臍橙總糖近紅外光譜模型傳遞研究

胡潤(rùn)文，夏俊芳

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

臍橙總糖近紅外光譜模型傳遞研究

胡潤(rùn)文，夏俊芳*

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

為實(shí)現(xiàn)近紅外光譜模型在同類(lèi)光譜儀器間的共享，以臍橙總糖為例，在主儀器上建立最優(yōu)的偏最小二乘(PLS)近紅外光譜模型，采用斜率截距(Slope/Bias)校正法和直接校正(DS)算法把主儀器上建立的模型傳遞到從儀器上，并探討標(biāo)準(zhǔn)化樣品個(gè)數(shù)對(duì)模型傳遞效果的影響。研究表明：在主儀器建立的模型經(jīng)DS算法傳遞后，從儀器預(yù)測(cè)集的預(yù)測(cè)標(biāo)準(zhǔn)差(RMSEP)為0.448%，經(jīng)Slope/Bias校正法傳遞后的預(yù)測(cè)標(biāo)準(zhǔn)差(RMSEP)為0.756%，DS算法更優(yōu)于Slope/Bias校正法，利用直接校正法實(shí)現(xiàn)臍橙總糖傅里葉近紅外光譜模型傳遞是可行的。

臍橙；總糖；近紅外；斜率截距法；直接校正法；模型傳遞

臍橙營(yíng)養(yǎng)豐富，含有人體所必需的各類(lèi)營(yíng)養(yǎng)成分，糖度是決定其風(fēng)味最重要的指標(biāo)，如何對(duì)其進(jìn)行快速準(zhǔn)確的測(cè)定具有重要意義。近紅外光譜分析技術(shù)(near infrared reflectance spectroscopy，NIRS)具有處理樣品簡(jiǎn)單、分析速度快、無(wú)污染、無(wú)損等特點(diǎn)，已在果品成分含量的檢測(cè)中得到廣泛應(yīng)用[1-6]。夏俊芳等[7-9]研究了基于近紅外光譜的臍橙內(nèi)部品質(zhì)的無(wú)損檢測(cè)方法，但是不同的近紅外儀器間由于儀器元器件的選用、裝配誤差和測(cè)量環(huán)境的不同，使得相同樣品的光譜數(shù)據(jù)存在一定的差異，導(dǎo)致一臺(tái)儀器上建立的模型無(wú)法在另一臺(tái)儀器上使用[10]。要解決模型在近紅外儀器間的通用，最經(jīng)濟(jì)有效的方法是利用化學(xué)計(jì)量學(xué)算法來(lái)實(shí)現(xiàn)模型傳遞。模型傳遞的本質(zhì)是克服樣品在不同儀器上的測(cè)量光譜的不一致性，經(jīng)過(guò)傳遞的模型即可用于新的樣品或新的測(cè)試環(huán)境[11]。

近年來(lái)，國(guó)內(nèi)外學(xué)者對(duì)近紅外光譜儀之間的模型傳遞做了許多相關(guān)研究。Alamar[12]、Greensill[13]、Roggo[14]等分別研究了蘋(píng)果和橘子可溶性固形物以及甜菜糖度近紅外光譜模型的傳遞，劉賢[15]等研究了青貯飼料的近紅外光譜模型在不同類(lèi)型光譜儀之間的傳遞，褚小立等[16]針對(duì)國(guó)產(chǎn)的CCD近紅外光譜儀，采用普魯克分析法解決了模型傳遞問(wèn)題，林振興等[17]通過(guò)分段直接校正(PDS)算法有效地解決了樣品溫度對(duì)近紅外光譜的影響。趙龍蓮[18]、李慶波[19]、陳斌[20]等分別將移動(dòng)窗口支持向量回歸機(jī)(SVR)方法、直接校正(DS)算法、專(zhuān)利算法應(yīng)用于多元校正中的模型傳遞，均取得了不錯(cuò)的效果，可見(jiàn)經(jīng)模型傳遞后提高了模型的預(yù)測(cè)精度。但是關(guān)于臍橙總糖近紅外光譜模型在兩臺(tái)傅里葉光譜儀間的傳遞研究較少。本實(shí)驗(yàn)以贛南臍橙為對(duì)象，采用Slope/Bias校正法和DS算法兩種方法，研究臍橙總糖含量的近紅外光譜模型在兩臺(tái)傅里葉近紅外光譜儀間的共享。

