丁佳興,吳龍國,2,何建國,*,劉貴珊,強 鋒

(1.寧夏大學農學院,寧夏銀川 750021;2.寧夏大學土木與水利工程學院,寧夏銀川 750021)

高光譜成像技術對靈武長棗果皮強度的無損檢測

丁佳興1,吳龍國1,2,何建國1,*,劉貴珊1,強 鋒1

(1.寧夏大學農學院,寧夏銀川 750021;2.寧夏大學土木與水利工程學院,寧夏銀川 750021)

利用高光譜技術對靈武長棗果皮強度檢測進行研究,為靈武長棗外部品質無損檢測提供科學方法。采集120個靈武長棗的400～1000 nm的高光譜圖像,對光譜數據進行預處理;應用連續(xù)投影算法(SPA)、正自適應加權算法(CARS)和無信息變量消除法(UVE)對原始光譜數據提取特征波長;分別建立基于全光譜和特征波長的偏最小二乘回歸(PLSR)和最小二乘支持向量機(LS-SVM)果皮強度預測模型。結果表明:采用標準正態(tài)變換(SNV)預處理算法效果最優(yōu),其PLSR模型的交叉驗證相關系數(Rcv)為0.8207,交叉驗證均方根誤差(RMSECV)為9.9630;利用SPA、CARS和UVE法從全光譜的125個波長中分別選取出29個、31個和31個特征波長;而基于全光譜建立的LS-SVM模型效果最優(yōu),其預測相關系數(Rp)為0.9555,預測均方根誤差(RMSEP)為3.8282;研究結果表明基于高光譜成像技術采集的靈武長棗漫反射光譜進行果皮強度無損檢測具有可行性。

可見-近紅外,高光譜成像,果皮強度,無損檢測,最小二乘支持向量機

靈武長棗,產于寧夏回族自治區(qū)靈武市,栽培歷史悠久,品種優(yōu)良,鮮食果味鮮美,質地酥脆,液汁多富有較好的口感;且富含多種維生素,礦物質和氨基酸等,營養(yǎng)價值很高,深受消費者喜愛[1-2]。然而紅棗在采摘、分級、加工以及運輸等過程中,不可避免地會受到不同程度的擦傷、壓傷、碰傷和摔傷,導致長棗果皮受到不同程度的損傷,從而加速長棗的腐爛變質,嚴重影響長棗品質及其銷售。靈武長棗屬鮮食棗類,帶皮即食,果皮質地是鮮棗口感的重要因素。果皮強度又是質地的重要參數,與長棗的抗壓性、內部品質以及口感有很大關系[3]。因此實現對果皮強度的快速無損檢測對于完善長棗品質評價、指導紅棗采摘、采后儲藏、監(jiān)測加工及運輸過程中的長棗品質等方面意義重大。

目前,鮮棗果皮強度主要利用質構儀通過整果穿刺法獲得,但此方法具有破壞性。因此有必要研究鮮棗果皮強度的無損檢測方法。高光譜成像技術是融合光譜技術與圖像技術的無損檢測技術。近年來,高光譜成像技術廣泛應用于農產品內部及外部品質檢測。較傳統(tǒng)近紅外光譜技術,高光譜具有其獨特的優(yōu)越性。近紅外光譜技術檢測每次只能得到某個點或者幾個點的光譜信息,檢測部位較為局限且選擇點的位置和數量較為隨機和片面[4-5]。而高光譜成像技術克服這些缺點,且可以同時獲得被測樣本的光譜信息和圖像信息,滿足現代無損檢測技術實時、快速、全面,可視等的要求。國內外學者們利用高光譜技術已經對蘋果、梨、獼猴桃、藍莓、甜柿等水果外部品質的無損檢測[6-11]。在利用高光譜成像技術檢測棗質地品質研究中,徐爽[12]等利用高光譜圖像(970～1630 nm)對靈武長棗果肉硬度進行了無損檢測,預測模型相關系數達0.9042,表明高光譜成像技術對棗肉強度的無損檢測具有可行性,而采用高光譜成像技術預測棗果皮強度的研究尚未見報道。

