表1 试验田样品信息
Tab le 1 In fo rm ation abou t the sam p les from experim en tal fields
宋雪健，钱丽丽，张东杰*，王欣卉，于 果，于金池，周 义
（黑龙江八一农垦大学食品学院，黑龙江 大庆 163319）
摘 要：通过对试验田大米样品进行特征波段的筛选后，在其范围内利用傅里叶变换漫反射近红外光谱法结合化学计量学对来自2014、2015年的地理标志产品查哈阳大米和五常大米进行产地溯源检测。结果表明，来自不同地区的大米样品在波段为5 136～5 501 cm－1处均有显著差异。利用因子化法建立的定性分析模型对2014年查哈阳及五常大米的正确预测率均为100%，对2015年两地区样品的正确预测率分别为100%、91.67%。利用偏最小二乘法建立的定量分析模型对2014年两地区的样品正确预测率为90.90%、95.83%，对2015年两地区的样品正确预测率为91.67%、87.50%。
关键词：近红外漫反射光谱技术；大米；产地；定性分析；定量分析
素有“贡米”之称的五常大米及“世界华人食品博览会”金奖获得者查哈阳大米作为地理标志产品，备受消费者青睐，具有广阔的市场空间，但是却面临着假冒、以次充好的问题，严重影响声誉。因此，实现对地理标志大米产地溯源的快速鉴别有着十分重要的意义。对于大米产地溯源的研究多集中于模糊模式识别[1]、同位素指纹技术[2]、矿物元素指纹分析技术[3]、高光谱图像技术[4]、电子鼻、电子舌技术[5-6]、气相色谱-质谱联用法[7]、条形码技术[8]、无线射频技术[9]、核磁共振技术[10]等，但这些检测方法过于繁琐、费用昂贵，不适用于大米产地溯源的快速鉴别。
近红外光谱的采集方式主要有透射式、漫反射式、透漫射式3 种，其中透射式及漫反射式是需要光透过待测样品来进行近红外光谱的采集，多用于液体样品的近红外光谱采集；漫反射式因作用光在样品内部，发生多次反射、折射、衍射、吸收，而负载了样品的结构和组成信息，多用于固体样品的近红外光谱采集。该技术是利用谱区中体现的物质信息及吸收带的吸收强度用于有机物质的定性和定量分析，其中吸收带的吸收强度与分子组成或化学基团的含量有关[11]。刘沭华等[12]利用近红外漫反射光谱法结合近邻法和多类支持向量机技术对来自4 个不同产地的269 个白芷样本进行产地溯源鉴别研究，结果表明，其模型的正确鉴别率高达99%。杜敏等[13]利用近红外漫反射光谱技术通过采集枸杞子的表面光谱，能正确实现对其进行产地溯源的快速鉴别。王庆振等[14]研究发现在波数为4 170～10 000 cm－1之间利用近红外漫反射光谱技术结合主成分分析和聚类分析能实现对新疆黑果小檗皮产地的快速鉴别。在灵芝[15]、黄芩[16]、党参[17]、山楂[18]等产地溯源的研究中也有相应报道。应用近红外漫反射光谱技术对大米产地溯源的研究较少，同时对同地区不同年份的大米进行重复分析，研究其年份、产地对判别率的影响鲜见报道。本实验通过分析水稻光谱的特征及差异后，利用近红外漫反射光谱技术对同地区不同年份的大米产地溯源进行判别分析，为大米产地溯源的进一步鉴别研究提供理论依据。
1.1 材料与试剂
材料采集于2014、2015年收获期内查哈阳、五常地区及2015年试验田的样品，均为田间采样，采用3 点随机取样的方式进行收割，编号稻谷样品，每份样本采集2 kg装入尼龙网兜，并记录采样信息，所有水稻品种均为粳米。除试验田样品外，其余均归为随机样品。样本详细信息如表1、2所示。
表1 试验田样品信息
Tab le 1 In fo rm ation abou t the sam p les from experim en tal fields
表2 随机采样样品信息
Tab le 2 In fo rm ation abou t the random ly co llected sam p les
1.2 仪器与设备
FC2K砻谷机 日本大竹制作所；VP-32实验碾米机日本山本公司；FW 100高速万能粉碎机 天津泰斯特仪器有限公司；TENSORⅡ型傅里叶变换近红外光谱仪德国布鲁克（北京）科技有限公司。
1.3 方法
1.3.1 水稻试验田的构建
