yè)裝備與智能檢測(cè)團(tuán)隊(duì)自行開發(fā)的系統(tǒng)，由QCM傳感器陣列、晶體振蕩電路、頻率計(jì)以及基于虛擬儀器LabVIEW的上位機(jī)控制軟件組成。晶體振蕩電路保證4個(gè)QCM傳感器穩(wěn)定振蕩在晶體的串聯(lián)諧振頻率。頻率計(jì)由FPGA與單片機(jī)組成，同時(shí)對(duì)四通道頻率信號(hào)進(jìn)行采集與運(yùn)算，從而實(shí)現(xiàn)對(duì)QCM傳感器陣列諧振頻率的實(shí)時(shí)監(jiān)測(cè)。頻率計(jì)的測(cè)量范圍為1～100 MHz，分辨率為0.1 Hz，頻率計(jì)通過(guò)RS-232串口將獲得的頻率數(shù)據(jù)發(fā)送到上位機(jī)。上位機(jī)采用LabVIEW軟件縮寫，可實(shí)現(xiàn)氣路控制、傳感器響應(yīng)曲線的顯示、數(shù)據(jù)存儲(chǔ)、數(shù)據(jù)分析等功能，其結(jié)構(gòu)框圖如圖2所示。

圖2 QCM傳感器頻率檢測(cè)系統(tǒng)

1.2.2 樣品制備及處理

傳感器氣敏性能測(cè)試試驗(yàn)中用到的氣體采用飽和頂空法配制。取適量無(wú)水乙醇液體注入容積為1 000 mL的密閉容器中，靜置5 h以上，即在頂空形成一定濃度的飽和蒸氣。取出一定體積的蒸氣與不同體積的高純氮?dú)饣旌?，即可配制出所需不同濃度的氣體蒸氣。

新鮮雞蛋樣品來(lái)自杭州誠(chéng)志食品有限公司當(dāng)天生產(chǎn)的雞蛋。選取大小和顏色相近的雞蛋，隨機(jī)分成4組，每組20個(gè)樣品。購(gòu)買當(dāng)天取1組雞蛋進(jìn)行檢測(cè)，標(biāo)記為Day 0。將其余3組雞蛋立即放置于恒溫恒濕箱（CTHI-150B，施都凱儀器設(shè)備有限公司）中進(jìn)行保存，設(shè)定溫度為25 ℃，相對(duì)濕度為50%。之后每7 d取出1組樣品進(jìn)行檢測(cè)，分別標(biāo)記為Day 7、Day 14和Day 21。采用所制備的QCM傳感器陣列對(duì)以上各組雞蛋進(jìn)行檢測(cè)。

雞蛋樣品的準(zhǔn)備過(guò)程如下：取250 mL的燒杯，每個(gè)燒杯中放入一枚雞蛋，用保鮮膜與橡皮筋封口，靜置60 min后得到頂空氣體。采用如圖1所示的試驗(yàn)裝置，用注射器抽取頂空氣體50 mL注入氣室中進(jìn)行氣體檢測(cè)，記錄QCM傳感器陣列的響應(yīng)。提取傳感器的響應(yīng)值（頻移）作為傳感器的特征值，從而得到一個(gè)80×4（80個(gè)樣本，4個(gè)傳感器）的原始數(shù)據(jù)矩陣。

1.2.3 試驗(yàn)步驟

氣體檢測(cè)試驗(yàn)步驟如下：首先開啟頻率檢測(cè)系統(tǒng)，開始記錄各個(gè)傳感器的諧振頻率；接著同時(shí)打開氮?dú)忾y門及進(jìn)出口處閥門，向氣室內(nèi)通入高純氮?dú)?，直至頻率達(dá)到穩(wěn)定狀態(tài)，關(guān)閉進(jìn)出口閥門。然后采用微量進(jìn)樣器取一定量的被測(cè)氣體注入氣室，記錄一段時(shí)間內(nèi)傳感器的頻率變化。之后，再次打開氮?dú)忾y門，通入氮?dú)馐箓鞲衅鹘馕?，直至各個(gè)傳感器頻率值穩(wěn)定。此為一個(gè)完整的氣體檢測(cè)循環(huán)。氮?dú)獾牧髁坑赊D(zhuǎn)子流量計(jì)控制，流速為1 000 mL/min。所有試驗(yàn)均在室溫（25±1 ℃）下進(jìn)行，氣壓為一個(gè)標(biāo)準(zhǔn)大氣壓。