本文以靈武長棗作為研究對象,利用高光譜成像技術獲取樣品可見光區(qū)400～1000 nm的光譜數據。首先通過多元散射校正(multiplicative scatter correction,MSC)、卷積平滑(Savitzky-Golay Smoothing,SGS)、標準正態(tài)變量變換(standardized normal variate,SNV)、歸一化(Normalize)、基線校準(Baseline)等方法對原始光譜進行預處理,用PLSR建模,根據建模效果優(yōu)選預處理方法。然后運用CARS、UVE、SPA算法提取特征波長,分別建立基于全光譜和特征波長的PLSR和LS-SVM的長棗果皮硬度模型;分析比較不同特征波長選取和建模方法對長棗果皮強度的預測效果;選出最優(yōu)模型,進而為高光譜成像技術對靈武長棗果皮強度快速無損檢測與分級提供技術支撐。

1 材料與方法

1.1 材料與儀器

靈武長棗 寧夏靈武某果園;可見-近紅外(400～1000 nm)高光譜成像系統(tǒng)(光譜分辨率2.5nm,共125個波段) 如圖1所示;高光譜成像光譜儀(V10E-QE型) 芬蘭Spectral Imaging Ltd公司;CCD相機(C8484-05G型) 日本Hamamatsu公司;光纖鹵素燈(DCRⅢ型,150W) 美國Schott公司;電控位移平臺(SC300-1A型) 北京Zolix公司;質構儀(TA.XTPlus) 英國Stable Micro System公司。

圖1 可視近紅外高光譜成像系統(tǒng)Fig.1 Vis/NIR hyperspectral imaging system注:1.CCD攝像機；2.成像光譜儀；3.輸送裝置；4.計算機；5.光源。

1.2 實驗方法

1.2.1 樣本前處理 靈武長棗采摘后常溫運輸到實驗室,從中選取120個大小均勻、無損傷的長棗作為樣本。測試前,將樣本清洗、晾干。對其進行編號,測量其形態(tài)尺寸,記錄數據。

1.2.2 光譜數據采集 高光譜圖像數據獲取基于Spectral cube軟件(Spectral Imaging Ltd.,Finland)。采集圖像前,系統(tǒng)條件設置為:CCD相機曝光時間為30 ms,電控位移平臺速度為0.42 mm/s,保證圖像清晰不失真[13]。數據采集時,線陣探測器在光學焦平面的垂直方向作橫向掃描,獲取掃描空間中每個像素在各個波長處的圖像信息,同時隨著電控位移臺的前進,線陣探測器掃出整個平面,完成整個樣本圖像采集。

由于各波段下光源強度分布不均勻及攝像頭中暗電流存在都會導致圖像中含有較大的噪聲。因此要對高光譜圖像進行黑白校正[14],以消除噪聲的影響。

式(1)

其中:R-校正后的漫反射光譜圖像;R0-樣本原始的漫反射光譜圖像;D-暗圖像;W-白板的漫反射圖像。

樣本高光譜圖像采集后,利用ENVI 4.6軟件(Research Systems有限公司,美國)校正光譜和選取感興趣區(qū)域(Region of Interest,ROI)?？紤]到長棗的形狀和表皮顏色不同,分別從每張棗光譜圖像中長棗赤道部位且呈相同暗紅顏色的部位提取30 pixel×30 pixel的ROI,計算出每張ROI的平均反射光譜,并將其作為該長棗的反射光譜。

1.2.3 果皮強度測量 根據馬慶華等[15]檢測冬棗質地的研究,結合長棗自身特點使用質構儀通過穿刺方法測量120個長棗樣本的果皮強度。整果穿刺實驗使用P/2n針狀探頭,采用質構儀自帶軟件Txture Exponent 32輸出樣品的特征曲線。從每個長棗的赤道且呈相同暗紅顏色的部位取3個不同的點測定果皮強度值,取其平均值。

1.2.4 光譜數據處理方法 本文采用連續(xù)投影算法(Successie Projection Algorithm,SPA)、競爭性正自適應加權算法(Competitive Adaptive Reweighted Sampling,CARS)和無信息變量消除法(Uninformative Variable Elimination,UVE)對最優(yōu)預處理后的光譜提取特征波長,分析不同提取特征波長方法對長棗果皮強度預測模型的影響。

1.2.5 建模方法 本文首先建立基于原始光譜和不同預處理光譜預測長棗果皮強度的PLSR模型,優(yōu)選出預處理方法,然后建立基于最佳預處理的全光譜和上述3種特征波長提取方法得到的特征光譜預測長棗果皮強度的PLSR和LS-SVM模型。