于2015年，以粳稻主产区黑龙江省（五常、佳木斯、齐齐哈尔）为试验点，设计3 块试验田。每块试验田种植主栽中晚熟品种9 个（空育131、龙粳31、龙粳26、龙粳29、龙粳39、龙粳40、松粳9、五优稻4号、绥粳4），各试验田育苗移栽、秧田管理、施肥、灌溉均按当地生产习惯，所有品种同期播种。采用3 次重复随机区组设计，小区面积不少于10 m2。四周设保护行，保护行品种与各对应品种相同。
1.3.2 样品前处理
将采集样品进行晾晒、脱粒等前处理，在实验室对其进行垄谷、碾米的统一加工过程。经超微粉碎机进行制粉处理，过100 目筛子，待测。每个样品砻谷2 次。碾米的进样量为3 次，白度为3 次，碾米3 次。
1.3.3 水稻样品原始光谱的采集
将漫反射傅里叶近红外光谱仪预热30 m in，打开OPUS 7.5软件经由检查信号、保存峰位，扫描背景单通道光谱并且每间隔1 h扫描一次背景，来消除外界信息干扰保证光谱的稳定性以减少误差。将样品粉末倒入玻璃杯中，用压样器压实，测量样品单通道采集样品光谱。环境温度为室温（25±1） ℃，相对湿度为20%～30%，光谱波数范围12 000～4 000 cm－1，分辨率8 cm－1，扫描64 次。
1.3.4 试样选取
试验田样品用于特征波段的筛选，随机样品则选择样品量的2/3作为建模样品用于模型的建立，1/3作为预测样品集用于模型的验证。各地区用于建模和预测的样品数见表3。
1.3.5 试验田近红外光谱数据处理
为消除噪声、基线漂移、光的色散等因素的干扰，同时为防止出现过拟合现象，故应用OPUS 7.5软件分别对试验田样品的原始光谱进行一阶导数预处理，为筛选出与产地有关的波段，应用SPSS 19.0软件对试验田样品进行方差分析，得出特征波段。
1.3.6 模型的建立及验证
1.3.6.1 基于因子化法的定性分析模型建立
采用OPUS 7.5软件在特征波段对样品进行定性分析模型的建立，预处理方式分为矢量归一化（standard normal variate，SNV）、一阶导数＋平滑（5、9、13、17、21、25 点）、一阶导数＋SNV＋平滑、二阶导数＋平滑、二阶导数＋SNV＋平滑等，来消除无关信息的干扰，提高模型的精度。并采用因子化法对光谱进行计算处理，通过比较选择性S值来最终确定最优预处理方式并建立定性分析模型，其中S值表征样品之间的距离，当S值小于1时，表示两类样品“相交”，样品未被分开；当S值为1时，表示两类样品“相切”；当S值大于1时，表示两类样品“相离”，样品被分开，故S值越大于1，模型的效果越好。进而确定定性分析模型。
1.3.6.2 基于偏最小二乘法的定量分析模型建立
采用交叉检验以偏最小二乘法在特征波段进行定量分析模型的建立，分别将2014年五常大米的组分值赋值为－2、查哈阳大米的组分值赋值为－1，2015年查哈阳大米的组分值赋值为1、五常大米的组分值赋值为2，以预测值在－2±0.5的区间内为2014年五常大米，以此类推[19]。光谱的预处理方式有消除常数偏移量、减去一条直线、SNV、最小-最大归一化、多元散射矫正（multiplicative scatter correction，MSC）、内部标准、一阶导数＋平滑、二阶导数＋平滑、一阶导数＋减去一条直线＋平滑、一阶导数＋SNV＋平滑、一阶导数＋多元散射校正＋平滑，通过交互验证均方根误差（root mean square error of cross validation，RMSECV）及定向系数（R2）来衡量模型的质量，其中R2越接近1则预测含量值越接近真值；RMSECV数值越小越好；同时RMSECV先随维数的增大快速下降后略微逐渐增大，模型效果较好，进而来确定定量分析模型。
1.3.6.3 模型验证
利用OPUS 7.5软件分别选择定性分析和定量分析工具栏，调入模型，调入预测样品光谱图，测定得出结果。
表3 建模与预测样品
Tab le 3 Num bers o f sam p les used for m odeling and p red iction
2.1 试验田大米近红外光谱分析结果
图1 试验田样品（A）和随机采样样品（B）原始光谱
Fig. 1 Raw spectra o f experim en tal field sam p les (A) and random ly co llected sam p les (B)
