基于神經網絡-模擬退火算法的超高壓嫩化河蚌肉的工藝優化

張斌，孫蘭萍，錢時權，許暉，屠康

1(蚌埠學院 生物與食品工程系，安徽 蚌埠，233030) 2(南京農業大學 食品科技學院， 江蘇 南京，210095)

基于神經網絡-模擬退火算法的超高壓嫩化河蚌肉的工藝優化

張斌1*，孫蘭萍1，錢時權1，許暉1，屠康2

1(蚌埠學院 生物與食品工程系，安徽 蚌埠，233030) 2(南京農業大學 食品科技學院， 江蘇 南京，210095)

為解決河蚌肉質粗韌，提升河蚌肉品質，利用超高壓對河蚌肉進行嫩化處理。采用3-5-1結構的級聯BP神經網絡，建立了超高壓嫩化河蚌肉工藝的預測模型，并采用模擬退火算法對其進行優化，得到超高壓嫩化河蚌肉最佳工藝條件。結果表明，訓練好的級聯BP神經網絡具有較好的預測功能，其預測值與實測值之間的相對誤差保持在0.26 %～8.70 %。利用模擬退火算法對壓力條件、CaCl2濃度、保壓時間與剪切力之間的非線性關系優化，得到最佳工藝為：壓力強度345 MPa，CaCl2濃度為0.30 mol/L，保壓時間為15 min，在這個條件下剪切力為10.54 N。實驗室相同條件下的驗證實驗得到的剪切力為(10.38±0.13) N，該值小于響應曲面設計優化出的最佳工藝條件下的實驗驗證的剪切力，說明利用模擬退火算法優化級聯BP神經網絡的預測模型是一種比較有效的優化生產工藝參數的方法。

超高壓；河蚌肉；級聯BP神經網絡；模擬退火算法

河蚌(Unionidae)是一種貝殼類水生動物，在皖北地區資源豐富[1]。河蚌肉具有較高的醫學和營養價值[2-3]，但蚌肉肉質較硬，普通方法烹飪后，存在咀嚼困難、口感較差的問題，使其精深加工受到限制，因此需要對其進行嫩化處理[4]。肉的嫩度(tenderness)是評價食用肉品質的重要指標之一，常用的嫩化方法有壓力法、鈣鹽法、酶法等[5-6]，其中超高壓嫩化技術當前研究較廣的一項食品高新技術[7]。該技術利用帕斯卡定律原理，通過密閉的耐壓容器對物料進行加壓，從而改善肉類的嫩度，不但可以保持肉類原有的風味和營養價值，還可殺滅腐敗菌和致病菌[8-10]。目前，超高壓技術已經在雞肉[11]、兔肉[12]、牛羊肉[13-14]等肉品嫩化方面做了較多的研究，但是在河蚌肉嫩化方面尚無相關報道。

人工神經網絡(artificial neural network，即ANN)，是20世紀80年代以來人工智能領域興起的研究熱點[15]。它從信息處理角度對人腦神經元網絡進行抽象，按不同的連接方式組成不同的網絡，建立某種簡單模型，目前，在食品領域也有廣泛應用，如發酵、保鮮、滅菌、功能性物質提取及反應動力學仿真等[16-18]。模擬退火算法(simulate anneal arithmetic, SAA)是一種通用的優化算法[19]，賦予搜索過程一種時變且最終趨于零的概率突跳性，從而可有效避免陷入局部極小并最終趨于全局最優，可用于生產調度、控制工程、機器學習、神經網絡、信號處理等[20-21]。

本實驗采用超高壓技術對河蚌肉進行嫩化，在單因素研究基礎之上，利用人工神經網絡法建立嫩化工藝條件與嫩化指標剪切力之間的預測模型，得到網絡輸入與輸出之間的非線性函數關系，并利用模擬退火算法對該函數進行全局尋優，從而獲得最優的嫩化工藝條件，期望本文的研究結果能夠為河蚌肉深加工提供參考。

1 材料與方法

1.1 材料與試劑

河蚌：由蚌埠市固鎮縣綠色家園家庭農場提供，選擇蚌殼完整，噴水有力，殼長約(8.5±0.5) cm的河蚌，將河蚌置于實驗室水族箱中(水溫約為 18～25 ℃)，不間斷充氣暫養1周；CaCl2為國產分析純。

