光譜技術(shù)在水產(chǎn)品品質(zhì)檢測中的應(yīng)用研究進(jìn)展

李鑫星，郭 渭，白雪冰，楊銘松

1.中國農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院食品質(zhì)量與安全北京實(shí)驗(yàn)室，北京 100083 2.山東省煙臺市森林資源監(jiān)測保護(hù)服務(wù)中心，山東 煙臺 264000

引 言

隨著我國消費(fèi)者對于水產(chǎn)品的需求快速增加，水產(chǎn)養(yǎng)殖業(yè)和加工業(yè)也隨之急速發(fā)展，目前我國的水產(chǎn)品養(yǎng)殖規(guī)模位于世界首位。根據(jù)《2018年中國漁業(yè)統(tǒng)計(jì)年鑒》，2018年全國水產(chǎn)養(yǎng)殖面積約為7 449.03千公頃，水產(chǎn)品總產(chǎn)量達(dá)6 457.7萬噸。同時(shí)水產(chǎn)品進(jìn)出口總額超300億美元，進(jìn)出口總量超過900萬噸，產(chǎn)生了巨大的經(jīng)濟(jì)效益[1]。魚蝦貝等水產(chǎn)品是重要的白肉來源，白肉肌肉纖維細(xì)膩、富含蛋白質(zhì)、不飽和脂肪酸等多種人體必需元素，同時(shí)具有脂肪含量低、膽固醇含量低等特點(diǎn)，為廣大消費(fèi)者所喜愛[2],為國人的飲食結(jié)構(gòu)豐富性提供了重要的保障。

水產(chǎn)品品質(zhì)檢測主要包括新鮮度檢測、質(zhì)量分級、摻假分析、有害物殘留等方面[3-5]，傳統(tǒng)實(shí)驗(yàn)室物理化學(xué)分析方法難以實(shí)現(xiàn)大批量樣品的快速、無損檢測，并且由于操作相對繁瑣而易出現(xiàn)人為誤差。近年來在水產(chǎn)檢測行業(yè)新興的光譜技術(shù)利用樣品測得的光譜特性來定性或定量研究物質(zhì)結(jié)構(gòu)和組成，具有快速、無損、測試重現(xiàn)度好，精度高、成本較低、方法簡便等優(yōu)點(diǎn)[6]。目前，在基于光譜的水產(chǎn)品品質(zhì)檢測技術(shù)當(dāng)中，近紅外光譜技術(shù)起步早，相對成熟，屬于分子振動吸收光譜；高光譜成像技術(shù)將物體的光譜信息和圖像信息進(jìn)行了融合，可精確采集每個(gè)像素點(diǎn)信息，并對檢測結(jié)果進(jìn)行可視化；拉曼光譜是一種散射光譜,可與近紅外光譜相互補(bǔ)充以更好地研究分子振動狀態(tài)[7-9]。

分析了水產(chǎn)品質(zhì)檢測中常用的各類光譜技術(shù)的優(yōu)勢以及局限性，綜述了國內(nèi)外光譜檢測技術(shù)在水產(chǎn)品品質(zhì)檢測應(yīng)用中的研究進(jìn)展，及光譜數(shù)據(jù)預(yù)處理和建模的主要方法，最后，分析了水產(chǎn)品光譜檢測技術(shù)的未來發(fā)展趨勢。

1 水產(chǎn)品質(zhì)檢測中光譜技術(shù)概述

基于光譜分析技術(shù)對水產(chǎn)品質(zhì)進(jìn)行檢測已成為近年來的一個(gè)研究熱點(diǎn)，光譜技術(shù)在水產(chǎn)品新鮮度檢測、有害物殘留檢測、有害微生物含量檢測、質(zhì)量分級、摻假分析等方面具有良好的應(yīng)用前景[10]。幾種常用的光譜技術(shù)特點(diǎn)如表1所示。

表1 水產(chǎn)檢測中3種常用光譜技術(shù)特點(diǎn)Table 1 Characteristics of three common spectral techniques for aquatic products quality inspection