傳感器的響應(yīng)（頻移）定義為傳感器接觸氣體后的頻率與傳感器初始頻率的差，如式（1）所示。

式中g(shù)as為傳感器接觸氣體后的頻率，Hz；0為傳感器初始頻率，Hz；Δ為傳感器的響應(yīng)值（頻移），Hz。

1.4 探究傳感器的氣敏特性

1.4.1 傳感器回復(fù)性與重復(fù)性

傳感器的回復(fù)性是指?jìng)鞲衅鲗?duì)氣體響應(yīng)后，采用載氣解吸附，傳感器諧振頻率回復(fù)到初始頻率的程度。傳感器的重復(fù)性是指同一個(gè)傳感器對(duì)同種相同濃度的氣體連續(xù)進(jìn)行多次檢測(cè)，傳感器響應(yīng)值（頻移）一致的程度。為了研究傳感器的重復(fù)性和回復(fù)性，連續(xù)測(cè)試了4個(gè)傳感器對(duì)同種相同濃度氣體的響應(yīng)，觀察其動(dòng)態(tài)響應(yīng)曲線。

1.4.2 傳感器的靈敏度

為研究傳感器的靈敏度，測(cè)試了傳感器對(duì)不同濃度的乙醇?xì)怏w的響應(yīng)。傳感器的靈敏度定義為輸出變化量與輸入變化量的比值的絕對(duì)值，也就是傳感器的頻移隨被測(cè)氣體濃度變化曲線斜率的絕對(duì)值，單位為Hz/(mg/kg)。不同的傳感器對(duì)同種氣體的響應(yīng)不同，體現(xiàn)出傳感器靈敏度的差異。

1.4.3 傳感器的長(zhǎng)期穩(wěn)定性

為了獲知傳感器陣列的使用壽命，研究了傳感器在較長(zhǎng)一段時(shí)間內(nèi)對(duì)同一種氣體的響應(yīng)的穩(wěn)定性，各個(gè)傳感器的長(zhǎng)期穩(wěn)定性指標(biāo)的計(jì)算方法如式（2）所示[29-31]。

R=(1-RSD)′100% （2）

式中RSD為相對(duì)標(biāo)準(zhǔn)偏差，其計(jì)算公式如（3）所示。R為長(zhǎng)期穩(wěn)定性指標(biāo)，%，R值越大說(shuō)明傳感器的長(zhǎng)期穩(wěn)定性越好。

1.5 數(shù)據(jù)處理方法

1.5.1 主成分分析（PCA）和線性判別分析(LDA)

主成分分析法（principal component analysis，PCA）是數(shù)據(jù)處理中最常用的數(shù)據(jù)降維方法，用于去除冗余數(shù)據(jù)，清楚直觀地觀察數(shù)據(jù)結(jié)構(gòu)。

線性判別分析法（linear discriminant analysis，LDA）是一種常見的監(jiān)督型分類方法，將高維樣本空間投影到低維最佳可鑒別空間，使類內(nèi)距最小而類間距最大，并采用線性判別函數(shù)將各類樣本區(qū)分開來(lái)。

1.5.2 核主成分分析和最小二乘回歸分析

在回歸模型的構(gòu)建中引入核主成分分析法（kernel principal component analysis，KPCA）用于處理數(shù)據(jù)中非線性關(guān)系，它是采用非線性映射核函數(shù)將原空間線性不可分的數(shù)據(jù)映射到高維空間變成線性可分，然后進(jìn)行主成分分析。

偏最小二乘回歸（partial least squares regression，PLSR）是一種多元的統(tǒng)計(jì)數(shù)據(jù)分析方法，對(duì)于高度線性相關(guān)的變量具有良好的回歸建模效果。采用擬合決定系數(shù)2與均方根誤差RMSE作為評(píng)價(jià)回歸模型的指標(biāo)。

本文中PCA與LDA采用SPSS 20軟件進(jìn)行計(jì)算，PLSR采用Minitab 14軟件計(jì)算，KPCA采用MATLAB R2013a 軟件計(jì)算。

2 結(jié)果與分析

2.1 QCM傳感器的表征及性能測(cè)試

2.1.1 傳感器表面形貌表征

為獲知敏感材料的微觀形貌，觀察敏感材料的修飾狀態(tài)，采用場(chǎng)發(fā)射掃描電子顯微鏡對(duì)所制備的傳感器敏感材料的微觀形貌進(jìn)行了表征，其微觀結(jié)構(gòu)如圖3所示。

圖3 FE-SEM各傳感器微觀形貌

圖3a所示為碳納米管修飾的傳感器表面形貌，碳納米管均勻分布在QCM傳感器電極表面，其具有較高的比表面積，為氣體分子提供了豐富的表面活性位點(diǎn)，易于與氣體分子發(fā)生吸附作用。石墨烯由于其良好的導(dǎo)電性和極高的比表面積被廣泛應(yīng)用于氣敏傳感器領(lǐng)域，其修飾的傳感器微觀結(jié)構(gòu)如圖3b所示，石墨烯的片層結(jié)構(gòu)具有極高的比表面積，相比于非納米材料，石墨烯與氣體分子的結(jié)合能力更強(qiáng)，從而有利于提高傳感器靈敏度。氧化銅作為一種金屬氧化物，也被廣泛用作氣敏材料，氧化銅顆粒修飾的傳感器的微觀形貌如圖3c所示，氧化銅呈現(xiàn)出納米片狀結(jié)構(gòu)，厚度約為50 nm，分布均勻，納米片結(jié)構(gòu)使敏感膜材料具有較大的比表面積，有利于氣體分子的吸附。聚苯胺是一種典型的導(dǎo)電高分子聚合物，在氣敏傳感器領(lǐng)域廣為使用，其修飾的傳感器結(jié)構(gòu)如圖3d所示，聚苯胺顆粒大小較為一致，直徑約為100～200 nm，均勻分布在傳感器的電極表面。觀察可知，4種敏感材料在電極表面分布均勻，均具有良好的表面形貌。