1.2 儀器與設備

HPLL3-600超高壓處理器，天津森淼高壓設備有限公司；DC400-2C小型真空包裝機，浙江兄弟包裝機械有限公司；C-LM3B肌肉嫩度儀，北京天翔飛域儀器設備有限公司。

1.3 實驗方法

1.3.1 河蚌肉的超高壓處理

將市售河蚌漂洗、去殼、去內臟后取新鮮肉體，用水流動沖洗，并浸泡10～20 min；將浸泡后的蚌肉在常溫下自然晾干，并用刀片分割成厚薄均勻的30 mm×30 mm方形肉塊，備用。將一定濃度的CaCl2注射到處理好的肉塊的不同位置，并放入真空包裝袋真空密封；將真空密封的河蚌肉塊置入裝有去離子水的高壓容器內，在一定高壓水平下處理一段的時間，其中壓力上升的速度為4～6 MPa/s；完成高壓處理操作后，以150～200 MPa/s的速度緩慢卸壓后，取出樣品。

1.3.2 壓力強度對河蚌肉嫩度的影響

選取18塊河蚌肉樣，平均分成6組，在注射 CaCl2濃度為 0.20 mol/L，保壓時間為10 min 的條件下，對每組河蚌肉樣分別進行 0、100、200、300、400、500 MPa壓力強度處理。操作同1.2.1。

1.3.3 保壓時間對河蚌肉嫩度的影響

選取18塊河蚌肉樣，平均分成6組，在注射 CaCl2濃度為 0.20 mol/L，壓力強度在300 MPa的條件下，對每組河蚌肉樣分別進行 0、5、10、15、20、25 min的高壓處理。操作同1.2.1。

1.3.4 CaCl2濃度對河蚌肉嫩度的影響

選取18塊河蚌肉樣，平均分成6組，每組河蚌肉樣分別浸入濃度為 0、0.10、0.20、0.30、0.40、0.50 mol/L CaCl2溶液，然后在壓力強度300 MPa條件下保壓處理 10 min。操作同1.2.1。

1.4 實驗設計水平表

在單因素研究基礎上，設計3因素3水平全因子實驗。以壓力強度、保壓時間和CaCl2濃度3個因素為網絡輸入，以剪切力為輸出。因子編碼及各自變量水平見表1。

表1 試驗因素水平表

1.5 剪切力測定

本文以剪切力值作為衡量肉嫩度的指標。剪切力法是國際上通用、最早、最常用的肉嫩度測定的方法，按照文獻[22-23]的測定方法進行河蚌肉嫩度的測定。

2 結果與分析

2.1 壓力強度對河蚌肉剪切力的影響

由表2可知，隨著壓力強度的不斷升高，河蚌肉的剪切力總體呈下降趨勢，這表明不同的壓力強度能夠促使河蚌肉的剪切力值出現下降。這可能是由于一方面較高的壓力使河蚌肉肌肉結構中的大分子物質發生解聚作用，肌肉纖維斷裂，肌原纖維小片化和結構蛋白的凝膠化，從而使嫩度值下降[24]。另一方面較高的壓力強度能夠促使肌肉細胞結構中內質網線粒體等結構遭到破壞，Ca2+釋放出來并進入胞漿中，從而激活ATP酶、鈣激活酶和組織蛋白酶，促使肌肉提前完成收縮，提升肉質嫩度[25]。研究發現300 MPa河蚌肉剪切力下降趨于平緩，考慮到節能和嫩化效果，高壓強度為300 MPa 左右較為理想。

表2 壓力強度對河蚌肉剪切力的影響

注：同一列字母相同顯著性不明顯，字母不同顯著性明顯，P<0.05； CaCl2濃度為 0.20 mol/L，保壓時間為10 min。

2.2 保壓時間對河蚌肉剪切力的影響

由表3可知，隨著保壓時間的延長，河蚌肉的剪切力呈現不斷下降的趨勢。高壓條件下保壓處理0～15 min 之間，河蚌肉剪切力下降較快，保壓處理 15 min以后下降緩慢。為了有效避免長時間超高壓處理的熱效應引起肉塊的腐敗變質和色澤改變的現象。綜合考慮效能和河蚌肉嫩化效果，選擇保壓時間為 10 min較為理想。