1.2.6 模型評判 為了消除光譜曲線上的噪音與無關信息的干擾,提高信噪度,因此利用The Unscrambler X10.2軟件對原始光譜進行預處理操作。不同預處理方法對原始光譜會產生的影響不同。光譜預處理后,應用SPA、CARS和PCA算法提取出特征波長作為模型輸入變量,運用PLSR和PCR建立靈武長棗果皮強度預測模型。通過校正相關系數(Rc)、預測相關系數(Rp)、交互驗證相關系數(Rcv)、校正均方根誤差(root-mean-square error of calibration set,RMSEC)、交叉驗證均方根誤差(root-mean-square error of cross validation set,RMSECV)以及預測均方根誤差(root-mean-square error of prediction set,RMSEP)對模型的性能進行評價。Rc、Rcv、Rp值越大相關性越好;RMSEC、RMSECV、RMSEP值越小說明模型預測能力越好。此外,利用Rc+Rp說明模型總體的果皮強度檢測精度[16]。

1.3 軟件

高光譜采集軟件為Spectral cube(Spectral Imaging Ltd.,Finland),高光譜圖像數據分析軟件為ENV4.6(Research SystemInc.,USA),原始光譜預處理以及PLSR建模使用軟件The Unscrambler X10.2,特征波長提取及LS-SVM建模使用Matlab(MatlabR2014a,Mathwork,Inc.,USA),質構圖像分析軟件采用Texture Exponent 32。

2 結果與分析

2.1 原始光譜及光譜預處理比較

在光譜采集中,由于儀器噪音、暗電流等因素的影響,導致光譜曲線產生不重復和基線漂移等現象[17-18],原始光譜如圖2a,因此在建立預測模型之前需要對原始光譜進行預處理。本文選用以下幾種常見的光譜預處理方法,包括S-G卷積平滑(Savitzky-Golay)、面積歸一化法(Area-Normalization)、最大歸一化法(Maximum-Normalization)、單位歸一化法(Unit-Normalization)、距離歸一化法(Range-Normalization)、平均歸一化法(Mean-Normalization)、多元散射校正(MSC)、標準正態(tài)變量變換(SNV)、基線校準(Baseline)等。采用PLSR分別對原始光譜(Original Spectrum)、經不同預處理后的光譜建立長棗果皮強度校正模型,對其建模效果進行對比分析,建模結果統(tǒng)計如表1所示。

表1 基于不同預處理方法的長棗果皮強度PLSR校正模型

由表1可以看出,經上述預處理方法建立的PLSR校正模型中,原始光譜的PLSR校正模型的Rcv為0.7721,僅有Baseline、SNV、MSC法處理的PLSR校正模型的Rcv值均大于0.8,其中經過SNV處理的PLSR校正模型Rcv值(0.8207)最大,同時經過SNV處理的PLSR校正模型的RMSECV為9.9630,而原始光譜及其他預處理后建立的PLSR校正模型的RMSECV均大于10。綜合以上,經過SNV預處理后的PLSR校正模型具有最大的Rcv和最小的RMSECV,說明經SNV預處理方法建立的PLSR校正模型的性能最好。圖2b為經SNV預處理后的反射光譜,下面將使用該光譜數據進行分析。

圖2 原始光譜和經過SNV處理后的反射光譜Fig.2 Original reflectance spectra and reflectance spectra after SNV

2.2 果皮強度統(tǒng)計及樣本劃分結果

利用質構儀測得長棗果皮強度后,將120個樣本按照3∶1劃分成校正集和預測集,得到校正集樣本90個,預測集樣本30個。長棗樣本果皮強度的統(tǒng)計見表2。由表2可以看出,校正集樣本中果皮強度的最小值小于預測集的最小值,而校正集樣本中果皮強度最大值大于預測集的最大值,即校正集具有較大的果皮強度范圍,進而說明樣本劃分合理。

表2 長棗果皮強度的統(tǒng)計數據

2.3 光譜數據降維

2.3.1 應用SPA選取特征波長 本文利用SPA算法對長棗果皮強度校正模型進行光譜特征波長的選擇,經過變換波長范圍,多次嘗試后將RMSECV最小時的有效波長數定為最優(yōu)。設定選取波長變量范圍為5～38,步長為1,不同波數下的RMSECV變化情況如圖3所示。由圖3可以看出,當特征波長數為29時,RMSECV值最小,因此確定最優(yōu)波長數為29。這29個特征波長分別為401、406、416、421、430、435、445、449、454、459、483、565、593、627、646、661、680、689、718、838、857、862、867、872、891、934、954、982、997 nm。利用SPA算法優(yōu)選出的特征波長占總波長的23.2%。