1 材料與方法

1.1 樣品與光譜的采集

實(shí)驗(yàn)樣品從江西省定南縣果園里隨機(jī)采摘得到，共計(jì)89個(gè)。將采摘到的臍橙樣品擦拭干凈，分別在BRUKER Fr-NIR(VECTOR22N型)傅里葉近紅外光譜儀和BRUKER Fr-NIR(VECTOR33N型)傅里葉近紅外光譜儀上采集光譜(兩臺(tái)儀器屬于德國(guó)布魯克儀器公司生產(chǎn)同一系列近紅外光譜儀)。設(shè)定光譜掃描范圍為10000～4000cm-1，鍍金漫反射體作背景，分辨率為8cm-1，掃描次數(shù)為64。將臍橙整果的橫向最大直徑部位放置于旋轉(zhuǎn)樣品杯上進(jìn)行掃描，在臍橙圓周上相對(duì)90°方向作4次光譜采集，盡量避免樣品表面的斑痕，得到每個(gè)樣品的4條普通光譜，利用近紅外分析軟件OPUS5.5將每個(gè)樣品的4條普通光譜平均，將每個(gè)樣品的平均光譜作為原始光譜數(shù)據(jù)。圖1為臍橙樣品在兩臺(tái)儀器上的近紅外光譜圖。

圖1 臍橙樣品近紅外光譜Fig.1 NIR spectra of navel orange samples

1.2 樣品總糖的化學(xué)測(cè)定

樣品總糖的測(cè)定采用硫酸苯酚比色法[21]。稱(chēng)取每個(gè)臍橙樣品的質(zhì)量，用組織搗碎機(jī)分別將樣品搗碎，準(zhǔn)確稱(chēng)取10.0g樣品，轉(zhuǎn)移到100mL容量瓶中，加蒸餾水至刻度、搖勻，用濾紙過(guò)濾，取濾液1mL，定容到100mL待測(cè)，然后取1mL樣液，1mL 6%的苯酚，1mL蒸餾水，5mL濃硫酸，搖勻、冷卻后比色。最后測(cè)得的樣品總糖含量的范圍為9.823%～14.7163%。

1.3 樣品集的劃分

Kennard-Stone算法是通過(guò)計(jì)算樣本之間的歐氏距離(euclidean distance，ED)來(lái)選擇樣品的[22]，選擇樣本間距離大的樣品，這樣所選的樣品集樣本張成的空間較大，覆蓋范圍也較大，具有代表性。本實(shí)驗(yàn)采用Kennard-Stone算法將89個(gè)樣品劃分為校正集和預(yù)測(cè)集，其中校正集包含70個(gè)樣品，用來(lái)在主儀器上建立臍橙含糖量的近紅外光譜模型，預(yù)測(cè)集包含19個(gè)樣品，用來(lái)檢驗(yàn)?zāi)Ｐ偷膬?yōu)劣。計(jì)算模型傳遞參數(shù)的標(biāo)準(zhǔn)化樣品集在校正集中選取。Kennard-Stone算法對(duì)樣品的選取過(guò)程在Matlab中完成。

1.4 模型傳遞方法原理

1.4.1 Slope/Bias校正法

Slope/Bias校正法通過(guò)校正主儀器上的模型來(lái)實(shí)現(xiàn)模型傳遞的。利用校正集樣品光譜在主儀器上建立校正模型b，用此模型分別預(yù)測(cè)標(biāo)準(zhǔn)化樣品在兩臺(tái)儀器上測(cè)得的標(biāo)準(zhǔn)化樣品光譜矩陣Tm、Ts，得到濃度值ym，ys，則：

用一元線(xiàn)性回歸方程來(lái)擬合ym和ys，求得此線(xiàn)性方程的普通最小二乘解，即得這一模型的斜率(k)和截距(l)：

最后通過(guò)主儀器上建立的模型b和Slope/Bias校正項(xiàng)，就可以直接由從儀器上得到的光譜Xs，計(jì)算其濃度值：

1.4.2 DS算法

DS算法是一種全光譜校正方法，它利用轉(zhuǎn)換矩陣F將從儀器上測(cè)得的未知樣品光譜Xs轉(zhuǎn)換為Xst，Xst與主儀器上測(cè)得的光譜在理論上是一致的。