如图1所示，在波段为7 500～9 000 cm－1处（Ⅰ区）是C—H第3组合频区，其中8 321 cm－1附近的吸收峰是由脂肪烃中甲基（—CH）基团引起的；5 500～7 500cm－1处（Ⅱ区）是C—H第2组合频区，在6 846 cm－1附近的吸收峰是因—CH2二级振动引起的，因与样品中氨基酸种类及含量有关，所以较Ⅰ区信息稍微强些；4 000～5 500 cm－1处（Ⅲ区）是C—H第1组合频谱区，表征蛋白质及淀粉物质中N—H、C—H、O—H及C=O键振动的要区间，其中5 173 cm－1处的吸收峰与其有关[20]。不同产地及不同品种之间的近红外光谱相似，采用一阶导数对试验田原始光谱预处理后进行方差分析，结果表明，不同地区来源的样品在波段5 136～5 501 cm－1处均有显著差异，说明不同地区间样品的近红外光谱存在显著性差异。80%大米中蛋白为碱溶性谷蛋白，其分子有大量酰胺基团，并通过氢键凝集蛋白分子[21]。夏立娅等[22]采用近红光谱技术对响水大米进行产地溯源，结果表明应用特征波段进行研究具有较强的代表性。
2.2 不同预处理方式对定性分析建模效果的影响
近红外光谱虽然包含了丰富的物质信息，但谱峰重叠较多、信号较弱，因此近红外光谱的定性分析主要用于物质的种属判别。通过对大米的原始光谱采用因子化法进行主成分分解，保留了有效信息的前提下，还起到了对特征信息提取的作用。对原始光谱进行预处理能消除样品的重复性、噪声、杂质及样品厚度不同等因素的干扰，从而提高模型的精确度[23]。在特征波段
化法结合不同的预处理方式进行定性分析建模研究，如表4所示。结果表明，采用二阶导数＋SNV＋5 点平滑对随机样品的原始光谱进行预处理时，各类样品之间的S值均大于1，且各年份及各地区均被正确分类，故选此建立定性分析模型，如图2所示。张治军等[24]采用近红外光谱技术结合因子化法对29 批三七样品进行分析发现，该方法能正确识别三七样品的真伪。庞艳苹等[25]采用近红外光谱技术结合因子化法对137 份红杏样品进行产地溯源研究，结果表明模型的正确判别率高达93.30%。张敏等[26]利用近红外漫反射技术结合因子化法对来自不同产地的69 份鸡血藤药材进行产地溯源区分效果极高。
表4 不同预处理方式对定性分析模型效果影响
Tab le 4 Effects o f d ifferent spectral p retreatm en t m ethods on qualitative analysis m odel
注：A. 2015年查哈阳地区；B. 2015年五常地区；C. 2014年五常地区；D. 2014年查哈阳地区；AB. 2015年查哈阳大米到五常大米之间的“距离”，其余字母以此类推。
图2 因子化法2D得分图
Fig. 2 2D score chart obtained by factorization m ethod
2.3 不同预处理方式对定量分析建模效果的影响
表5 不同预处理方式对定量分析模型效果影响
Tab le 5 Effect o f d ifferent spectral p retreatm en t m ethods on quan titative analysis m odel
定量分析建模的目的是建立近红外光谱技术与样品分类的相关联系。偏最小二乘法较其他方法建立的回归模型更易于辨识系统信息与噪声，也能够在自变量存在严重多重相关性的条件下进行回归建模，其模型效果相对于其他判别方法具有较高精度[27]。建模样品光谱所包含的信息将通过偏最小二乘法与组分值的信息进行关联。该方法假定从光谱观察到的体系变化是组分值变化的结果，且组分值与其信号变化的相关关系不必是线性的。在特征波段5 136～5 501 cm－1处采用偏最小二乘法进行拟合结合交叉检验方式对随机采样样品光谱的预处理方式，如表5所示。结果表明，采用一阶导数＋SNV＋ 5 点平滑的预处理方式，模型的RMSECV为0.341，R2为0.950 5，维数为3，故选此方法来建立定量分析模型。如图3所示。杨海龙等[28]利用漫反射近红外光谱技术对来自山东、河南、河北的60 个山楂药材中的绿原酸和金丝桃苷建立定量分析模型，结果表明，其模型的预测集相关系数Rp分别为0.984 1和0.986 9，预测均方根误差分别为0.098 1和0.053 3。Davrieux等[29]采用近红外光谱漫反射技术对泰国的香味大米和非香味大米应用偏最小二乘法建立检测模型，其鉴别正确率高达97.40%。赵海燕等[30]应用近红外光谱技术结合偏最小二乘判别分析法对来自2007年和2008年4 个省份的240 份小麦样品进行产地溯源研究，结果表明，2007年样品的正确鉴别率为87.50%，2008年样品的正确鉴别率为91.70%。
