專利名稱：一種基于近紅外作物單籽粒成分無(wú)損檢測(cè)篩選方法
技術(shù)領(lǐng)域：
本發(fā)明涉及農(nóng)作物無(wú)損檢測(cè)技術(shù)領(lǐng)域，具體涉及一種基于近紅外作物單籽粒成分無(wú)損檢測(cè)篩選方法。
背景技術(shù)：
無(wú)損檢測(cè)技術(shù)(Nondestructive Determination Techonologies，簡(jiǎn)稱 NDT)是一門(mén)新興的綜合性應(yīng)用學(xué)科，在不破壞或損壞被檢測(cè)對(duì)象的前提下，利用樣品內(nèi)部結(jié)構(gòu)異?；蛉毕荽嬖谒鸬膶?duì)熱、聲、光、電、磁等反應(yīng)的變化，來(lái)探測(cè)其內(nèi)部和表面缺陷，并對(duì)缺陷的類型、性質(zhì)、數(shù)量、形狀、位置、尺寸、分布及其變化做出判斷和評(píng)價(jià)。根據(jù)無(wú)損檢測(cè)原理的不同，檢測(cè)方法大致可分為光學(xué)特性分析法、聲學(xué)特性分析法、機(jī)器視覺(jué)技術(shù)檢測(cè)方法、 電學(xué)特性分析法、核磁共振檢測(cè)技術(shù)與X射線檢測(cè)技術(shù)等。光學(xué)特性分析法中的紅外光譜和拉曼光譜技術(shù)能對(duì)樣品進(jìn)行無(wú)損分析，具有測(cè)試樣品非接觸性、非破壞性、檢測(cè)靈敏度高、時(shí)間短、樣品所需量小及樣品無(wú)需制備等特點(diǎn)，在分析過(guò)程中不會(huì)對(duì)樣品造成化學(xué)的、機(jī)械的、光化學(xué)和熱的分解，是分析科學(xué)領(lǐng)域的研究熱
；ο近年來(lái)，近紅外光譜技術(shù)在農(nóng)產(chǎn)品無(wú)損檢測(cè)尤其是農(nóng)作物的品質(zhì)分析和農(nóng)藥殘留等方面的應(yīng)用十分廣泛。國(guó)外，早在60年代初，美國(guó)農(nóng)業(yè)部?jī)x器研究室Norris等首先利用近紅外光譜技術(shù)測(cè)定谷物中的水分、蛋白質(zhì)、脂肪等含量，并致力于近紅外光譜技術(shù)在農(nóng)牧產(chǎn)品品質(zhì)分析中應(yīng)用的研究。迄今為止，許多近紅外光譜分析的實(shí)驗(yàn)方案和計(jì)算方法已成為 AOCA(Association of Official Analytical Chemists)的標(biāo)準(zhǔn)方法。美國(guó)谷物化學(xué)協(xié)會(huì)于 1982年10月批準(zhǔn)了近紅外方法用于小麥蛋白質(zhì)的測(cè)定，國(guó)際谷物科學(xué)技術(shù)協(xié)會(huì)規(guī)定了近紅外測(cè)定小麥及面粉蛋白質(zhì)和水分含量的詳細(xì)程序。以化學(xué)計(jì)量學(xué)為基礎(chǔ)的定性與定量分析標(biāo)準(zhǔn)實(shí)用細(xì)則已陸續(xù)由美國(guó) ASTM(American Society for Testing and Materials)于 1995、1996年公布。農(nóng)藥殘留方面，Saranwong等(2005,2007)運(yùn)用樣品干提取(DESIR)樣品前處理技術(shù)，對(duì)抑菌靈殺菌劑進(jìn)行了近紅外光譜檢測(cè)研究。