從校正集中選取一定量的樣品作為標(biāo)準(zhǔn)樣品，分別在主儀器上測(cè)得光譜矩陣Tm，從儀器上測(cè)得光譜矩陣Ts，通過(guò)傳遞矩陣F將Ts轉(zhuǎn)換成Tm，使二者相匹配。其中矩陣F描述了主、從兩種測(cè)定條件下光譜的差異。

由Tm=Ts×F+E，E為殘差矩陣, 則通過(guò)最小二乘法計(jì)算可得到轉(zhuǎn)換矩陣F=Ts-1×Tm，其中Ts-1為T(mén)s的廣義逆，F(xiàn)為m×m矩陣(m為波長(zhǎng)點(diǎn)數(shù))。對(duì)在從儀器上測(cè)得的未知樣品光譜矩陣Xsu，利用F將Xsu轉(zhuǎn)化成與主儀器匹配的光譜矩陣Xst。

再由主儀器上建立的校正模型b計(jì)算最終結(jié)果。

1.5 模型傳遞的評(píng)價(jià)

為了找出更優(yōu)的模型傳遞方法，采用主儀器上建立的最優(yōu)PLS模型分別預(yù)測(cè)傳遞前后從儀器上的預(yù)測(cè)集光譜，用相關(guān)系數(shù)(R)、內(nèi)部交叉驗(yàn)證均方差(RMSECV)、預(yù)測(cè)標(biāo)準(zhǔn)差(RMSEP)來(lái)評(píng)價(jià)模型的效果。

2 結(jié)果與分析

2.1 預(yù)測(cè)模型的建立

應(yīng)用OPUS5.5定量分析軟件(德國(guó)布魯克儀器公司)，將校正集樣品光譜與其化學(xué)分析值結(jié)合，建立主儀器上的臍橙糖度偏最小二乘法(PLS)校正模型。為了消除儀器狀態(tài)、樣品狀態(tài)與測(cè)量條件對(duì)采集到的光譜的影響，采用以下10種不同預(yù)處理方法對(duì)模型進(jìn)行優(yōu)化，包括：消除常數(shù)偏移量(COE)、直線(xiàn)差值(SLS)、矢量歸一化(VN)、最小-最大歸一化(MMN)、多元散射校正(MSC)、一階導(dǎo)數(shù)(FD)、二階導(dǎo)數(shù)(SD)、FD+SLS、FD+VN、FD+MSC。

表1 不同預(yù)處理方法對(duì)模型的影響Table 1 Effects of different data preprocessing methods on the model

由表1可知，不同預(yù)處理對(duì)模型建立效果有影響，經(jīng)過(guò)MSC預(yù)處理后的模型比沒(méi)有經(jīng)過(guò)預(yù)處理所建的模型更好，其所選的光譜波段范圍為10001.5～8049.8cm-1和5450.1～4246.7cm-1，相關(guān)系數(shù)R為0.905，內(nèi)部交叉驗(yàn)證均方差為0.519%，最佳主成分?jǐn)?shù)為9。校正集的真實(shí)值和預(yù)測(cè)值的關(guān)系如圖2所示。

圖2 校正集中真實(shí)值與預(yù)測(cè)值散點(diǎn)圖Fig.2 Relationship between predicted and chemical values for the calibration set

2.2 模型預(yù)測(cè)結(jié)果

利用在主儀器上已建好的PLS模型分別預(yù)測(cè)主從儀器上19個(gè)預(yù)測(cè)集樣品的光譜，結(jié)果見(jiàn)表2，主儀器上建立的模型預(yù)測(cè)主儀器預(yù)測(cè)樣品集的光譜，預(yù)測(cè)值與真實(shí)值的相關(guān)系數(shù)R為0.909，預(yù)測(cè)標(biāo)準(zhǔn)差RMSEP為0.434%，預(yù)測(cè)效果良好，但用此模型直接預(yù)測(cè)從儀器上預(yù)測(cè)集的光譜，R降為0.688，RMSEP則變?yōu)?.675%，預(yù)測(cè)結(jié)果產(chǎn)生較大差異。這是由于預(yù)測(cè)集樣品光譜是在不同型號(hào)儀器上測(cè)得的，儀器對(duì)光譜的測(cè)量影響造成圖譜之間的差異較大，主儀器上建立的模型已無(wú)法滿(mǎn)足預(yù)測(cè)要求，模型須經(jīng)過(guò)維護(hù)或修正從儀器上的光譜才能得到滿(mǎn)意的結(jié)果。