1.1 光譜檢測技術(shù)的優(yōu)勢

(1)快速。不需要對樣品進(jìn)行繁瑣處理即可進(jìn)行光譜采集，通過建立預(yù)測模型能迅速檢測水產(chǎn)中化學(xué)組分的含量或性質(zhì)，大大縮短了檢測周期。Yu等利用高光譜成像技術(shù)結(jié)合深度學(xué)習(xí)算法快速預(yù)測冷藏期間太平洋白蝦的TVB-N含量，模型計(jì)算時(shí)間僅為3.9 ms[11]。

(2)無損。光譜檢測過程不會對樣品本身產(chǎn)生影響，待測樣品從外觀到內(nèi)部的物質(zhì)結(jié)構(gòu)與性質(zhì)都不發(fā)生變化，只需應(yīng)用相關(guān)裝置采集光譜信息即可。鑒于這一特性，光譜檢測技術(shù)可以良好應(yīng)用于水產(chǎn)品加工流水線及消費(fèi)者市場。

(3)測試重現(xiàn)度高。樣品測得的每個(gè)特征波段處光譜特性可以代表相應(yīng)物質(zhì)的特性，根據(jù)特征波長處的波譜可推算出樣品中的物質(zhì)組分與含量。由于光譜測量過程很少受外界因素的干擾,且儀器操作相對簡便不容易出現(xiàn)人為失誤，測量結(jié)果相對平穩(wěn)。

(4)成本低。面向大規(guī)模檢驗(yàn)時(shí)，光譜分析不消耗樣品和試劑，不論用于定性判別樣品性質(zhì)還是定量檢測樣品成分都無需雇傭?qū)I(yè)人員進(jìn)行檢測[12]。通過多參數(shù)耦合建模，可有效同時(shí)預(yù)測多個(gè)指標(biāo)含量，相對于傳統(tǒng)實(shí)驗(yàn)室分析方法，顯著降低了大量檢測費(fèi)用。

1.2 光譜技術(shù)局限性

(1)前期投入較高。模型的可靠性依賴于足夠的樣品數(shù)量，因此光譜分析的實(shí)現(xiàn)需提前選取大量代表性樣品進(jìn)行定性或定量檢測，這一過程需要雇傭?qū)I(yè)的檢驗(yàn)員并且檢測周期長、成本高[13]。此外，研究人員建模過程相對復(fù)雜，精度符合要求的光譜分析儀器價(jià)格也相對昂貴，較難普及到大眾市場。

(2)模型普適性差且需持續(xù)維護(hù)。不同光譜方法適用于不同物質(zhì)檢測，且不同檢測對象所適用的特征波段不同，難以實(shí)現(xiàn)同一方法全覆蓋檢測。另外，建模后難免會遇到模型對某些樣品預(yù)測效果差的情況,所以需要不斷對模型進(jìn)行優(yōu)化、修正和完善。鑒于以上特點(diǎn)，光譜分析技術(shù)適合于大規(guī)模連續(xù)檢測卻不適用于分散性樣品檢測。

(3)每種光譜技術(shù)都有其局限性和缺點(diǎn)。近紅外光譜靈敏度相對較低，譜帶較寬波峰易重疊，易受干擾，信噪比較低[14]；高光譜每個(gè)像素都含有連續(xù)的波譜信息，數(shù)據(jù)量極大，臨近波段冗余且間距狹窄導(dǎo)致了數(shù)據(jù)處理難度增加[15-16]；拉曼光譜波峰易重疊，且拉曼散射信號較弱[17]。

2 水產(chǎn)品質(zhì)光譜檢測中的數(shù)據(jù)解析

利用光譜技術(shù)檢測水產(chǎn)品品質(zhì)依賴于數(shù)學(xué)模型的建立。首先，要將樣本集劃分為訓(xùn)練集和驗(yàn)證集，建立訓(xùn)練集模型的樣本應(yīng)在組成及性質(zhì)上與驗(yàn)證集樣品基本一致。建立模型之前應(yīng)先消除與樣本無關(guān)的信息與噪聲，并對光譜進(jìn)行特征波段的提取。最后，需要對模型的泛化能力進(jìn)行性能度量并不斷改進(jìn)和優(yōu)化。本文主要對水產(chǎn)檢測中常用的光譜預(yù)處理算法及光譜建模方法的研究進(jìn)展進(jìn)行討論和分析。