農(nóng)藥樣品的濃度范圍從2 90 μ g*mL-l (ppm)，濃度間隔為2 μ g^mL—1。當(dāng)將2mL的樣品溶液加入到聚苯乙烯培養(yǎng)皿中的濾紙上，再將培養(yǎng)皿內(nèi)溶液烘干后直接測(cè)量濾紙的漫反射光譜時(shí)，建立的近紅外光譜分析模型的效果最佳，校正模型的SEP為6158μ g*!!^1。在國(guó)內(nèi)，近紅外光譜技術(shù)在作物品質(zhì)分析上的應(yīng)用研究也十分活躍。嚴(yán)衍祿等 (1990)應(yīng)用傅立葉變換近紅外漫反射光譜分析方法測(cè)定了谷子、玉米、小麥等作物的蛋白質(zhì)、氨基酸、脂肪等17種成分，取得了很好的效果。李大群等(1990)利用近紅外漫反射光譜分析技術(shù)測(cè)定大豆和小麥的蛋白質(zhì)含量，分別使用了 35個(gè)大豆品種和77個(gè)小麥品種作為定標(biāo)樣品建立預(yù)測(cè)模型，近紅外測(cè)定值與實(shí)際值的相關(guān)系數(shù)分別達(dá)0. 967和0. 984，標(biāo)準(zhǔn)偏差分別為0. 826和0. 348。彭玉魁等(1997)用近紅外方法對(duì)IM個(gè)小麥品種籽粒品質(zhì)成分進(jìn)行了比較測(cè)定，表明用近紅外光譜分析技術(shù)測(cè)得小麥樣品的水分、粗蛋白、粗纖維、賴氨酸含量與常規(guī)方法測(cè)定結(jié)果之間有較高的相關(guān)程度。王成O000)利用傅立葉變換近紅外漫反射光譜測(cè)定大麥籽粒粗蛋白含量，以40個(gè)大麥樣品建立預(yù)測(cè)數(shù)學(xué)模型，預(yù)測(cè)值和實(shí)測(cè)值的相關(guān)系數(shù)為0. 989，對(duì)40個(gè)獨(dú)立樣品進(jìn)行預(yù)測(cè)，預(yù)測(cè)值和測(cè)定值的相關(guān)系數(shù)為0. 969， 證實(shí)所建立的模型有較好的預(yù)測(cè)準(zhǔn)確度。水稻種子的直鏈淀粉和支鏈淀粉含量的測(cè)定，大豆、油菜脂肪成分的測(cè)定，以及水果蔬菜中維生素、糖類的測(cè)定都成功地應(yīng)用了近紅外光譜分析技術(shù)。農(nóng)藥殘留方面，Xuemei等Q007)也利用硅膠富集提純的樣品預(yù)處理方法， 將低濃度的待測(cè)物氨基甲酸乙酯吸附到硅膠中，并測(cè)量其近紅外漫反射光譜，在1920 1970nm波段建立的PLS模型，濃度0100 IlOOmg*!/1內(nèi)的20個(gè)樣品的交互驗(yàn)證誤差為 011152!^*!^。沈飛等Q009)采用近紅外光譜分析法直接用于痕量農(nóng)藥辛硫磷的定量檢測(cè)。在作物籽粒成分單粒檢測(cè)方面的進(jìn)展，主要是利用近紅外光譜分析不破壞樣品、 測(cè)定速度快的特點(diǎn)來(lái)檢測(cè)完整單粒種子的品質(zhì)成分。Delwicheag^)研究了近紅外方法非破壞性測(cè)定小麥單粒種子蛋白含量的可行性。Velasco等(1999,200 應(yīng)用近紅外反射分析技術(shù)非破壞性測(cè)定了向日葵單粒完整種子的脂肪酸組分、油菜單粒種子的含油量、脂肪組分和蛋白質(zhì)含量，認(rèn)為近紅外非破壞性分析可得到可靠的結(jié)果。張嘩暉等(1998)利用近傅立葉紅外光譜技術(shù)無(wú)損傷測(cè)定完整單粒玉米種子的油分，獲得了肯定性的結(jié)果。