图3 地区预测值与参考值相关图（A）和RMSECV与维数关系图（B）Fig. 3 Relationships betw een p red ictive and reference values and betw een RMSECV and d im ensionality
2.4 大米产地溯源模型的验证
表6 模型鉴别结果
Tab le 6 Results of m odel identification
运用建立好的定性分析模型和定量分析模型对预测样品集进行验证，如表6所示。定性分析模型对样品的正确预测率较高，其中对2014年查哈阳及五常地区的正确预测率均为100%，对2015年两地区的正确预测率分别为100%、91.67%。定量分析模型对2014年两地区的样品正确预测率为90.90%、95.83%，对2015年两地区的样品正确预测率为91.67%、87.50%。由图2、3A可知，2015年五常地区与其他地区相比样品分布较为松散，自身差异较大，故其判别率较低，原因可能是受水稻品种、自然环境及人工行为等因素的影响导致的。
选取2014、2015年的查哈阳及五常地区的274 份大米样品及2015年90 份试验田样品，应用漫反射傅里叶变换近红外光谱技术结合化学计量学在考虑年份的前提下，对大米样品进行产地溯源研究，通过利用试验田样品进行与产地有关的波段筛选，并应用于不同年份的随机样品产地溯源分析中。结果表明，试验田样品原始光谱经一阶导数处理得出特征波段为5 136～5 501 cm－1。在此基础上采用因子化法结合二阶导数＋SNV＋5 点平滑的预处理方式建立的定性分析模型对2014年查哈阳及五常地区的正确预测率均为100%，对2015年两地区的正确预测率分别为100%、91.67%。采用偏最小二乘法结合一阶导数＋SNV＋5 点平滑的预处理方式建立的定量分析模型对2014年两地区的样品正确预测率为90.90%、95.83%，对2015年两地区的样品正确预测率为91.67%、87.50%。因此，采用漫反射傅里叶变换近红外光谱技术可以实现大米的不同年份、产地的快速鉴别。不同地区来源的大米样品存在显著性差异，大米的近红外光谱受产地及年份等因素影响较大。同时也受品种、基因型、施肥量等因素的影响，所以模型的稳定性有待进一步提高。
参考文献：
[1] 宋明娟, 朱思宇, 杨丽, 等. 大米产地的模糊模式识别[J]. 模糊系统与数学, 2015, 29(4): 186-190.
[2] KORENAGA T, MUSASHI M, NAKASHITA R, et al. Statistical analysis of rice samples for compositions of multiple light elements (H, C, N, and O) and their stable isotopes[J]. Analytical Sciences the International Journal of the Japan Society for Analytical Chem istry, 2010, 26(8): 873-878. DOI:10.2116/analsci.26.873.
[3] 张玥. 吉林省大米产地溯源分析的研究[D]. 长春: 吉林农业大学, 2015: 10-15.
[4] 孙大文, 王璐, 曾新安, 等. 一种基于高光谱图像技术区分大米产地的检测方法: CN104215584A[P]. 2014.
[5] 钱丽丽, 乔治, 左锋, 等. 基于电子鼻技术的地理标志大米产地溯源研究[J]. 农产品加工, 2014(12): 38-41. DOI:10.3969/jissn.1671-9646(X).2014.12.041.
[6] WANG L, NIU Q, HUI Y, et al. Discrim ination of rice w ith different pretreatment methods by using a voltammetric electronic tongue[J]. Sensors, 2015, 15(7): 17767-17785. DOI:10.3390/s150717767.