表3 保壓時間對河蚌肉剪切力的影響

注：同一列字母相同顯著性不明顯，字母不同顯著性明顯，P<0.05； CaCl2濃度為 0.20 mol/L，壓力強度在300 MPao

2.3 CaCl2濃度對河蚌肉剪切力的影響

由表4可見，隨著 CaCl2濃度的增加，河蚌肉的剪切力亦不斷下降。在CaCl2濃度為0、0.10、0.20、0.30 mol/L溶液中處理的河蚌肉肉塊剪切力差異較大，從0.30 mol/L 濃度以后，處理后的河蚌肉肉塊剪切力無太大變化。由于一方面高濃度的CaCl2溶液本身具有苦味和金屬味，鈣激活酶被其激活活性過高時，可能導致蛋白質過度水解并產生苦味肽[25]。另一方面考慮到經濟效益和河蚌肉嫩化效果，CaCl2濃度選取 0.30 mol/L 左右為宜。

表4 CaCl2濃度對河蚌肉剪切力的影響

注：同一列字母相同顯著性不明顯，字母不同顯著性明顯，P<0.05；壓力強度300 MPa，保壓時間 10 min。

2.4 級聯BP神經網絡訓練模型的建立

2.4.1 級聯BP神經網絡結構

本文采用級聯BP神經網絡模型。在BP神經網絡的基礎上加以改進，除了輸入層—隱含層—輸出層

的連接結構外，使網絡的輸入層與輸出層也直接相連，形成級聯BP神經網絡模式[26-27]。根據河蚌嫩化工藝，將壓力強度、保壓時間和CaCl2濃度3個因素作為網絡的輸入，剪切力作為網絡的輸出，隱含層選擇為5個節點。據此構建了一個3-5-1的級聯BP神經網絡，結構如圖1所示。

圖1 級聯BP神經網絡結構Fig.1 Architecture of cascade BP neural network

2.4.2 實驗數據的驗證

為了減少實驗數據的隨機誤差，在相同實驗條件下同時進行3組實驗并取其平均值作為本實驗條件下的實測剪切力數據。由于實驗設計方案為3因素3水平，因此可以得到27組實驗數據(每組數據包括實驗條件與實測剪切力)。

表5 實驗數據

注：編碼上標為R的作為驗證樣本，編碼上標為T的作為訓練樣本中的訓練數據，編碼上標為V的作為訓練樣本中的預測數據，編碼上標為L的作為訓練樣本中的驗證數據。

為了驗證所得的27個剪切力實驗值合理有效、3個因素及因素間的交互作用對剪切力是否有明確的顯著性影響，要對數據進行方差分析。而數據方差分析的前提是樣本具有正態分布和方差齊性，因此對27組數據進行正態分布檢測和方差齊性檢驗，結果如圖2和表6。

圖2 正態概率圖Fig.2 Normal probability plot

圖2中可知，27個實測剪切力數據樣本都集中分布在直線的兩側，說明實驗所得的數據符合正態分布。

表6 方差齊性檢驗表

表6中采用離差絕對值檢驗法P=0.586 1>0.05，采用離差平方檢驗法P=0.494 1>0.05，2種檢驗的結果都表明該27組數據樣本具有方差齊性。

對3因素3水平全因子實驗的27組數據樣本進行方差分析，得到的結果如表7所示。

表7 方差分析表

由表7可知，壓力強度、CaCl2濃度、保壓時間、壓力強度與保壓時間之間的交互作用對河蚌肉剪切力有極顯著影響(P<0.01)，壓力強度與CaCl2濃度之間的交互作用、CaCl2濃度與保壓時間之間的交互作用對河蚌肉剪切力有顯著影響(P<0.05)。

由圖2和表6、表7可知，實驗所得到的這27組實驗數據符合正態分布、具有方差齊性，3個因素及因素間的交互作用對嫩化后的蚌肉剪切力具有顯著性影響。

2.4.3 級聯BP神經網絡模型的建立

對所得剪切力數據采用mapminmax函數進行歸一化處理，并對各實驗因子進行編碼。將編碼和歸一化后的27組實驗數據中隨機選擇20組數據作為網絡的訓練樣本，用以訓練神經網絡，而其余7組數據作為測試樣本，用以驗證訓練后的網絡的預測能力。在級聯BP神經網絡訓練的過程中會將用來訓練的樣本進一步的隨機劃分為3類數據，分別為訓練數據、驗證數據和預測數據。默認情況下的比例分別為訓練樣本數的70%、15%、15%。因此，在20組訓練樣本中隨機地選擇14組數據作為訓練數據(train set)，3組作為驗證數據(validation set)，3組作為測試數據(test set)，結果如表5所示。在Matlab軟件下進行編程并實現，網絡訓練的結果如圖3、圖4、圖5所示。