2.1.2 修飾層數(shù)優(yōu)化

QCM傳感器敏感材料的修飾量對(duì)傳感器的氣敏特性有重要的影響。為了探究傳感器響應(yīng)與敏感材料修飾量的關(guān)系，在傳感器表面分別修飾1~8層敏感材料，測(cè)試其對(duì)質(zhì)量分?jǐn)?shù)為100 mg/kg的乙醇?xì)怏w的響應(yīng)，以此來(lái)確定各個(gè)傳感器敏感材料的最佳修飾層數(shù)，4個(gè)傳感器的頻率變化如圖4所示。從整體趨勢(shì)來(lái)說(shuō)，隨著敏感材料修飾層數(shù)的增加，傳感器的頻移的絕對(duì)值逐漸上升，在層數(shù)較少時(shí)傳感器響應(yīng)與層數(shù)大致呈現(xiàn)出線性關(guān)系。而當(dāng)層數(shù)較多時(shí)，傳感器的頻移較大，但頻移的變化速度減緩，傳感器響應(yīng)出現(xiàn)一定程度的飽和現(xiàn)象，如氧化銅傳感器。然而，隨著層數(shù)的增大，傳感器達(dá)到平衡所需的時(shí)間變長(zhǎng)，如表1所示。5層碳納米管傳感器與5層石墨烯傳感器的響應(yīng)時(shí)間相比于4層修飾的傳感器響應(yīng)時(shí)間有明顯的增加，6層氧化銅與6層聚苯胺傳感器響應(yīng)時(shí)間相比于5層修飾的傳感器明顯增加。為了平衡傳感器的靈敏度和響應(yīng)時(shí)間兩個(gè)指標(biāo)，使傳感器既具有較高的靈敏度又具有較短的響應(yīng)時(shí)間，分別選取4層碳納米管、4層石墨烯、5層氧化銅和5層聚苯胺修飾4個(gè)QCM傳感器，由于修飾敏感材料所引起的4種傳感器的基頻變化分別為3 920、3 012、4 421和2 635 Hz。將以上4個(gè)傳感器組成QCM傳感器陣列，并應(yīng)用于后續(xù)試驗(yàn)中。

圖4 不同修飾層數(shù)傳感器對(duì)100 mg·kg-1乙醇?xì)怏w響應(yīng)

2.1.3 傳感器回復(fù)性與重復(fù)性測(cè)試

為了探究傳感器的重復(fù)性與回復(fù)性，測(cè)試了各個(gè)傳感器對(duì)120 mg/kg乙醇?xì)怏w的響應(yīng)，連續(xù)測(cè)試4個(gè)循環(huán)。每個(gè)循環(huán)中，傳感器與待測(cè)氣體反應(yīng)300 s，之后用高純氮?dú)馇逑?50 s，傳感器動(dòng)態(tài)響應(yīng)曲線如圖5所示。當(dāng)乙醇?xì)怏w被注入氣室時(shí)，由于傳感器敏感材料的吸附作用，傳感器電極表面質(zhì)量增加，諧振頻率迅速降低，一段時(shí)間后逐漸達(dá)到穩(wěn)定狀態(tài)。之后，向氣室內(nèi)通入氮?dú)?，敏感材料上的乙醇分子開始解吸附，諧振頻率逐漸升高，回復(fù)到初始頻率附近，說(shuō)明傳感器的回復(fù)性良好。由圖5可以看出，同一個(gè)傳感器對(duì)相同氣體的響應(yīng)基本相同，且能夠在較短時(shí)間內(nèi)恢復(fù)到初始狀態(tài)，說(shuō)明傳感器具有良好的重復(fù)性。另外，氮?dú)獾幕瘜W(xué)性質(zhì)不活潑，常溫下很難與其他物質(zhì)發(fā)生反應(yīng)，采用氮?dú)馇逑茨軌驅(qū)⒈粶y(cè)氣體分子解析附，說(shuō)明敏感材料與氣體分子之間存在的是物理吸附作用，如分子間作用力、氫鍵等，這些物理作用力容易在氮?dú)馇逑措A段斷開，從而保證傳感器的可重復(fù)使用性。結(jié)果表明，所制備的各個(gè)QCM傳感器具有良好的重復(fù)性、回復(fù)性與動(dòng)態(tài)響應(yīng)特性。

表1 不同層數(shù)敏感材料修飾傳感器的響應(yīng)時(shí)間

圖5 QCM傳感器陣列對(duì)120 mg·kg-1乙醇?xì)怏w的4個(gè)測(cè)試循環(huán)