表2 主儀器上模型分別預(yù)測(cè)兩臺(tái)儀器預(yù)測(cè)集的結(jié)果Table 2 Predicted results for the predication sets from the major and minor instruments

2.3 標(biāo)樣個(gè)數(shù)對(duì)模型傳遞的影響

為了取得較好的模型傳遞結(jié)果，本實(shí)驗(yàn)采用Kennard-Stone算法[21]依次從校正集樣品中選取10，20，30，……，70個(gè)樣品作為標(biāo)準(zhǔn)化樣品集，并同時(shí)采用Slope/Bias校正法和DS算法來(lái)進(jìn)行研究。Slope/Bias校正法通過(guò)計(jì)算Slope和Bias來(lái)校正主儀器上模型的，此過(guò)程在Excel中進(jìn)行。DS算法利用標(biāo)準(zhǔn)化樣品求得模型傳遞參數(shù)，從儀器上預(yù)測(cè)集樣品通過(guò)此參數(shù)可求得傳遞后的光譜，DS算法是在Matlab中的PLS_toolbox5.8中進(jìn)行的。圖3是不同標(biāo)準(zhǔn)化樣品數(shù)對(duì)兩種算法的影響。標(biāo)樣數(shù)對(duì)Slope/Bias校正法影響較小，隨著樣品數(shù)的增加，RMSEP沒(méi)有太大變化，而經(jīng)DS算法傳遞后測(cè)定預(yù)測(cè)集臍橙含糖量的RMSEP隨著標(biāo)樣數(shù)的增加而減小，直到標(biāo)樣數(shù)為全部校正集樣品時(shí)，標(biāo)準(zhǔn)化樣品集包含的信息足夠充分，RMSEP減小到最小值，模型傳遞效果達(dá)到最優(yōu)。

圖3 預(yù)測(cè)集的RMSEP隨標(biāo)樣數(shù)的變化Fig.3 Change in RMSEP with the number of standardization samples

2.4 Slope/Bias校正法與DS算法的結(jié)果與比較

兩種方法各自選取最佳標(biāo)準(zhǔn)化樣品個(gè)數(shù)進(jìn)行模型傳遞，利用主儀器上建立的最優(yōu)PLS模型分別預(yù)測(cè)經(jīng)兩種方法傳遞后的從儀器預(yù)測(cè)集光譜。預(yù)測(cè)集的預(yù)測(cè)值與真實(shí)值的散點(diǎn)圖如圖4所示。

圖4 經(jīng)傳遞后真實(shí)值與預(yù)測(cè)值的散點(diǎn)圖Fig.4 Relationship between predicted and chemical values after transfer

由圖4可知，經(jīng)模型傳遞后模型的預(yù)測(cè)能力均有所改善。Slope/Bias校正法傳遞后，相關(guān)系數(shù)R雖然沒(méi)有變化，但RMSEP由原來(lái)的3.675%減小到0.756%，經(jīng)DS算法傳遞后的相關(guān)系數(shù)R和RMSEP分別為0.902和0.448%，擬合效果明顯要好于Slope/Bias法，其預(yù)測(cè)能力比Slope/Bias校正法提高了40.74%。這可能是由于兩臺(tái)儀器測(cè)量光譜時(shí)外界因素對(duì)測(cè)量結(jié)果的干擾較大，而Slope/Bias校正法只是一元校正法，僅僅對(duì)預(yù)測(cè)結(jié)果進(jìn)行直線(xiàn)擬合校正，對(duì)模型的修正有限，從而沒(méi)有取得較好的效果，DS算法由于是全光譜校正法，能消除儀器間包括測(cè)量環(huán)境的影響。因此，在儀器結(jié)構(gòu)差異及外部環(huán)境因素影響較大時(shí)，DS算法要更好于Slope/Bias校正法。

3 結(jié) 論

3.1 建立了臍橙總糖偏最小二乘(PLS)近紅外光譜模型，并比較了不同預(yù)處理方法對(duì)模型的影響，經(jīng)多元散射校正(MSC)預(yù)處理后的模型更優(yōu)，具有更高的精度和穩(wěn)定性。