圖4 誤差直方圖Fig.4 Error histogram

圖5 回歸坐標圖Fig.5 Regression coordinates

從誤差性能曲線圖中可以看到，訓練到第5步時網絡已經達到了訓練要求，具有很好的收斂性。誤差直方圖可以顯示誤差分布，從圖4中可以看出20組數據誤差比較小，除了有個別訓練數據的誤差較大外，其余的都分布在零的兩側。經過20組訓練樣本訓練后的網絡中3類數據的回歸直線如圖5所示，訓練樣本、驗證樣本和測試樣本的回歸直線的相關系數分別為0.929 93、0.999 53、0.993 49，所有20組訓練樣本的回歸直線的相關系數為0.935 19，都接近于1，說明經過訓練后的級聯BP神經網絡的預測值與實測值具有較好的相關性，網絡具有較好的預測性。為了驗證神經網絡的預測性，將上述訓練成熟的網絡進行保存，并將7組測試樣本輸入網絡中，得到的結果如表5所示。

由表5中可以看到，7組測試樣本中每一組的相對誤差都較小，相對誤差為0.26 %～8.70 %，說明此訓練成熟后的級聯BP神經網絡具有很好的泛化功能，是一種非常有效的預測方法。

設w1=[2.360 3 0.990 3 -0.860 3; 0.931 9 -2.247 7 -0.035 7; 1.495 0 1.401 2 1.175 9; 1.754 1 -0.379 7 -0.988 2; 1.306 7 1.888 4 0.421 3]; w2=[1.496 5 0.185 2 -1.094 0 -1.730 2 0.576 1]; w3=[-0.172 5 -0.649 3 -0.572 5]; b1=[-2.466 6 -1.219 1 -0.989 3 1.974 2 2.651 3]’;b2=1.387 9;

根據級聯BP神經網絡結構圖得到輸入和輸出之間的非線性映射關系為：

y=tansig(w2×tansig(w1×x+b1)+b2+w3×x)

( 1 )

式中：x為網絡的輸入，在本例中是由壓力條件、CaCl2濃度、保壓時間3個因素水平編碼構成的矢量；y為在給定輸入條件下網絡的預測輸出；tansig為網絡的傳輸函數。

( 2 )

2.5 模擬退火算計優化嫩化工藝參數

模擬退火算法(simulate anneal arithmetic, SAA)是一種用來解決非線性組合優化問題的通用而有效的隨機搜索算法[28]。SAA采用啟發式搜索算法中的改進的爬山法進行搜索最優值，即系統從某一個初值x0開始搜索，經過多次搜索對比，找出目標函數在一定搜索范圍內的全局最小值。

根據級聯BP神經網絡的結構寫出輸入與輸出之間的函數關系，即壓力強度、保壓時間和CaCl2濃度與剪切力之間的關系，并將其作為模擬退火算法的尋優目標，在規定的取值范圍內進行全局最小值的搜索。由于搜索的初值不同會有不同的搜索路徑，因此會產生不同的結果。為了減少初值選擇所帶來的誤差，選擇4個不同的初值，將得到的值進行平均作為最后的結果。圖6和表8顯示了4個不同初值的搜索結果及最優工藝參數。

圖6 模擬退火算法優化結果Fig.6 Optimized results of simulated annealing algorithm

壓力強度/MPaCaCl2濃度/(mol·L-1)保壓時間/min剪切力/Na346459029914764105319b343202030014996105426c343345029014562105395d345772029814986105419

考慮到實際操作要求，最終由模擬退火算法得出的最優工藝為：壓力強度345 MPa，CaCl2濃度為0.30 mol/L，保壓時間為15 min，在這個條件下剪切力為10.54 N。

將表5中的部分數據進行響應曲面實驗設計進行工藝參數的優化，利用相關軟件得出最優工藝參數為：壓力強度367 MPa，CaCl2濃度為0.30 mol/L，保壓時間為14.992 min，在這個條件下剪切力為10.92 N。