圖3 SPA中不同有效波長數下的RMSECVFig.3 Variation of RMSECV with number of effective wavelengths in SPA

2.3.2 應用CARS選取特征波長 本文利用CARS算法對長棗果皮強度校正模型進行光譜特征波長的選擇時,設定蒙特卡洛抽樣次數從5到50次,均采用5折交叉驗證法計算,因為每次運行CARS結果不同,具有一定的隨機性,所以在每個設定的蒙特卡洛抽樣次數下,運行20次取所建立的PLS模型中最小的RMSECV,每個蒙特卡洛抽樣次數下最小的RMSECV的情況如圖4所示。由圖4可以看出當抽樣次數為28次時,RMSECV值最小(7.1756)。最后從125個波長中,共優(yōu)選出31個特征波長,分別是406、416、435、440、445、449、454、473、478、497、531、560、569、589、613、632、651、689、718、747、766、790、809、833、896、901、906、925、939、949、997 nm。優(yōu)選出的特征波長占全部波長的24.8%。這31個波長作為長棗果皮強度的特征波長變量組合,分布在光譜中。

圖4 RMSECV隨CARS中抽樣次數變化Fig.4 Variation of RMSECV with number of sampling times in CARS

2.3.3 應用UVE選取特征波長 應用UVE提取特征波長時,首先根據PLS交互驗證模型中RMSECV最小確定PLS的最佳主成分數,本研究中當主成分數為10時,RMSECV最小,因此將主成分確定為10。運行UVE計算125個輸入變量的穩(wěn)定性結果如圖5所示。

圖5 PLS主成分數為10時UVE的穩(wěn)定性分布曲線Fig.5 Stability distribution of variables selected by UVE at ten principal components in PLS

圖5中豎線左側為125個波長變量,右邊為125個隨機變量。兩條水平虛線為變量選擇閾值(20.74),閾值的選擇標準為隨機變量穩(wěn)定性最大絕對值的99%。兩條虛線之內的信息被看作無用信息,兩條虛線外的被看作是有用信息,其對應的波長作為特征波長被選擇出來。應用UVE選取31個特征波長,這31個波長分別為401、416、430、435、445、454、459、473、478、483、541、545、550、555、560、565、569、598、603、608、718、723、733、800、809、819、925、958、963、968、997nm。利用UVE提取出的特征波長占總波長的24.8%。

2.4 建模算法的比較與分析

根據原始光譜和預處理基于PLSR的預測模型建模對比發(fā)現SNV法為最優(yōu)預處理方法,分別建立全波段光譜(Full Spectrum,FS)和3種方法提取的特征波長基于PLSR和LS-SVM的長棗果皮強度預測模型,對其建模效果進行比較分析,結果如表3。

表3 不同建模方法下靈武長棗果皮強度真實值與預測值的比較

2.4.1 PLSR建模結果分析 在利用The Unscrambler X10.2所建立PLSR預測模型中,主要根據RMSECV值的大小以及Rc和Rp綜合確定最佳主成分數,得到上述PLSR建模結果。其中利用全波長、CARS、SPA和UVE法提取的特征波長建立的預測模型的最佳主成分數分別是10、13、12、9。由表3可以看出,在PLSR預測模型中,雖然CARS-PLSR模型具有最大的Rc(0.9393)和最小的RMSEC(5.9173),但同時也有最小的Rp和最大的RMSEP,說明該模型具有較好的校正性能,但預測性能較差,故模型不穩(wěn)定;SPA-PLSR的Rc(0.9127)和Rp(0.8900)均大于FS-PLSR,但其RMSEP略大于FS-PLSR,說明SPA-PLSR比FS-PLSR模型的校正能力強,而預測模型略遜于FS-PLSR,綜合比較SPA-PLSR模型穩(wěn)定性較好。而UVE-PLSR模型的Rc(0.8950)小于SAP-PLSR,且RMSEC(7.6905)略大于SAP-PLSR,但UVE-PLSR模型具有最低的RMSEP(8.1479),該模型表現出較強的預測性能,并且UVE-PLSR模型最佳主成分數(9)最少,說明該模型穩(wěn)定性較好,而UVE-PLSR模型的Rc+Rp(1.7713)較FS-PLSR的Rc+Rp(1.7755)略小,說明利用UVE選取的特征波長代表全波段進行PLSR建模是可行的。故認定UVE-PLSR模型是所建立的PLSR模型中的最優(yōu)模型。