2.1.4 傳感器靈敏度測(cè)試

進(jìn)一步測(cè)試了QCM傳感器陣列對(duì)不同濃度乙醇?xì)怏w的響應(yīng)，以探究傳感器的靈敏度，結(jié)果如圖6所示。隨著乙醇?xì)怏w濃度的增加，傳感器響應(yīng)的絕對(duì)值逐漸增加，呈線性相關(guān)關(guān)系。圖6中擬合曲線斜率的絕對(duì)值即表示傳感器的靈敏度，靈敏度最高的是氧化銅傳感器（2.31 Hz/(mg/kg)），其次是碳納米管傳感器（2.05 Hz/(mg/kg)）、聚苯胺傳感器（1.70 Hz/(mg/kg)）和石墨烯傳感器（1.37 Hz/(mg/kg)）。此外，氧化銅傳感器的響應(yīng)與濃度變化具有最好的線性度（2=0.997），其次是聚苯胺修飾的傳感器（2=0.994）、碳納米管傳感器（2=0.993）和石墨烯修飾的傳感器（2=0.982）。

圖6 QCM傳感器對(duì)不同濃度乙醇?xì)怏w的靈敏度

2.1.5 傳感器長(zhǎng)期穩(wěn)定性測(cè)試

為了評(píng)價(jià)傳感器的長(zhǎng)期穩(wěn)定性，研究了傳感器30 d內(nèi)對(duì)同一濃度乙醇?xì)怏w（150 mg/kg）的響應(yīng)。將傳感器放置于干燥的密閉容器中進(jìn)行保存，避免陽(yáng)光直射，每隔3 d檢測(cè)一次，重復(fù)5次，檢測(cè)結(jié)果如圖7所示。從圖7中可以看出4個(gè)傳感器在前24 d的響應(yīng)均相對(duì)穩(wěn)定，且氧化銅傳感器的穩(wěn)定性最好，一個(gè)月內(nèi)傳感器響應(yīng)無(wú)明顯變化。27 d之后，碳納米管傳感器、聚苯胺傳感器和石墨烯傳感器的響應(yīng)絕對(duì)值均出現(xiàn)了不同程度的下降。傳感器的長(zhǎng)期穩(wěn)定性從高到低依次是氧化銅傳感器（94.36%）、石墨烯傳感器（91.79%）、碳納米管傳感器（90.83%）和聚苯胺傳感器（89.91%），4個(gè)傳感器的長(zhǎng)期穩(wěn)定性指標(biāo)均大于85%。試驗(yàn)結(jié)果說(shuō)明，傳感器在30 d內(nèi)保持了良好的穩(wěn)定性。

圖7 傳感器對(duì)150 mg·kg-1乙醇?xì)怏w的長(zhǎng)期穩(wěn)定性

由以上試驗(yàn)結(jié)果可以看出，該傳感器陣列具有良好的靈敏度、重復(fù)性、回復(fù)性和長(zhǎng)期穩(wěn)定性，證明所制備的QCM傳感器陣列是可靠的，可將其應(yīng)用于雞蛋貨架期檢測(cè)的研究中。

2.2 QCM傳感器陣列對(duì)雞蛋貨架期的檢測(cè)

2.2.1 PCA和LDA分析

為實(shí)現(xiàn)對(duì)不同貨架期雞蛋的整體信息的評(píng)價(jià)，采用制備的QCM傳感器陣列，分別檢測(cè)0、7、14、21 d 的雞蛋樣本，QCM傳感器陣列對(duì)不同雞蛋樣本的典型響應(yīng)曲線如圖8所示。由圖中曲線可知，4個(gè)QCM傳感器對(duì)不同儲(chǔ)藏天數(shù)的雞蛋樣本的響應(yīng)程度有明顯變化，說(shuō)明QCM傳感器陣列可以感知出不同儲(chǔ)藏天數(shù)的雞蛋所揮發(fā)出氣體的變化。

圖8 不同類雞蛋樣本的典型響應(yīng)曲線

取傳感器200 s時(shí)的頻率值作為穩(wěn)定值，提取傳感器的穩(wěn)定值與初始值之差（即頻移）作為特征值，構(gòu)成原始數(shù)據(jù)矩陣。對(duì)所得的原始數(shù)據(jù)進(jìn)行PCA與LDA分析，結(jié)果如圖9所示。圖9a所示為PCA得分圖，主成分1（PC1）與主成分2（PC2）的累計(jì)方差貢獻(xiàn)率為84.88%，說(shuō)明PCA的前2個(gè)主成分能夠反映絕大部分原始數(shù)據(jù)信息。從圖中樣本點(diǎn)的分布來(lái)看，儲(chǔ)藏初始的樣本與其他3組樣本點(diǎn)能夠明顯區(qū)分開來(lái)，而7、14和21 d 的樣本點(diǎn)分布比較接近。說(shuō)明新鮮的雞蛋的揮發(fā)性成分與儲(chǔ)藏7～21 d的雞蛋的揮發(fā)性成分有較為明顯的差異，而儲(chǔ)藏了7～21 d的雞蛋的揮發(fā)性成分較為接近?？梢酝茰y(cè)，雞蛋在最初的儲(chǔ)藏期內(nèi)揮發(fā)性成分變化較大，而后揮發(fā)性成分變化速度逐漸減小。