目前在單粒水平上進(jìn)行無(wú)損高通量檢測(cè)的技術(shù)有基于光電原理對(duì)單粒表面顏色差異進(jìn)行分選的光電色選裝置，并成功的應(yīng)用于大米精選。光電色選機(jī)利用物料的光學(xué)及色度學(xué)特性，從大量散裝樣品材料中，將顏色不正?；虮砻嬗腥毕莸拇纹芳半s物從物料中無(wú)損檢出，并自動(dòng)分選剔除的新型機(jī)械，它綜合應(yīng)用了電子學(xué)、生物學(xué)等新技術(shù)，是典型的光、機(jī)、電一體化的高新技術(shù)設(shè)備。由于光電色選機(jī)是通過(guò)顏色進(jìn)行分選，可以很大程度地提高物料品質(zhì)，因此適應(yīng)商品市場(chǎng)獨(dú)特的作用將十分明顯。然而，迄今為止，尚未見(jiàn)有報(bào)道作物籽?；瘜W(xué)成分近紅外檢測(cè)與自動(dòng)連續(xù)分選結(jié)合的高通量無(wú)損單粒籽粒檢測(cè)分選方法。

發(fā)明內(nèi)容
本發(fā)明提供了一種基于近紅外作物單籽粒成分無(wú)損檢測(cè)篩選方法，在單粒種子的水平上對(duì)化學(xué)成分差異個(gè)體進(jìn)行分選。在單籽粒水平上實(shí)現(xiàn)對(duì)的淀粉、蛋白質(zhì)、脂肪等化學(xué)物質(zhì)以及化學(xué)污染物進(jìn)行高通量無(wú)損檢測(cè)，該發(fā)明可以對(duì)突變體、遺傳分離群體無(wú)損選擇和污染物檢測(cè)，為作物遺傳育種和農(nóng)產(chǎn)品安全提供新方法。近紅外無(wú)損檢測(cè)方法原理近紅外光譜主要通過(guò)有機(jī)分子的倍頻和合頻吸收光譜，得到分子的結(jié)構(gòu)、組成、 狀態(tài)的信息，而從近紅外反射光譜還能得到樣品的密度、粒度、高分子物的聚合度及纖維的直徑等物質(zhì)的物理狀態(tài)信息。因?yàn)榻t外光譜區(qū)的吸收主要是分子或原子振動(dòng)基頻在 2000CHT1以上的倍頻、合頻吸收，所以有機(jī)物近紅外光譜主要包括C-H，N-H，O-H等含氫基團(tuán)的倍頻與合頻吸收帶。這些含氫基團(tuán)的吸收頻率特征性強(qiáng)，受分子內(nèi)外環(huán)境的影響小，而且在近紅外光譜區(qū)樣品的光譜特性很穩(wěn)定。這種近紅外光譜的本質(zhì)特征為快速鑒別作物種子的化學(xué)成分奠定了基礎(chǔ)。本發(fā)明將近紅外光譜技術(shù)應(yīng)用于物單粒的化學(xué)成分的無(wú)損檢測(cè)， 對(duì)已知化學(xué)成分的作物樣本與光譜數(shù)據(jù)進(jìn)行相關(guān)性分析，建立單粒與群體的化學(xué)成分鑒別模型，并利用從大量散裝樣品材料中連續(xù)、快速高通量選擇技術(shù)原理，建立近紅外的高通量無(wú)損選擇平臺(tái)裝置，從而實(shí)現(xiàn)突變體、遺傳分離群體的高通量無(wú)損選擇。為實(shí)現(xiàn)上述目的本發(fā)明采用如下技術(shù)方案一種基于近紅外作物單籽粒成分無(wú)損檢測(cè)篩選方法，其特征在于具體包括以下步驟(1)標(biāo)準(zhǔn)或參考樣品單粒光譜集的建立首先對(duì)各種標(biāo)準(zhǔn)作物種子樣品進(jìn)行近紅外檢測(cè)，將作物種子光譜圖象轉(zhuǎn)換成樣本光譜基本數(shù)據(jù)；測(cè)量各種標(biāo)準(zhǔn)作物種子樣品的光譜；一般同一樣品需多次重復(fù)測(cè)量，不同批號(hào)