[7] 田福林, 李红, 刘成雁, 等. GC-MS法对不同产地大米的快速鉴定[J]. 分析测试学报, 2011, 30(9): 1059-1062. DOI:10.3969/ j.issn.1004-4957.2011.09.020.
[8] 杨彦. 基于RFID和二维码技术的农产品溯源商务平台建设的探讨[J]. 浙江农业科学, 2013(9): 1218-1222. DOI:10.3969/ j.issn.0528-9017.2013.09.053.
[9] SALAZAR J L, AZUARA G, TORNOS J L. Im p roving RFID traceability system s w ith verifiab le quality[J]. Industrial M anagement and Data System s, 2012, 112(3): 340-359. DOI:10.1108/02635571211210022.
[10] 郑馨. 核磁共振技术在蜂蜜溯源分析和掺假鉴别中的应用[D].厦门: 厦门大学, 2016: 2-4.
[11] 张小超, 吴静珠, 徐云. 近红外光谱分析技术及其在现代农业中的应用[M]. 北京: 电子工业出版社, 2012: 2.
[12] 刘沭华, 张学工, 周群, 等. 近红外漫反射光谱法和模式识别技术鉴别中药材产地[J]. 光谱学与光谱分析, 2006, 26(4): 629-632. DOI:10.3321/j.issn:1000-0593.2006.04.010.
[13] 杜敏, 吴志生, 林兆洲, 等. 近红外漫反射光谱法快速鉴别枸杞子产地[C]//中华中医药学会中药分析分会学术交流会. 2012.
[14] 王庆振, 李莉, 孙颖平. 近红外漫反射光纤光谱法快速鉴别新疆黑果小檗皮[J]. 安徽医药, 2015(6): 1074-1077. DOI:10.3969/ j.issn.1009-6469.2015.06.016.
[15] CHEN Y, XIE M Y, YAN Y, et al. Discrim ination of Ganoderma lucidum according to geographical origin w ith near infrared diffuse reflectance spectroscopy and pattern recognition techniques[J]. Analy tica Chim ica A cta, 2008, 618: 121-130. DOI:10.1016/ j.aca.2008.04.055.
[16] LI W, XING L, CAI Y, et al. Classif i cation and quantif i cation analysis of Radix Scutellariae from different origins w ith near infrared diffuse reflection spectroscopy[J]. Vibrational Spectroscopy, 2011, 55(1): 58-64. DOI:10.1016/j.vibspec.2010.07.004.
[17] LI B, WEI Y, DUAN H, et al. Discrim ination of the geographical origin of Codonopsis pilosula, using near infrared diffuse reflection spectroscopy coupled w ith random forests and k-nearest neighbor m ethods[J]. V ibrational Spectroscopy, 2012, 62(9): 17-22. DOI:10.1016/j.vibspec.
[18] YANG H L, ZANG H C, TIAN H U, et al. Classification and quantification analysis of haw thorn from different origins w ith near-infrared diffuse reflection spectroscopy[J]. Chinese Journal of Pharmaceutical Analysis, 2014, 4(5): 755-768.
[19] 张晓焱. 基于近红外光谱的柑桔产地溯源及橙汁掺假识别研究[D].重庆: 西南大学, 2010.
[20] 杰尔·沃克曼, 洛伊斯·文依. 近红外光谱解析实用指南[M]. 北京:化学工业出版社, 2009: 220.
[21] WU C H, NAKAI S, POWRIE W D. Preparation and properties of acid-solubilized gluten[J]. Journal of Agricultural and Food Chem istry, 1976, 24(3): 504-510. DOI:10.1021/jf60205a057.
[22] 夏立娅, 申世刚, 刘峥颢, 等. 基于近红外光谱和模式识别技术鉴别大米产地的研究[J]. 光谱学与光谱分析, 2013, 33(1): 102-105. DOI:10.3964/j.issn.1000-0593(2013)01-0102-04.
[23] 褚小立, 袁洪福, 陆婉珍. 近红外分析中光谱预处理及波长选择方法进展与应用[J]. 化学进展, 2004, 16(4): 528-542. DOI:10.3321/ j.issn:1005-281X.2004.04.008.
[24] 张治军, 饶伟文. 三七及其伪品的近红外光谱鉴别法[J]. 中国药房, 2009(30): 2367-2369.