圖9 不同儲(chǔ)藏時(shí)間雞蛋樣本的PCA與LDA 區(qū)分結(jié)果圖

在PCA得分圖中，絕大部分各組樣本點(diǎn)可以區(qū)分開來(lái)，但仍然有一定程度的重合。為更好地區(qū)分樣本，采用LDA進(jìn)行進(jìn)一步的分析。LDA的結(jié)果如圖9b所示，前2個(gè)分類函數(shù)解釋了93.62%的總方差。從圖中可看出，不同類數(shù)據(jù)之間均可以清晰有效區(qū)分，沒有重疊，且同類數(shù)據(jù)點(diǎn)分布較為集中，類間距離較遠(yuǎn)。原始數(shù)據(jù)集的LDA區(qū)分正確率為100%，五折交叉驗(yàn)證集區(qū)分正確率為98.8%。對(duì)比PCA的結(jié)果，PCA中略有重合的7～21 d的數(shù)據(jù)在LDA中能有效區(qū)分，說(shuō)明LDA的區(qū)分效果好于PCA。試驗(yàn)證明，采用所制備的QCM傳感器陣列能夠區(qū)分不同貨架期的雞蛋。

2.2.2 PLSR與KPCA回歸分析

為實(shí)現(xiàn)雞蛋貨架期的預(yù)測(cè)，采用PLSR建立傳感器頻移與雞蛋貨架期的回歸模型。將擬合決定系數(shù)2和均方根誤差RMSE作為評(píng)價(jià)回歸模型的指標(biāo)。每組的20個(gè)樣本被隨機(jī)分為兩組，12個(gè)樣本作為訓(xùn)練集，8個(gè)作為預(yù)測(cè)集。由原始數(shù)據(jù)建立的回歸模型如圖10a所示，回歸模型的擬合決定系數(shù)2較低（訓(xùn)練集2=0.811 9，預(yù)測(cè)集2=0.847 4），且RMSE值較大（訓(xùn)練集RMSE=3.358 1 d，測(cè)試集RMSE=3.026 8 d），回歸模型并不理想，可能是由于模型中存在非線性關(guān)系所致。

圖10 雞蛋貨架期的PLSR分析結(jié)果

為了提高回歸模型的預(yù)測(cè)精度，引入了KPCA方法對(duì)原始數(shù)據(jù)進(jìn)行處理。選用高斯核函數(shù)（radial basis function，RBF）作為KPCA的核函數(shù)。為優(yōu)化核函數(shù)參數(shù)，采用基于RBF核的支持向量機(jī)對(duì)原始數(shù)據(jù)進(jìn)行分類，選取使其分類正確率最高的參數(shù)作為KPCA的核函數(shù)參數(shù)，將輸入矢量映射到高維的線性特征空間，進(jìn)行核主成分分析。然后選取前10維主成分（累計(jì)貢獻(xiàn)率大于97%）建立PLSR回歸模型，模型的預(yù)測(cè)效果如圖10b所示。與原始數(shù)據(jù)的PLSR模型相比，預(yù)測(cè)精度得到了提高，其擬合決定系數(shù)2增大（測(cè)試集2=0.913 6，預(yù)測(cè)集2= 0.954 7），RMSE值明顯減?。y(cè)試集RMSE=2.300 5 d，預(yù)測(cè)集RMSE=1.666 1 d）。PLSR結(jié)果表明，KPCA很好地解決了模型中的非線性問題，基于KPCA處理后的數(shù)據(jù)建立的雞蛋貨架期回歸模型具有良好的預(yù)測(cè)效果。

3 結(jié) 論

本研究通過(guò)浸涂法制備了4個(gè)石英晶體微天平（quartz crystal microbalance，QCM）氣敏傳感器，結(jié)合自行開發(fā)的QCM頻率檢測(cè)系統(tǒng)對(duì)各個(gè)傳感器的氣敏性能進(jìn)行測(cè)試，首次將制備的QCM傳感器陣列應(yīng)用于不同貨架期的雞蛋的檢測(cè)中，得到如下結(jié)論：

1）由4層碳納米管、4層石墨烯、5層氧化銅和5層聚苯胺修飾的QCM傳感器具有良好的氣敏特性，其靈敏度分別為2.05 Hz/(mg/kg)、1.37 Hz/(mg/kg)、2.31 Hz/(mg/kg)與1.70 Hz/(mg/kg)，長(zhǎng)期穩(wěn)定性均高于85%，同時(shí)具有良好的重復(fù)性和回復(fù)性。