對2種方法得出的最優工藝進行對比，在實驗室內分別在模擬退火算法優化結果條件下和響應曲面優化結果條件下進行3次平行實驗，然后將3次結果取平均值，結果如表9。

表9 不同方法優化超高壓河蚌肉嫩化工藝的對比驗證

實驗驗證的結果可以看出，模擬退火算法優化出的最佳工藝條件下的剪切力為(10.38±0.13) N，要小于響應曲面設計優化出的最佳工藝條件下的剪切力(10.78±0.08) N。通過對比驗證說明利用模擬退火算法優化基于級聯BP神經網絡的預測模型是一種比較有效的優化生產工藝參數的方法。

3 結論

(1)超高壓嫩化河蚌肉單因素試驗及方差分析表明，壓力強度、CaCl2濃度、保壓時間、壓力強度與保壓時間之間的交互作用對河蚌肉剪切力有極顯著影響(P<0.01)，壓力強度與CaCl2濃度之間的交互作用、CaCl2濃度與保壓時間之間的交互作用對河蚌肉剪切力有顯著影響(P<0.05)。

(2)采用3-5-1結構的級聯BP神經網絡，建立了超高壓嫩化河蚌肉工藝的預測模型，可以以任意精度逼近復雜的非線性關系，能夠準確的反映出網絡輸入與輸出之間的映射關系。訓練好的級聯BP神經網絡具有較好的預測功能，其預測值與實測值之間的相對誤差保持在0.26%～8.70%。利用模擬退火算法對神經網絡非線性函數進行全局尋優，得到最佳超高壓嫩化河蚌工藝參數為：壓力強度345 MPa，CaCl2濃度為0.30 mol/L，保壓時間為15 min，在這個條件下剪切力為10.54 N。

本文所建立的方法為超高壓技術在河蚌肉嫩化工藝方面提供一種方法，同時為超高壓技術在肉品工業中的應用提供了參考。

[1] QIAO De-liang, HU Bing, CAN Dan,et al. Eextraction optimized by using responsesurface methodology, purification and preliminary characterization of polysaccharides from Hyriopsis cumingii[J].Carbohydrate Polymers,2009,76 (3):422-429.

[2] 張緩,姜啟興,許艷順,等.采珠后河蚌副產物的營養成分分析及評價[J].食品工業科技, 2012, 33(19): 346-349.

[3] 湛孝東,王克霞，李朝品.貝類多糖生物學活性研究進展[J].時珍國醫國藥,2006,17(17):1 285-1 286.

[4] 喬德亮.三角帆蚌多糖提取、純化、生物活性及其結構[D].南京:南京農業大學,2009.

[5] 常海軍,周文斌,朱建飛,等. 3種弱有機酸結合NaCl腌制對牛肉結締組織濾渣膠原蛋白特性的影響[J]. 食品與發酵工業. 2014,40(6):183-186.

[6] 朱秀娟,余群力,李儒仁,等. 采用響應面優化法研究木瓜蛋白酶嫩化牦牛肉的條件[J]. 食品工業科技. 2013,34(20):230-234.

[7] 勵建榮,王泓.超高壓技術在食品工業中的應用及前景[J].現代食品科技, 2006(1): 42-45.

[8] 郝夢甄,胡志和.超高壓處理對海參污染副溶血弧菌及細菌的影響[J].食品科學,2013,34(13):218-223.

[9] ANKIT PATRAS, NIGEL P BRUNTONA, SARA DA PIEVE, et al. Impact of high pressure processing on total antioxidant activity, phenolic, ascorbic acid, anthocyanin content and colour of strawberry and black berry purées[J]. Innovative Food Science and Emerging Technologies, 2009:10:308-313.

[10] 劉蓄瑾,胡志和,劉軍軍,等.超高壓滅青哈污染弧菌條件優化[J].食品科學,2015,36(20):19-25.

[11] 馬漢軍,趙良,潘潤淑,等.高壓和熱結合處理對雞肉pH、嫩度和脂肪氧化的影響[J].食品工業科技,2006,27(8):56-59.

[12] 王穩航,徐倩倩,劉婷,等.超高壓處理對僵直前獺兔肉品質及微觀結構的影響.[J].食品科學,2014，35(21):73-77.