2.4.2 LS-SVM建模結果分析 由表3可以看出,FS-LS-SVM和SPA-LSSVM具有較高的Rc和Rp,同時具有較低的RMSEC和RMSEP,說明兩者的校正性能和預測性能均強于CARS-LSSVM和UVE-LS-SVM。但FS-LS-SVM模型的Rc(0.9571)和Rp(0.9555)大于SPA-LS-SVM模型的Rc(0.9430)和Rp(0.9376),且前者的RMSEC(5.1205)和RMSEP(3.8282)小于后者的RMSEC(5.8055)和RMSEP(4.5408),說明SPA-LSSVM模型較FS-LS-SVM模型效果略差,說明利用SPA提取特征波長時,剔除了部分有效信息,但優(yōu)于其他兩種方法。故基于全波段建立的LS-SVM模型最為穩(wěn)定。

2.4.3 不同模型比較 對比相同波長下的PLSR和LS-SVM模型,基于全波段、CARS、SPA和UVE建立的LS-SVM模型的Rc+Rp均大于對應的PLSR模型,因此,就本研究果皮強度指標而言,LS-SVM模型的穩(wěn)定性優(yōu)于PLSR模型。

對比UVE-PLSR和FS-LS-SVM模型的建模效果,因為FS-LS-SVM模型具有最大的Rc和Rp以及最小的RMSEC和RMSEP,故本研究確定FS-LS-SVM為預測長棗果皮強度的最優(yōu)模型,其建模結果如圖6所示。

圖6 FS-LS-SVM建模結果Fig.6 FS-LS-SVM modeling results

3 結論

對獲取的靈武長棗400～1000 nm的光譜進行不同方法的預處理,結果對比分析之后可知,經過SNV處理后的光譜PLSR建模效果較好。對SNV處理后的光譜數據用SPA、CARS和UVE進行降維處理,SPA、CARS、UVE算法提取的關鍵波長僅占原數據的一小部分,SPA、CARS、UVE算法提取的關鍵波長分別占原數據的23.2%、24.8%、24.8%;采用PLSR、LS-SVM方法對SPA、CARS、UVE算法提取的關鍵波長分別建模,結果表明,利用UVE提取的特征波長代替全波段建立PLSR模型是可行的;在LS-SVM模型中,利用SPA提取特征波長好于其他提取方法,但略于基于全波段建立的LS-SVM模型。比較不同建模方法,確定FS-LS-SVM方法建立的果皮強度模型為最優(yōu)模型,其Rc為0.9571,RMSEC為5.1205;Rp為0.9555,RMSEP為3.8282。

[1]李丹. 基于高光譜成像技術的靈武長棗無損檢測技術研究[D].銀川:寧夏大學,2015.

[2]茍茜,王敏,冀曉龍,等.不同成熟度靈武長棗食用及營養(yǎng)品質研究[J]. 現代食品科技,2014,30(11):98-104.

[3]陳文濤,袁德義,張日清,等.鮮食棗品質的綜合評價[J]. 湖南農業(yè)大學學報(自然科學版),2014,40(1):32-36.

[4]吳龍國,何建國,賀曉光,等.高光譜圖像技術在水果無損檢測中的研究進展[J]. 激光與紅外,2013,9:990-996.

[5]Johnson Ⅲ Owen N,Slidell Mark,Kreishman Peter,et al. Hyperspectral imaging:an emerging technology as a potential novel adjunct in assessing peripheral perfusion deficits and success oflower extremity revascularizations[J]. Journal of the American College of Surgeons(S1072-7515),2008,207(3):S114.

[6]單佳佳,彭彥昆,王偉,等.基于高光譜成像技術的蘋果內外品質同時檢測[J]. 農業(yè)機械學報,2011,42(3):140-144.