2）該QCM傳感器陣列可以用于區(qū)分不同貨架期的雞蛋的揮發(fā)性氣體，主成分分析（principal component analysis，PCA）與線性判別分析（linear discriminant analysis，LDA）法均可對(duì)不同貨架期雞蛋進(jìn)行有效區(qū)分，LDA的區(qū)分效果優(yōu)于PCA。

3）采用偏最小二乘回歸（partial least squares regression，PLSR）結(jié)合核主成分分析（kernel principal component analysis，KPCA）方法，建立的偏最小二乘回歸模型對(duì)雞蛋的貨架期具有良好的預(yù)測(cè)性能（擬合決定系數(shù)2=0.954 7，方均根誤差RMSE=1.666 1 d）。

試驗(yàn)證明采用所制備的QCM傳感器陣列能夠用于區(qū)分及預(yù)測(cè)雞蛋的貨架期，為雞蛋貨架期的檢測(cè)提供了新的思路。

[1] 劉明，潘磊慶，屠康，等. 電子鼻檢測(cè)雞蛋貨架期新鮮度變化[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2010，26(4)：317－321.

Liu Ming, Pan Leiqing, Tu Kang, et al. Determination of egg freshness during shelf life with electronic nose[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of CSAE), 2010, 26(4): 317－321. (in Chinese with English abstract)

[2] Karoui R, Kemps B, Bamelis F, et al. Methods to evaluate egg freshness in research and industry: A review[J]. European Food Research and Technology, 2006, 222(5/6): 727－732.

[3] 劉雪，李亞妹，劉嬌，等. 基于BP神經(jīng)網(wǎng)絡(luò)的鮮雞蛋貨架期預(yù)測(cè)模型[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46(10)：328－334.

Liu Xue, Li Yamei, Liu Jiao, et al. BP neural network based prediction model for fresh egg’s shelf life[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(10): 328－334. (in Chinese with English abstract)

[4] Wang Qingling, Jin Guofeng, Jin Yongguo, et al. Discriminating eggs from different poultry species by fatty acids and volatiles profiling: Comparison of SPME‐GC/MS, electronic nose, and principal component analysis method[J] European Journal of Lipid Science and Technology, 2014, 116(8): 1044－1053.

[5] Pan Leiqing, Zhan Ge, Tu Kang, et al. Eggshell crack detection based on computer vision and acoustic response by means of back-propagation artificial neural network[J]. European Food Research and Technology, 2011, 233(3): 457－463.

[6] Sun Li, Yuan Leiming, Cai Jianrong, et al. Egg freshness on-line estimation using machine vision and dynamic weighing[J]. Food Analytical Methods, 2015, 8(4): 922－928.

[7] Aboonajmi M, Najafabadi TA. Prediction of poultry egg freshness using Vis-Nir spectroscopy with maximum likelihood method[J]. International Journal of Food Properties, 2014, 17(10): 2166－2176.

[8] Abdel Nour N, Ngadi M, Prasher S, et al. Prediction of egg freshness and albumen quality using visible/near infrared spectroscopy[J]. Food and Bioprocess Technology, 2011, 4(5): 731－736.

[9] 侯卓成，楊寧，李俊英，等. 傅里葉變換近紅外反射用于雞蛋蛋品質(zhì)的研究[J]. 光譜學(xué)與光譜分析，2009，29(8)：2063－2066.

Hou Zhuocheng, Yang Ning, Li Junying, et al. Egg quality prediction by using Fourier transform near infrared reflectance spectroscopy (FT-NIR)[J]. Spectroscopy & Spectral Analysis, 2009, 29(8): 2063－2066. (in Chinese with English abstract)

[10] 林顥，趙杰文，陳全勝，等. 基于聲學(xué)特性的雞蛋蛋殼裂紋檢測(cè)[J]. 食品科學(xué)，2010，31(2)：199－202.

Lin Hao, Zhao Jiewen, Chen Quansheng, et al. Application of acoustic resonance analysis to eggshell crack detection[J]. Food Science, 2010, 31(2): 199－202. (in Chinese with English abstract)

[11] 羅慧，閆思蒙，盧偉，等. 基于力-聲學(xué)特性的雞蛋微小裂紋在線檢測(cè)方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016，47(11)：224－230.

Luo Hui, Yan Simeng, Lu Wei, et al. Micro-cracked eggs online detection method based on force-acoustic features[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(11): 224－230. (in Chinese with English abstract)

[12] 傅忙娟，李志成，張靜，等. 雞蛋新鮮度與其揮發(fā)性有機(jī)化合物間的關(guān)系研究[J]. 中國(guó)食品學(xué)報(bào)，2016，16(1)：237－244.

Fu Mangjuan, Li Zhicheng, Zhang Jing, et al. Relationship research for freshness of eggs and its volatile organic compounds[J]. Journal of Chinese Institute of Food Science and Technology, 2016, 16(1): 237－244. (in Chinese with English abstract)

[13] 馬美湖，畢玉芳，張茂杰，等. 雞蛋貯藏期間風(fēng)味特征的電子感官分析[J]. 現(xiàn)代食品科技，2015，31(8)：293－300.