2.1 光譜數(shù)據(jù)的預(yù)處理

光譜采集過程中常遇到各種噪聲影響，主要為環(huán)境光噪聲，因此光譜數(shù)據(jù)預(yù)處理算法尤為重要。光譜數(shù)據(jù)預(yù)處理可以有效過濾無關(guān)信息和干擾因素對光譜或圖像的影響進(jìn)而提高信噪比,從而保證模型預(yù)測結(jié)果的精度。目前水產(chǎn)品光譜檢測技術(shù)中的光譜數(shù)據(jù)預(yù)處理方法通常包括：SG平滑算法、導(dǎo)數(shù)法、標(biāo)準(zhǔn)正態(tài)變換法、多元散射校正法等。4種常見的光譜預(yù)處理算法的對比分析如表2所示。

表2 4種常用光譜預(yù)處理對比分析Table 2 Comparative analysis of fourcommon pretreatment algorithms of spectroscopy

2.1.1 SG平滑算法

SG平滑算法(Savitzky-golay Smoothing)基于最小二乘原理，是一種通過多次求光譜數(shù)據(jù)均值來降低誤差的多項(xiàng)式平滑算法，又稱卷積平滑算法,由Savizkg和Golag于1964年提出?？梢赃^濾高頻信號來提高光譜數(shù)據(jù)的平滑性，提高信噪比[26]。Federico等基于可見光光譜檢測吲哚濃度，使用具有10點(diǎn)窗口的Savitzky-Golay平滑算法降低模型誤差，更好地確定了蝦的品質(zhì)[27]。陳偉華采集羅非魚片近紅外光譜數(shù)據(jù)與魚肉TVB-N含量進(jìn)行擬合，通過Savitzky-Golay卷積平滑對光譜進(jìn)行預(yù)處理獲得了良好的去噪效果[28]。這種方法具有算法簡單、運(yùn)行速度快的優(yōu)點(diǎn)，隨著SG平滑算法窗口尺度選取的改變，濾波的效果也隨之發(fā)生改變，因而特別適合光譜數(shù)據(jù)的實(shí)時(shí)處理分析。

2.1.2 導(dǎo)數(shù)

在已經(jīng)規(guī)定的國家和國際層面，以及相關(guān)行業(yè)的技術(shù)標(biāo)準(zhǔn)上，要采取針對性的措施。為達(dá)到水利信息化建設(shè)的標(biāo)準(zhǔn)要求，進(jìn)行有效的針對性管理。

導(dǎo)數(shù)法(derivative)可以對波譜信號進(jìn)行提取，消除基線漂移和斜率并提高分辨率，是常用的光譜預(yù)處理方法之一[29]。Vongsvivut等基于傅里葉變換的紅外光譜測定魚油中的脂肪酸組成，期間使用9點(diǎn)SG算法計(jì)算光譜二階導(dǎo)數(shù)[30]。Dai等使用11點(diǎn)的SG平滑算法計(jì)算VIS/NIR高光譜數(shù)據(jù)一階和二階導(dǎo)數(shù)，有效降低了提取數(shù)據(jù)的噪聲水平，提高對蝦分類的模型精度[31]。為了降低求導(dǎo)造成的噪聲影響,通常需要預(yù)先對原始光譜進(jìn)行平滑處理，Savitzky-Golay卷積平滑法是常用的平滑處理方法。另外，若存在復(fù)雜干擾或使用了不合適的平滑參數(shù)，求導(dǎo)的結(jié)果可能無效。

2.1.3 標(biāo)準(zhǔn)正態(tài)變換

標(biāo)準(zhǔn)正態(tài)變換(standard normal variate transformation，SNV)可以消除光譜數(shù)據(jù)中的加性效應(yīng)和乘性效應(yīng)。在SNV轉(zhuǎn)換中，將每個(gè)光譜居中，然后按相應(yīng)的標(biāo)準(zhǔn)偏差進(jìn)行縮放，可以減少散射的乘法效應(yīng)[32]。Nonthawong等利用SNV預(yù)處理的近紅外高光譜數(shù)據(jù)建立PLSR模型，用以識別金槍魚粉中的蝦粉[33]。吳浩等建立對冷凍和解凍狀態(tài)下魚糜的等級評定模型，使用標(biāo)準(zhǔn)正態(tài)變量變換法對近紅外光譜進(jìn)行預(yù)處理，有效地消除了樣品表面的散射效應(yīng)[34]。Grassi等使等用SNV對NIR數(shù)據(jù)進(jìn)行預(yù)處理，用以區(qū)分大西洋鱈魚和黑線鱈的魚片[35]。進(jìn)行SNV處理的前提是，光譜之間的變化主要通過整個(gè)波長范圍內(nèi)的均勻乘法效應(yīng)來建模。當(dāng)不滿足該前提條件時(shí)，不適當(dāng)?shù)念A(yù)處理可能降低信噪比。