[25] 庞艳苹, 苏跃辉, 刘峥颢, 等. 近红外光谱法对巨鹿串枝红杏的快速鉴别[J]. 湖北农业科学, 2013, 52(24): 6153-6155. DOI:10.3969/ j.issn.0439-8114.2013.24.059.
[26] 张敏, 韩正洲, 严萍, 等. 基于近红外漫反射光谱的鸡血藤药材定性分析[J]. 世界科学技术-中医药现代化, 2014, 16(7): 1491-1496. DOI:10.11842/wst.2014.07.009.
[27] IBRAHIM S, RAHIM H A. The assessment of amylose content using near infrared spectroscopy analysis of rice grain samples[C]//IEEE Conference on Open Systems. 2013: 32-37.
[28] 杨海龙, 臧恒昌, 胡甜, 等. 近红外漫反射光谱法对不同产地山楂的定性鉴别和定量分析[J]. 药物分析杂志, 2014(3): 396-401. DOI:10.16155/j.0254-1793.2014.03.005.
[29] DAVRIEUX F, OUADRHIRI Y, PONS B, et al. Discrim ination between aromatic and non-aromatic rice by near infrared spectroscopy: a prelim inary study[C]//Proceedings o f the 12th International Conference. Auckland, 2007.
[30] 赵海燕, 郭波莉, 魏益民, 等. 近红外光谱对小麦产地来源的判别分析[J]. 中国农业科学, 2011, 44(7): 1451-1456. DOI:10.3864/ j.issn.0578-1752.2011.07.018.
Tracing the Geographical Origin o f Rice Grow n in Different Crop Years Based on Diffuse Reflectance Fou rier Transform Near In frared Spectroscopy
SONG Xuejian, QIAN Lili, ZHANG Dong jie*, WANG Xinhui, YU Guo, YU Jinchi, ZHOU Yi
(Co llege o f Food Science, Heilong jiang Bayi Ag ricu ltural University, Daqing 163319, China)
Abstract:In this study we identified the feature wavebands for rice samples grown in experimental fields located in Wuchang, Jiamusi and Qiqihar in 2015 to examine the application of diffuse ref l ectance Fourier transform near infrared (FTNIR) spectroscopy combined w ith chemometrics for identifying the traceability of the geographical indication products Chahayang rice and Wuchang rice harvested in 2014 and 2015. The results showed that the rice samples from different regions were signif i cantly different in the wavenumber region of 5 136–5 501 cm-1. The predictive accuracy of the developed qualitative analysis model was 100% for both Chahayang rice and Wuchang rice harvested in 2014, and 100% and 91.67% for Chahayang rice and Wuchang rice harvested in 2015, respectively. The accuracy of the quantitative prediction model established by partial least squares method was 90.90% and 95.83% for Chahayang rice and Wuchang rice harvested in 2014, and 91.67% and 87.50% for Chahayang rice and Wuchang rice harvested in 2015, respectively.
Key words:near infrared diffuse ref l ectance spectroscopy; rice; origin; qualitative analysis; quantitative analysis
DOI:10.7506/spkx1002-6630-201718044
中图分类号：O657.3
文献标志码：A
文章编号：1002-6630（2017）18-0286-06引文格式：
宋雪健, 钱丽丽, 张东杰, 等. 基于漫反射傅里叶变换近红外光谱技术对不同年份的大米产地溯源检测[J]. 食品科学, 2017, 38(18): 286-291.
DOI：10.7506/spkx1002-6630-201718044. http://www.spkx.net.cn
SONG Xuejian, QIAN Lili, ZHANG Dong jie, et al. Tracing the geog raphical origin o f rice grown in different crop years based on diffuse reflectance fourier transform near in frared spectroscopy[J]. Food Science, 2017, 38(18): 286-291. (in Chinese w ith Eng lish abstract) DOI:10.7506/spkx1002-6630-201718044. h ttp://www.spkx.net.cn
收稿日期：2017-03-11
基金项目：国家自然科学基金面上项目（81673170）；黑龙江省垦区科研项目（HKN125B-13-02）；黑龙江省垦总局“十三五”重点科技攻关项目（HNK135-06-06）；黑龙江八一农垦大学校内培育课题（XZR2016-07）
作者简介：宋雪健（1991—），男，硕士研究生，研究方向为食品加工与质量安全。E-m ail：582572280@qq.com
*通信作者：张东杰（1966—），男，教授，博士，研究方向为农产品加工与安全。E-m ail：byndzd j@126.com