Ma Meihu, Bi Yufang, Zhang Maojie, et al. Analysis of egg flavor change during storage period by electronic sensory methods[J]. Modern Food Science & Technology, 2015, 31(8): 293－300. (in Chinese with English abstract)

[14] Berna Amalia. Metal oxide sensors for electronic noses and their application to food analysis[J]. Sensors, 2010, 10(4): 3882－3910.

[15] Jiang Shui, Wang Jun. Internal quality detection of Chinese pecans () during storage using electronic nose responses combined with physicochemical methods[J]. Postharvest Biology and Technology, 2016, 118: 17－25.

[16] Wei Zhenbo, Wang Jun, Zhang Weilin. Detecting internal quality of peanuts during storage using electronic nose responses combined with physicochemical methods[J]. Food Chemistry, 2015, 177: 89－96.

[17] 李佳婷，王俊，李園，等. 基于電子鼻的雞蛋新鮮度檢測(cè)[J]. 現(xiàn)代食品科技，2017，33(4)：300－305.

Li Jiating, Wang Jun, Li Yuan, et al. Detection of egg freshness using electronic nose[J]. Modern Food Science and Technology, 2017, 33(4): 300－305. (in Chinese with English abstract)

[18] Cui Shaoqing, Yang Liangcheng, Wang Jun, et al. Fabrication of a sensitive gas sensor based on PPy/TiO2nanocomposites films by layer-by-layer self-assembly and its application in food storage[J]. Sensors and Actuators B: Chemical, 2016, 233: 337－346.

[19] Tuantranont A, Wisitsora-at A, Sritongkham P, et al. A review of monolithic multichannel quartz crystal microbalance: A review[J]. Analytica Chimica Acta, 2011, 687(2): 114－128.

[20] ?zmen A, Mumyakmaz B, Ebeoglu M A, et al. Quantitative information extraction from gas sensor data using principal component regression[J]. Turkish Journal of Electrical Engineering & Computer Sciences, 2016, 24(3): 946－960.

[21] Ihdene Z, Mekki A, Mettai B, et al. Quartz crystal microbalance VOCs sensor based on dip coated polyaniline emeraldine salt thin films[J]. Sensors and Actuators B: Chemical, 2014, 203: 647－654.

[22] Xu Xiuming, Cang Huaiwen, Li Changzhi, et al. Quartz crystal microbalance sensor array for the detection of volatile organic compounds[J]. Talanta, 2009, 78(3): 711－716.

[23] Zhang Kaihuan, Fan Guokang, Hu Ruifen, et al. Enhanced dibutyl phthalate sensing performance of a quartz crystal microbalance coated with Au-decorated ZnO porous microspheres[J]. Sensors, 2015, 15(9): 21153－21168.

[24] Zhang Kaihuan, Hu Ruifen, Fan Guokang, et al. Graphene oxide/chitosan nanocomposite coated quartz crystal microbalance sensor for detection of amine vapors[J]. Sensors and Actuators B: Chemical, 2017, 243: 721－730.

[25] Zheng Junbao, Li Guang, Ma Xingfa, et al. Polyaniline–TiO2 nano composite based trimethy- lamine QCM sensor and its thermal behavior studies[J]. Sensors and Actuators B: Chemical, 2008, 133(2): 374－380.

[26] Ying Zhihua, Jiang Yadong, Du Xiaosong, et al. Polymer coated sensor array based on quartz crystal microbalance for chemical agent analysis[J]. European Polymer Journal, 2008, 44(4): 1157－1164.

[27] Yuan Zhen, Tai Huiling, Ye Zongbiao, et al. Novel highly sensitive QCM humidity sensor with low hysteresis based on graphene oxide (GO)/poly (ethyleneimine) layered film[J]. Sensors and Actuators B: Chemical, 2016, 234: 145－154.

[28] Tai Huiling, Zhen Yuan, Liu Chunhua, et al. Facile development of high performance QCM humidity sensor based on protonated polyethylenimine-graphene oxide nanocomposite thin film[J]. Sensors and Actuators B: Chemical, 2016, 230: 501－509.

[29] Sharma P, Tudu B, Bhuyan LP, et al. Detection of methyl salicylate in black tea using a quartz crystal microbalance sensor[J]. IEEE Sensors Journal, 2016, 16(13): 5160－5166.

[30] Sharma P, Ghosh A, Tudu B, et al. A quartz crystal microbalance sensor for detection of geraniol in black tea[J]. IEEE Sensors Journal, 2015, 15(2): 1178－1185.

[31] Sharma P, Ghosh A, Tudu B, et al. Detection of linalool in black tea using a quartz crystal microbalance sensor[J]. Sensors and Actuators B: Chemical, 2014, 190: 318－325.