2.1.4 多元散射校正

多元散射校正(multiple scattering correction，MSC)定義了一個(gè)參照光譜(通常是校準(zhǔn)數(shù)據(jù)的平均光譜)，將每個(gè)光譜的基線和放大效應(yīng)校正為參照光譜，MSC的目的與SNV 基本相同,主要是消除固體表面顆粒不均勻?qū)е碌纳⑸溆绊慬36-37]。Alamprese等建立了鑒別不同種類魚片的預(yù)測模型，通過MSC算法對NIR數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化達(dá)到降噪的目的[38]。Rahman等利用魚眼液的紫外線-可見(UV-Vis)光譜預(yù)測魚肉K值，結(jié)果顯示基于MSC預(yù)處理光譜數(shù)據(jù)為回歸模型提供了更好的性能[39]。MSC是常用的多波長光譜建模方法，能有效增強(qiáng)與樣品成分含量相關(guān)的波譜信息。它和SNV可相互轉(zhuǎn)換，是減少粒徑影響的兩種替代方法。

2.2 水產(chǎn)品質(zhì)光譜檢測常用數(shù)據(jù)模型

光譜技術(shù)和化學(xué)計(jì)量學(xué)方法以及機(jī)器學(xué)習(xí)方法的結(jié)合為水產(chǎn)光譜檢測奠定了基礎(chǔ)，繼而可以建立穩(wěn)定、可靠的分析模型，模型的好壞決定著預(yù)測精度的好壞，實(shí)際應(yīng)用中應(yīng)當(dāng)根據(jù)任務(wù)復(fù)雜程度和訓(xùn)練數(shù)據(jù)量的不同選擇合適的建模方法以達(dá)到最佳效果。4種常見的建模方法對比分析如表3所示。

表3 4種常用光譜建模方法對比分析Table 3 Comparative analysis of four common modeling methods of Spectroscopy

2.2.1 多元線性回歸

多元線性回歸(multiple linear regression，MLR)可以擬合單特征和多樣本之間的線性相關(guān)關(guān)系，通常也被稱為逆最小二乘法。光譜技術(shù)中多元線性回歸的原理為：多個(gè)光譜特征波長處的吸收譜帶深度與樣品的某種化學(xué)組分性質(zhì)高度相關(guān)，從而可以找出與某種指標(biāo)顯著相關(guān)的波段進(jìn)行多元回歸得到多元線性回歸模型的參數(shù)[40]。Shi等基于高光譜數(shù)據(jù)最佳波長，建立了MLR校準(zhǔn)模型，實(shí)驗(yàn)結(jié)果表明，高光譜成像技術(shù)結(jié)合MLR方法可在線快速預(yù)測形狀不圓的蝦的水分含量以及分布[41]。Cheng等利用400～1 000 nm的高光譜波段測量草魚魚肉中的大腸桿菌菌落數(shù)，研究表明，簡化的MLR模型在預(yù)測大腸桿菌菌落數(shù)方面顯示出良好的有效性和魯棒性，并且可用來轉(zhuǎn)移圖像中的每個(gè)像素，以對大腸桿菌的空間分布可視化[42]。MLR方法適用于線性關(guān)系良好的簡單體系，只需知道樣品中被測組分的濃度和性質(zhì)即可建立校正模型，計(jì)算過程簡單清晰明了，無需考慮交互干擾效應(yīng)和非線性因果關(guān)系，但MLR方法在遇到多重共線性或者噪聲較強(qiáng)時(shí)往往預(yù)測效果不佳。