的樣品也需重復(fù)測(cè)量，以平均光譜近似作為該樣品標(biāo)準(zhǔn)光譜；(2)不同材料單粒成分?jǐn)?shù)據(jù)庫(kù)的建立對(duì)各種標(biāo)準(zhǔn)作物種子樣品的化學(xué)成分定量檢測(cè)，從而建立各種標(biāo)準(zhǔn)作物種子樣品的單粒成分?jǐn)?shù)據(jù)庫(kù)；(3)不同材料單粒成分鑒別模型的建立利用相應(yīng)的統(tǒng)計(jì)分析軟件，分析各種標(biāo)準(zhǔn)作物種子樣品的單粒成分?jǐn)?shù)據(jù)及其光譜信息的相關(guān)性，建立各種標(biāo)準(zhǔn)作物種子樣品的單粒成分與光譜信息的鑒別模型；確定標(biāo)準(zhǔn)作物種子樣品單粒所含有的各化學(xué)成分及其光譜閾值，這個(gè)閾值就是鑒定新待識(shí)別作物種子中是否含有該化學(xué)成分的標(biāo)準(zhǔn)；(4)待識(shí)別作物種子單粒成分的分析采集傳送帶上正在分揀的待識(shí)別作物種子單粒的近紅外光譜信息，再和鑒別模型中標(biāo)準(zhǔn)作物種子的成分所對(duì)應(yīng)的光譜信息進(jìn)行比較分析，以閾值作為標(biāo)準(zhǔn)，從而判斷待識(shí)別作物種子中是否含有某化學(xué)成分；(5)對(duì)樣品的自動(dòng)分選如果待識(shí)別作物種子的近紅外光譜和鑒別模型比較，符合設(shè)定的預(yù)期，則待識(shí)別作物種子樣品在傳送帶的輸送下直接進(jìn)入良品收集區(qū)，否則當(dāng)待識(shí)別作物種子樣品到達(dá)分選區(qū)時(shí)，噴閥噴出高速氣流將其吹入次品收集區(qū)，從而實(shí)現(xiàn)樣品的自動(dòng)篩選；所述的作物種子為水稻、小麥、玉米等。所述的光譜信息經(jīng)過(guò)了下列的校正與預(yù)處理獲得光譜信息后，進(jìn)行光譜校正，使光譜圖的規(guī)范化、抵消背景干擾及提高光譜的質(zhì)量，采用平滑、中心、求導(dǎo)、歸一化、多元散射校正、SNV、ReduCe、N0ise中的一種、任意二種或任意三種進(jìn)行光譜預(yù)處理，采用何種校正方法要依光譜的質(zhì)量及干擾的情況來(lái)選擇，預(yù)處理也可以把原來(lái)隱藏的信號(hào)差異放大出來(lái)，提高光譜的分辨率，使品種鑒別更加直觀、可
罪；所述的比較分析是在近紅外光譜鑒別作物種子品種的定性判別分析更多依靠若干個(gè)峰組或頻率段甚至全光譜來(lái)進(jìn)行定性判別，包括偏差權(quán)重法、Kruskal-Wallistesting 檢驗(yàn)、主成分分析、偏最小二乘法、DPLS, SIMCA, LLM、Fisher判別、KNN、小波分析或ANN特征篩選方法來(lái)提取光譜特征以提高分析鑒別結(jié)果的可靠性。所述鑒別模型是指對(duì)于單粒的作物種子樣品，確定未知樣品屬于某一種類，采用模式識(shí)別來(lái)進(jìn)行鑒別，鑒別作物種子品種的模式識(shí)別方法用Fisher判別、Bayes判別、逐步判別、線性學(xué)習(xí)機(jī)、KNN, SIMCA、DPLS、聚類分析、最小二乘回歸、歐式距離或神經(jīng)網(wǎng)絡(luò)；以模式識(shí)別來(lái)進(jìn)行判別分析，需要將已知不同化學(xué)成分標(biāo)準(zhǔn)作物種子樣品的光譜分成學(xué)習(xí)集和檢驗(yàn)集兩部分，劃分的依據(jù)是學(xué)習(xí)集和檢驗(yàn)集中的類別種類應(yīng)相同，具有廣泛的代表性；然后對(duì)不同化學(xué)成分作物種子樣品依先驗(yàn)知識(shí)進(jìn)行賦初值，來(lái)建立不同成分鑒別模型，然后用檢驗(yàn)集來(lái)評(píng)價(jià)模型的性能。