Fabrication of sensor array based on quartz crystal microbalance and its detection for egg shelf life

Deng Fanfei, Wang Jun※, Chen Wei, Wei Zhenbo

(310058)

Egg has become an indispensable food product in our daily life, which contains large amounts of protein and balanced nutrition for body development. One of the major concerns of the egg industry is to determine the freshness of eggs in an efficient and nondestructive way. Quartz crystal microbalance (QCM) gas sensors have received more attention in recent years, which provide a simple and nondestructive method to test egg samples by sensing the volatiles released by whole eggs. By measuring the resonance frequency shift caused by the adsorption process, nanogram-level mass change can be detected, and the gas samples can be easily estimated. QCM technique has been widely used in the field of gas detection because of its high sensitivity, low operating temperature and facile operation. In this study, a QCM sensor array with 4 different surface modified QCM sensors, i.e., multi-walled carbon nanotubes (CNTs), graphene, nanostructured copper oxide (CuO) and polyaniline nanocomposite (PANI), was fabricated by dip coating method. The frequency shift of sensors in the process of absorption and desorption was monitored by a self-made frequency measurement system. The morphologies of sensitive materials were characterized by field-emission scanning electron microscope (FE-SEM), and the number of sensitive materials coating layers was firstly optimized. To balance both the sensitivity and the response time, 4 layers of CNTs, 4 layers of graphene, 5 layers of CuO and 5 layers of PANI, were determined to be deposited on the surface of the QCM sensors, which together formed a QCM sensor array, and were applied in further study. Then the gas sensing properties of the 4 sensors were tested by ethanol vapor, which is one of the volatiles existing in stale eggs. The result demonstrated that the frequency shift of the QCM sensors was stable when responding to the same concentration of ethanol, and with the increase of ethanol concentration, the frequency shifts of the QCM sensors increased gradually and showed a linear relationship with the vapor concentration, which exhibited promising repeatability, reversibility and good sensitivity. The sensitivity of the 4 sensors was 2.31 (CuO), 2.05 (CNTs), 1.70 (PANI) and 1.37 Hz/(mg/kg) (Graphene), respectively. Moreover, the long-term stability of the 4 sensors was all above 85% during 30 days’ test. The experiment results validated the reliability of the fabricated QCM sensor array so that it could be used in the evaluation of eggs. In further application, the sensor array was used to detect eggs with different shelf lives. The responding curve of frequency shift in the sensor was extracted as the feature for statistics analysis. Principal component analysis (PCA) and linear discriminant analysis (LDA) were employed to classify eggs with different shelf lives. The first 2 PCs of PCA explained 84.88% of total variations and could represent the original data. The discrimination results of LDA outperformed the results of PCA, which separated all classes of data points completely in the plot. LDA method exhibited a good classification accuracy with 100% in the original data and 98.8% in cross-validation procedure. As for the prediction of shelf life of egg, partial least square regression (PLSR) was used to establish a regression model and the coefficient of determination (2) and the root mean square error (RMSE) of the regression model were employed as the criteria of the regression model. The kernel principal component analysis (KPCA) was used to solve the nonlinear relation in original dataset. The PLSR regression model showed a good prediction performance, in which the2increased from 0.847 4 to 0.954 7 and the RMSE decreased from 3.026 8 to 1.666 1 d after KPCA was introduced. It could be concluded that the fabricated QCM sensor array is effective for the evaluation of eggs with different shelf lives, offering a sensitive, nondestructive and simple method to evaluate the shelf life of eggs.

sensors; nondestructive detection; models; quartz crystal microbalance; gas sensor array; shelf life of eggs

10.11975/j.issn.1002-6819.2017.20.036

TS253.7

A

1002-6819(2017)-20-0292-08

2017-08-01

2017-10-11

國(guó)家十三五重點(diǎn)研發(fā)項(xiàng)目（2017YFD0400102）

鄧凡霏，河南安陽(yáng)人，主要從事電子鼻及氣敏傳感器的開發(fā)與應(yīng)用。杭州 浙江大學(xué)生物系統(tǒng)工程與食品科學(xué)學(xué)院，310058。 Email：dengfanfei@zju.edu.cn

※通信作者：王 俊，浙江東陽(yáng)人，教授，博士生導(dǎo)師，主要從事電子鼻與電子舌技術(shù)的開發(fā)與應(yīng)用研究。杭州 浙江大學(xué)生物系統(tǒng)工程與食品科學(xué)學(xué)院，310058。Email：jwang@zju.edu.cn

中國(guó)農(nóng)業(yè)工程學(xué)會(huì)會(huì)員：王?。?0 013）

鄧凡霏，王 俊，陳 薇，韋真博. QCM氣敏傳感器陣列的制備及其對(duì)雞蛋貨架期的檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33(20)：292－299. doi：10.11975/j.issn.1002-6819.2017.20.036 http://www.tcsae.org

Deng Fanfei, Wang Jun, Chen Wei, Wei Zhenbo. Fabrication of sensor array based on quartz crystal microbalance and its detection for egg shelf life[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(20): 292－299. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.20.036 http://www.tcsae.org