[13] 馬飛,陳從貴,余霞,等. 超高壓技術在肉制品加工中的應用[J]. 食品與發酵工業[J].2011，37(4) :178-184.

[14] 靳燁,南慶賢.高壓處理對牛肉感官特性與食用品質的影響[J].農業工程學報,2004,20(5):196～199.

[15] 張青貴.人工神經網絡導論[M].北京:中國水利水電出版社,2004:11-13.

[16] 侯清娥,秦小明,林華娟.基于神經網絡法制備牡蠣呈味肽工藝優化研究[J].食品工業科技,2011,32(11):301-304.

[17] 史德芳,高虹,程薇,等.人工神經網絡在食品加工過程模擬控制中的應用[J].食品研究與開發,2009,30(1):176-179.

[18] 屈小娟,范瀚文,張良,等.神經網絡優化南美白對蝦蝦仁熱燙工藝[J].食品工業科技,2012,33(14):291-298.

[19] 焦巍,劉光斌,張艷紅.求解約束優化的模擬退火算法.系統工程與電子技術[J].2010,32(7):1 532-1 536.

[20] 白舸,張海濤,劉翠蘋,等.基于遺傳模擬退火算法的WSN廣播算法研究[J].計算機測量與控制, 2013, 21(11): 3 053-3 056.

[21] 喬彥平,張駿.基于一種改進遺傳模擬退火算法的TSP求解[J].計算機仿真, 2009, 26(5): 205-208.

[22] 王曉宇.周光宏.徐幸蓮.李春保.豬肉剪切力的測定方法[J].食品科學,2012，33(21):64-67.

[23] SHUMING K, Yan H, Eric A D, et al. Impact of citric acid on the tenderness, microstructure and oxidative stability of beef muscle.[J].Meat Science,2009,82:113-118.

[24] SUZUKIA, WATANABEM. Effects of high-pressure treatment on the ultra structure and thermal behaviour of beef intramuscular collagen[J]. Meat Science, 1993, 35(1): 17-25.

[25] 靳燁,南慶賢,蘭風英,等.鈣激活酶的高壓反應動力學研究[J].內蒙古農業大學學報, 2001, 22(1): 93-97.

[26] 從爽.面向MATLAB工具箱的神經網絡理論與應用[M].合肥:中國科技技術大學出版社,2013:3-4.

[27] 東南大學.神經網絡結構設計的理論與方法[M].北京:國防工業出版社,2005.

[28] 王文杰, 葉世偉.人工智能原理與應用[M]. 北京: 人民郵電出版社, 2009.

Optimization of ultra-high pressure of mussel meat tenderness based on neural network-simulated annealing algorithm

ZHANG Bin1*, SUN Lan-ping1, QIAN Shi-quan1, XU Hui1, TU Kang2

1(Department of Biological and Food Engineering, Bengbu University, Bengbu 233030，China) 2(College of Food Science and Technology, Nanjing Agricultural University, Nanjing 210095，China)

To improve the mussel meat texture and improve the quality of mussel meat, ultra-high pressure technique is used to keep the tenderness of mussel meat. Based on the cascade BP neural network. A prediction models of ultra high pressure mussel meat tenderization process was established and the simulated annealing algorithm was used to optimize the process. Results show that the trained cascade BP neural network has a better predictive ability, the relative error between the predicted ones and the measured values were between 0.26 % and 8.70 %. Using the simulated annealing algorithm to optimize the non-linear relation between the pressure conditions, the concentration of CaCl2, the holding time and shear force were selected: pressure condition 345 MPa, pressure holding time 15 min, CaCl2concentration 0.30 mol/L. Under the above conditions, the shear force is 10.54 N. With the same condition, the experimental results show the shear stress is (10.38±0.13) N, which is less than the optimized one by the response surface design. This indicates that the simulated annealing algorithm based on cascade BP neural network forecasting model is a more effective method of optimizing the production process parameters.

ultra-high pressure; mussel meat； cascade BP neural network； simulated annealing algorithm

10.13995/j.cnki.11-1802/ts.201704024

副教授(本文通訊作者，E-mail：zhangbin207@163.com)。

安徽省教育廳自然科學研究重點項目(KJ2013A182)；高校領軍人才引進與培育計劃項目；蚌埠學院學術技術帶頭人及后備人選項目；安徽省質量工程卓越工程師培養計劃項目

2016-08-15，改回日期：2016-09-27