本發(fā)明與背景技術(shù)相比具有的有益效果是1)利用光譜技術(shù)單粒鑒別作物種子化學(xué)成分和農(nóng)殘，其分析速度大大加快。光譜的測(cè)定過(guò)程一般可在30秒內(nèi)完成；2)不使用任何化學(xué)試劑，降低了檢測(cè)成本，也不污染環(huán)境；3)與化學(xué)方法相比，系統(tǒng)誤差和人為誤差大大降低，提高了測(cè)量精度；4)能夠處理大量和單粒樣本分析，節(jié)省時(shí)間，實(shí)時(shí)檢測(cè)技術(shù)能夠很好的對(duì)突變體、 遺傳群體進(jìn)行跟蹤檢測(cè)；5)能夠?qū)Ψ治鰳颖具M(jìn)行無(wú)損鑒別，鑒別后的作物仍能用于種植、生產(chǎn)。


圖1是作物種子單粒的典型光譜曲線圖。圖2本發(fā)明方法的流程方框圖。
具體實(shí)施例方式首先，外設(shè)通電，控制計(jì)算機(jī)開(kāi)機(jī)，啟動(dòng)系統(tǒng)控制單元，對(duì)近紅外無(wú)損檢測(cè)系統(tǒng)和輸運(yùn)單元和分檢單元進(jìn)行初始化。初始化完成后，系統(tǒng)的種子輸送單元將待檢測(cè)種子在輸送帶上整齊排列，輸送帶將第一粒種子移動(dòng)到近紅外檢測(cè)單元，獲取其相應(yīng)的近紅外圖譜。 然后將該圖譜和前期建立起的標(biāo)準(zhǔn)模型庫(kù)相比較，判斷是否符合要求。之后，輸送帶繼續(xù)向前傳送，將下一粒種子傳遞到近紅外檢測(cè)單元，而已經(jīng)檢測(cè)過(guò)的種子送到分揀單元。如果不符合要求，該種子將被一個(gè)特制的高速微型噴閥噴出的高速氣流吹到一個(gè)接收容器A里， 否則，該種子將隨著輸送帶的運(yùn)動(dòng)直接送到另外一個(gè)接收容器B里。系統(tǒng)循環(huán)運(yùn)行，從而實(shí)現(xiàn)對(duì)植物種子的自動(dòng)無(wú)損檢測(cè)。為了提高檢測(cè)效率，可以通過(guò)增加通道數(shù)來(lái)實(shí)現(xiàn)。
權(quán)利要求
1.一種基于近紅外作物單籽粒成分無(wú)損檢測(cè)篩選方法，其特征在于具體包括以下步驟(1)標(biāo)準(zhǔn)或參考樣品單粒光譜集的建立首先對(duì)各種標(biāo)準(zhǔn)作物種子樣品進(jìn)行近紅外檢測(cè)，將光譜圖象轉(zhuǎn)換成樣本光譜基本數(shù)據(jù)；測(cè)量各種標(biāo)準(zhǔn)作物種子樣品的光譜；一般同一樣品需多次重復(fù)測(cè)量，不同批號(hào)的樣品也需重復(fù)測(cè)量，以平均光譜近似作為該樣品標(biāo)準(zhǔn)光譜，以建立標(biāo)準(zhǔn)或參考樣品單粒光譜集；(2)不同材料單粒成分?jǐn)?shù)據(jù)庫(kù)的建立對(duì)各種標(biāo)準(zhǔn)作物種子樣品的化學(xué)成分定量檢測(cè)，從而建立各種標(biāo)準(zhǔn)作物種子樣品的單粒成分?jǐn)?shù)據(jù)庫(kù)；(3)不同材料單粒成分鑒別模型的建立利