3.2 比較了不同標(biāo)樣個(gè)數(shù)對(duì)模型傳遞過(guò)程的影響，標(biāo)樣個(gè)數(shù)對(duì)Slope/Bias校正法影響較小，但DS算法的效果隨著標(biāo)樣個(gè)數(shù)的增加而變好，當(dāng)標(biāo)準(zhǔn)化樣品為全部校正集樣品時(shí)，模型傳遞效果最優(yōu)。

3.3 研究采用 Slope/Bias校正法和DS算法實(shí)現(xiàn)臍橙糖度模型在兩臺(tái)傅里葉近紅外光譜儀之間的傳遞。由于兩臺(tái)儀器上測(cè)得的光譜受儀器條件及環(huán)境變化引起的差異較大，通過(guò)Slope/Bias校正法對(duì)預(yù)測(cè)值進(jìn)行一元校正的能力有限，而DS算法作為多變量標(biāo)準(zhǔn)化方法，對(duì)儀器差異、測(cè)量環(huán)境的改變等因素引入的光譜差異的校正是可行的。經(jīng)DS算法傳遞后預(yù)測(cè)值與真實(shí)值之間具有較大相關(guān)系數(shù)R(0.902)和較小預(yù)測(cè)標(biāo)準(zhǔn)差RMSEP(0.448%)，可以實(shí)現(xiàn)臍橙總糖模型在兩臺(tái)傅里葉近紅外光譜儀之間的共享。

[1] 應(yīng)義斌, 劉燕德, 傅霞萍, 等. 蘋(píng)果有效酸度的近紅外漫反射無(wú)損檢測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2004, 35(6)∶ 124-126.

[2] XIE Lijuan, HUANG Haibo, YING Yibin, et al. Effect of wavelet denoising techniques on the determination of navel orange sugar content with nearinfrared spectra[C]//Optics for Natural Resources, Agriculture, and Foods.Boston∶ Yud-Ren Chen, 2006．

[3] LIU Yande, SUN Xudong, ZHOU Jianmin, et al. Linear and nonlinear multivariate regressions for determination sugar content of intact Gannan navel orange by Vis-NIR diffuse reflectance spectroscopy[J]. Mathematical and Computer Modelling, 2010, 51(11)∶ 1438-1443.

[4] TEWARI J C, DIXIT V, CHO B K, et al. Determination of origin and sugars of citrus fruits using genetic algorithm, correspondence analysis and partial least square combined with fiber optic NIR spectroscopy[J].Spectrochimica Acta Part A∶ Molecular and Biomolecular Spectroscopy,2008, 71(3)∶ 1119-1127.

[5] 馬蘭, 夏俊芳, 張戰(zhàn)鋒, 等. 基于小波變換的番茄總糖近紅外無(wú)損檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2009, 25(10)∶ 350-354.

[6] NISHZAWA T, MORI Y, FUKUSHIMA S, et al. Non-destructive analysis of soluble sugar components in strawberry fruits using near-infrared spectroscopy[J]. Japan Nippon Shokuhin Kagaku Kogaku Kaishi, 2009,56(4)∶ 229-235.

[7] 夏俊芳. 基于近紅外光譜的貯藏臍橙品質(zhì)無(wú)損檢測(cè)方法研究[D]. 武漢∶ 華中農(nóng)業(yè)大學(xué), 2007.

[8] 夏俊芳, 李小昱, 李培武, 等. 基于小波變換的柑橘維生素C含量近紅外光譜無(wú)損檢測(cè)方法[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2007, 23(6)∶ 170-174.

[9] 夏俊芳, 李培武, 李小昱, 等. 不同預(yù)處理對(duì)近紅外光譜檢測(cè)臍橙VC含量的影響[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2007, 38(6)∶ 107-111.

[10] 嚴(yán)衍祿, 趙龍蓮, 韓東海, 等. 近紅外光譜分析基礎(chǔ)與應(yīng)用[M]. 北京∶中國(guó)輕工業(yè)出版社, 2005∶ 199-200.

[11] 褚小立, 袁洪福, 陸婉珍. 光譜多元校正中的模型傳遞[J]. 光譜學(xué)與光譜分析, 2001, 21(6)∶ 881-885.