[7]侯寶路,李柏承,周瑤,等. 基于可見-近紅外高光譜成像技術的梨硬度和可溶性固體含量的預測[J]. 激光雜志,2015,10:70-74.

[8]劉卉,郭文川,岳絨.獼猴桃硬度近紅外漫反射光譜無損檢測[J]. 農業(yè)機械學報,2011,42(3):145-149.

[9]薛璐,劉小路,魯曉翔,等.近紅外漫反射無損檢測藍莓硬度的研究[J]. 浙江農業(yè)報,2015,27(9):1646-1651.

[10]王丹,魯曉翔,張鵬,等.近紅外無損檢測甜柿果實質地和品質[J]. 食品工業(yè)科技,2013,34(24):53-56.

[11]郭文川,董金磊. 高光譜成像結合人工神經網絡無損檢測桃的硬度[J]. 光學精密工程,2015,6:1530-1537.

[12]徐爽,何建國,賀曉光,等.基于高光譜技術長棗內外品質同時檢測[J]. 光電子·激光,2013,24(10):1972-1976.

[13]徐爽,何建國,易東,等.基于高光譜圖像技術的長棗糖度無損檢測[J]. 食品與機械,2012,28(6),168-170.

[14]ElMasry G,Wang N,ElSayed A. Hyperspectral imaging for nondestructive determination of some quality attributes for strawberry[J]. Journal of Food Engineering,2007,81:98-107.

[15]馬慶華,王貴禧,梁麗松.質構儀穿刺實驗檢測冬棗質地品質方法的建立[J]. 中國農業(yè)科學,2011,6:1210-1217.

[16]董金磊,郭文川.采后獼猴桃可溶性固形物含量的高光譜無損檢測[J]. 食品科學,2015,36(16),101-106.

[17]劉燕德,周延睿,彭彥穎.基于近紅外漫反射光譜檢測雞蛋品質[J]. 光學精密工程,2013,1:40-45.

[18]蔣蘋,羅亞輝,胡文武,等.基于高光譜的油茶籽內部品質檢測最優(yōu)預測模型研究[J]. 農機化研究,2015,7:56-60.

Non-destructive determination of pericarp break force of lingwu long jujube by hyperspectral imaging technology

DING Jia-xing1,WU Long-guo1,2,HE Jian-guo1,*,LIU Gui-shan1,QIANG Feng1

(1.School of Agriculture,Ningxia University,Yinchuan 750021,China; 2.Institute of Civil and Hydraulic Engineering,Ningxia University,Yinchuan 750021,China)

Using hyperspectral imaging technology to measure pericarp break force of Lingwu Jujube could provide a scientific method for the non-destructive measurement of external quality of Lingwu Jujube. The Hyperspectral image of 120 Lingwu Long Jujubes were acquired from 400 nm to 1000nm,and pretreatment methods were used to process diffuse reflectance spectroscopy. The successive projections algorithm(SPA),competitive adaptive reweighed sampling(CARS)and principal uninformative variable elimination(UVE)were used to select characteristic wavelengths. A partial least squares regression(PLSR)and a least squares support vector machine(LS-SVM)model were established based on full spectra and selected characteristic wavelengths for predicting pericarp break force of Lingwu long Jujube. The result showed that standardized normal variate(SNV)pretreatment method was best,and the correlation coefficient of cross calibration(Rcv)of the PLSR model built was 0.8207,root mean square error of cross validation(RMSEP)reached 9.9630. The SPA,CARS and UVE method were used to select characteristic wavelengths with 29,31 and 31 from 125 wavelengths,respectively. LS-SVM model based on full spectra was the best,and correlation coefficient of prediction(Rp)and root-mean-square error of prediction(RMSEP)of the model was 0.9555 and 3.8282,respectively. The results indicated that the non-destructive measurement for pericarp break force of Lingwu Jujube based on hyperspectral imaging technology was feasible.

visible-near infrared;hyperspectral imaging technology;pericarp break force;nondestructive measurement;least squares support vector machine

2016-07-07

丁佳興(1993-),男,在讀碩士，研究方向:高光譜無損檢測,E-mail:nxudjx@163.com。

*通訊作者:何建國(1960-),男,碩士,教授,研究方向:農產品無損檢測,E-mail:hejg@nfcu.edu.cn。

國家自然科學基金(31560481)。

TS

A

1002-0306(2016)24-0000-00

10.13386/j.issn1002-0306.2016.24.000