偏最小二乘回歸(partial least squares regression，PLSR)是一種擬合多因變量和多自變量的建模方法，常用于構(gòu)建光譜數(shù)據(jù)的線性回歸模型，能有效去光譜數(shù)據(jù)的高度共線性[43-44]。Prieto等基于NIR的偏最小二乘判別分析正確地將100%的純化鮭魚片進(jìn)行分類[45]。Masoum等的研究證明，PLSR結(jié)合NIRS技術(shù)非常適合于評估魚粉的蛋白質(zhì)和水分含量[46]。徐富斌等采集大黃魚背部的NIR光譜,建立了全波段PLSR模型用以預(yù)測揮發(fā)性鹽基氮含量和菌落總數(shù)[47]。Yang等通過近紅外光譜技術(shù)對純魚粉進(jìn)行偏最小二乘法建模，將摻假樣本區(qū)別出來[48]。Tito等研究了基于近紅外光譜方法檢測大西洋鮭需氧菌落數(shù)的方法，建立了PLSR預(yù)測模型，校準(zhǔn)方程擬合良好(R2=0.95)。結(jié)果表明，通過進(jìn)一步的模型開發(fā)，可使用NIR來預(yù)測海產(chǎn)品保存期限[49]。PLSR方法吸收融合了多元線性回歸(MLR)、典型相關(guān)分析(CCA)以及主成分分析(PCA)等方法的長處,簡化了數(shù)據(jù)結(jié)構(gòu),消除了變量間多重共線性。在光譜數(shù)據(jù)的多元線性回歸中，樣本量過少且變量間有多重相關(guān)性時(shí)，宜選用PLSR方法，該方法能有效降低計(jì)算量提升模型性能。

2.2.3 最小二乘支持向量機(jī)

最小二乘支持向量機(jī)(least squares support vector machine，LS-SVM)是SVM的變體，它與SVM一樣是基于邊際最大化原理的分類器，訓(xùn)練模型只與支持向量相關(guān)。它使用核函數(shù)解決非線性問題中邊界劃分[50]。Wu等使用高光譜數(shù)據(jù)建立LS-SVM模型來預(yù)測蝦樣品的明膠濃度，結(jié)果表明，高光譜成像技術(shù)能良好應(yīng)用于對蝦明膠摻假檢測[51]。章海亮等用高光譜成像技術(shù)檢測魚的新鮮度，采用最小二乘支持向量機(jī)作為分類模型，驗(yàn)證集準(zhǔn)確率達(dá)到98%[52]。Jun等利用高光譜成像技術(shù)對冷藏草魚片硬度進(jìn)行分析，實(shí)驗(yàn)結(jié)果表明LS-SVM性能優(yōu)于PLSR[53]。LS-SVM適合于小樣本的學(xué)習(xí)環(huán)境，它繼承了SVM出色的泛化性能且更容易訓(xùn)練，核函數(shù)將光譜數(shù)據(jù)映射到更高維特征空間，并求得最大化余量的超平面進(jìn)行分類。超參數(shù)(正則化參數(shù)和內(nèi)核參數(shù))的選擇會影響LS-SVM的性能。