[12] ALAMAR M C, BOBELYN E, LAMMERTYN J, et al. Calibration transfer between NIR diode array and FT-NIR spectrophotometers for measuring the soluble solids contents of apple[J]. Postharvest Biology and Technology, 2007, 45(1)∶ 38-45.

[13] GREENSILL C V, WALSH K B. Calibration transfer between miniature photodiode array-based spectrometers in the near infrared assessment of mandarin soluble solids content[J]. Journal of Near Infrared Spectroscopy, 2002, 10(1)∶ 27-35.

[14] ROGGO Y, DUPONCHEL L, NOE B, et al. Sucrose content determination of sugar beets by near infrared reflectance spectroscopy. Comparison of calibration methods and calibration transfer[J]. Journal of Near Infrared Spectroscopy, 2002, 10 (2)∶ 137-150.

[15] 劉賢, 董蘇曉, 韓魯佳, 等. 青貯飼料近紅外光譜分析模型轉(zhuǎn)移研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2009, 40(5)∶ 153-157.

[16] 褚小立, 袁洪福, 陸婉珍, 等. 普魯克分析用于近紅外光譜儀的分析模型傳遞[J]. 分析化學(xué), 2002, 30(1)∶ 114-119.

[17] 林振興, 鄔蓓蕾, 王豪, 等. PDS用于不同溫度下的近紅外光譜模型傳遞研究[J]. 分析測(cè)試學(xué)報(bào), 2008, 27(12)∶ 1330-1333.

[18] 趙龍蓮, 李軍會(huì), 張文娟, 等. 基于SVR的傅里葉變換型近紅外光譜儀間數(shù)學(xué)模型傳遞的研究[J]. 光譜學(xué)與光譜分析, 2008, 28(10)∶2299-2303.

[19] 李慶波, 張廣軍, 徐可欣. DS 算法在近紅外光譜多元校正模型傳遞中的應(yīng)用[J]. 光譜學(xué)與光譜分析, 2007, 27(5)∶ 873-876.

[20] 陳斌, 王豪. 專(zhuān)利算法在白酒酒精度近紅外光譜分析模型轉(zhuǎn)移中的應(yīng)用[J]. 紅外技術(shù), 2006, 28(4)∶ 245-248.

[21] 于瑞濤, 朱鵬程, 陶燕鐸, 等. 苯酚硫酸法測(cè)定迷果芹多糖的含量[J].分析試驗(yàn)室, 2008, 12(27)∶ 222-224.

[22] FILHO H A D, GALVAO R K H, ARAUJO M C U, et al. A strategy for selecting calibration samples for multivariate modelling[J]. Chemometrics and Intelligent Laboratory Systems, 2004, 72∶ 83-91.

Transfer of NIRS Calibration Model for Determining Total Sugar Content in Navel Orange

HU Run-wen，XIA Jun-fang*
(College of Engineering, Huazhong Agricultural University, Wuhan 430070, China)

In order to achieve NIRS (near infrared reflectance spectroscopy) calibration model sharing among similar NIRS instruments, an optimal NIRS partial least square (PLS) regression model was established using the major instrument and transfer to the minor instrument by either slope bias correction (SBC) or direct standardization (DS). In addition, the dependence of calibration transfer on the number of standardization samples was explored. The results showed that the root mean squared errors of prediction (RMSEP) for the calibration model were 0.448% and 0.756% after standardization by DS and SBC,respectively. Thus, the DS method was better than the SBC method and could be used to successfully transfer the calibration model

navel orange；total sugar；near infrared；slope/bias correction；direct standardization；calibration transfer

O657.33

A

1002-6630(2012)03-0028-05

2011-02-24

華中農(nóng)業(yè)大學(xué)自主科技創(chuàng)新基金項(xiàng)目(2009SC015)

胡潤(rùn)文(1985—)，男，碩士研究生，研究方向?yàn)橹悄芑瘷z測(cè)技術(shù)。E-mail：hurunwen@126.com

*通信作者：夏俊芳(1963—)，女，教授，博士，研究方向?yàn)橹悄芑瘷z測(cè)技術(shù)、現(xiàn)代農(nóng)業(yè)裝備設(shè)計(jì)與測(cè)控。E-mail：xjf@mail.hzau.edu.cn