2.2.4 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò) (artificialneural networks，ANN)是一種自學(xué)習(xí)自適應(yīng)的非線性建模方法，它由大量相互聯(lián)系的基本單元組成，處理信息的方式類似于人類大腦，隨著硬件設(shè)備計(jì)算能力的劇增，人工神經(jīng)網(wǎng)絡(luò)的優(yōu)勢也越來越明顯。其中，誤差反向傳播神經(jīng)網(wǎng)絡(luò)(back Propagation)是人工神經(jīng)網(wǎng)絡(luò)的傳統(tǒng)代表,它的模型共分輸入層、隱層和輸出層3層，基于負(fù)梯度方向的梯度下降法對誤差函數(shù)進(jìn)行訓(xùn)練，通過誤差逆向傳播調(diào)節(jié)連接權(quán)值和閾值[54]。深度學(xué)習(xí)是近年來興起的一種復(fù)雜多隱層神經(jīng)網(wǎng)絡(luò)模型，可對光譜圖像的每一個(gè)像素進(jìn)行標(biāo)記，通過大量數(shù)據(jù)訓(xùn)練可有效降低模型過擬合導(dǎo)致的泛化不良[55]。Huang等融合近紅外光譜技術(shù)和計(jì)算機(jī)視覺技術(shù)預(yù)測魚的TVB-N含量，基于反向傳播(BP)人工神經(jīng)網(wǎng)絡(luò)建立了非線性預(yù)測模型。結(jié)果顯示，訓(xùn)練集和預(yù)測集的識別率分別達(dá)到96.67%和93.33%[56]。Wu等利用VIS/NIS光譜結(jié)合堆疊式降噪自動編碼神經(jīng)網(wǎng)絡(luò)(SDAE-NN)算法，建立了預(yù)測鮭魚冷藏時(shí)間模型。結(jié)果表明，SDAE-NN比PLSR等常規(guī)方法具有更好的性能，且無需光譜預(yù)處理[57]。Yu等用堆疊式自動編碼器(SAE)和邏輯回歸(LR)組成的深度學(xué)習(xí)算法(SAEs-LR)建立了基于高光譜數(shù)據(jù)用以區(qū)分蝦新鮮度的模型。其中SAE算法用于高光譜圖像特征提取，LR算法用于高光譜圖像分類。實(shí)驗(yàn)中，大量像素光譜(每只蝦800個(gè)隨機(jī)像素光譜)被用作輸入大數(shù)據(jù)集，通過像素光譜訓(xùn)練完成后，將SAEs-LR應(yīng)用于平均光譜，以區(qū)分蝦的新鮮度等級。結(jié)果表明，SAEs-LR分別在校準(zhǔn)集和測試集中對蝦的新鮮度準(zhǔn)確率達(dá)到了96.55%和93.97%[58]。人工神經(jīng)網(wǎng)絡(luò)具有大規(guī)模并行數(shù)據(jù)處理能力，但容易遭遇過擬合，可通過正則化來降低泛化誤差。其中，近年來興起的深度學(xué)習(xí)可以用于處理高維光譜數(shù)據(jù)量過大所引起的特征選擇和建模難度增加，深度學(xué)習(xí)與高光譜圖像技術(shù)的結(jié)合在水產(chǎn)品質(zhì)檢測中顯示出良好應(yīng)用前景。

3 發(fā)展趨勢

隨著光譜技術(shù)在水產(chǎn)品質(zhì)檢測領(lǐng)域的研究推進(jìn)，其快速、無損、測試重現(xiàn)度好，精度高、成本低等優(yōu)勢正逐漸體現(xiàn)出來。目前光譜技術(shù)在水產(chǎn)品質(zhì)檢測應(yīng)用尚處于研究階段，實(shí)際生產(chǎn)中應(yīng)用較少，未來的研究關(guān)鍵點(diǎn)主要集中在以下幾點(diǎn)：

(1)建立精確、統(tǒng)一、全面、完善的水產(chǎn)品光譜分析模型庫，采用更加標(biāo)準(zhǔn)化的技術(shù)手段來促進(jìn)水產(chǎn)品質(zhì)光譜檢測的平臺化，真正實(shí)現(xiàn)水產(chǎn)品質(zhì)的在線實(shí)時(shí)分析。另外，為了便于光譜檢測更多應(yīng)用于消費(fèi)者市場，應(yīng)進(jìn)一步降低設(shè)備成本，促進(jìn)設(shè)備一體化和小型化，使光譜檢測具有低價(jià)、靈活、穩(wěn)定、精確等優(yōu)勢。

(2)能反應(yīng)水產(chǎn)品質(zhì)變化的指標(biāo)較多，僅選取單一指標(biāo)對品質(zhì)進(jìn)行預(yù)測，往往難以反映樣品真實(shí)品質(zhì)。因此，可考慮結(jié)合多個(gè)檢測指標(biāo)，同時(shí)增加波段范圍，使用多波段組合等方法進(jìn)行指標(biāo)相關(guān)性分析，從而對水產(chǎn)品質(zhì)做出更加客觀準(zhǔn)確的評價(jià)。

(3)樣品的光譜采集過程容易受到外界環(huán)境噪聲干擾，從而影響檢測結(jié)果的準(zhǔn)確性。為了應(yīng)對這種缺陷，應(yīng)同時(shí)從設(shè)備層面和算法層面對環(huán)境干擾進(jìn)行屏蔽，并且進(jìn)一步改進(jìn)光譜特征波段提取的算法，消除重復(fù)性檢測結(jié)果的隨機(jī)性，從而推動光譜技術(shù)實(shí)時(shí)在線檢測的產(chǎn)業(yè)化發(fā)展。