用相應(yīng)的統(tǒng)計(jì)分析軟件，分析各種標(biāo)準(zhǔn)作物種子樣品的單粒成分?jǐn)?shù)據(jù)及其光譜信息的相關(guān)性，建立各種標(biāo)準(zhǔn)作物種子樣品的單粒成分與光譜信息的鑒別模型；確定標(biāo)準(zhǔn)作物種子樣品單粒所含有的各化學(xué)成分及其光譜閾值，這個(gè)閾值就是鑒定新待識(shí)別作物種子中是否含有該化學(xué)成分的標(biāo)準(zhǔn)；(4)待識(shí)別作物種子單粒成分的分析采集傳送帶上正在分揀的待識(shí)別作物種子單粒的近紅外光譜信息，再和鑒別模型中標(biāo)準(zhǔn)作物種子的成分所對(duì)應(yīng)的光譜信息進(jìn)行比較分析，以閾值作為標(biāo)準(zhǔn)，從而判斷待識(shí)別作物種子中是否含有某化學(xué)成分及其大??；(5)對(duì)樣品的自動(dòng)分選如果待識(shí)別作物種子的近紅外光譜和鑒別模型比較，符合設(shè)定的預(yù)期，則待識(shí)別作物種子樣品在傳送帶的輸送下直接進(jìn)入良品收集區(qū)，否則當(dāng)待識(shí)別作物種子樣品到達(dá)分選區(qū)時(shí)，噴閥噴出高速氣流將其吹入次品收集區(qū)，從而實(shí)現(xiàn)樣品的自動(dòng)篩選； 所述的作物種子為水稻、小麥、玉米等。
2.根據(jù)權(quán)利要求1所述的基于近紅外作物單籽粒成分無(wú)損檢測(cè)篩選方法，其特征在于所述的光譜信息經(jīng)過(guò)了下列的校正與預(yù)處理獲得光譜信息后，進(jìn)行光譜校正，使光譜圖的規(guī)范化、抵消背景干擾及提高光譜的質(zhì)量，采用平滑、中心、求導(dǎo)、歸一化、多元散射校正、SNV、Reduce、Noise中的一種、任意二種或任意三種進(jìn)行光譜預(yù)處理，采用何種校正方法要依光譜的質(zhì)量及干擾的情況來(lái)選擇，預(yù)處理也可以把原來(lái)隱藏的信號(hào)差異放大出來(lái)，提高光譜的分辨率，使品種鑒別更加直觀、可罪；
3.根據(jù)權(quán)利要求1所述的基于近紅外作物單籽粒成分無(wú)損檢測(cè)篩選方法，其特征在于所述的比較分析是在近紅外光譜鑒別作物種子品種的定性判別分析更多依靠若干個(gè)峰組或頻率段甚至全光譜來(lái)進(jìn)行定性判別，包括偏差權(quán)重法、Kruskal-Wallistesting檢驗(yàn)、主成分分析、偏最小二乘法、DPLS, SIMCA, LLM、Fisher判別、KNN、小波分析或ANN特征篩選方法來(lái)提取光譜特征以提高分析鑒別結(jié)果的可靠性。
4.根據(jù)權(quán)利要求1所述的基于近紅外作物單籽粒成分無(wú)損檢測(cè)篩選方法，其特征在于所述鑒別模型是指對(duì)于單粒的作物種子樣品，確定未知樣品屬于某一種類，采用模式識(shí)別來(lái)進(jìn)行鑒別，鑒別作物種子品種的模式識(shí)別方法用Fisher判別、Bayes判別、逐步判別、線性學(xué)習(xí)機(jī)、KNN, SIMCA、DPLS、聚類分析、最小二乘回歸、歐式距離或神經(jīng)網(wǎng)絡(luò)；以模式識(shí)別來(lái)進(jìn)行判別分析，需要將已知不同化學(xué)成分標(biāo)準(zhǔn)作物種子樣品的光譜分成學(xué)習(xí)集和檢驗(yàn)集兩部分，劃分的依據(jù)是學(xué)習(xí)集和檢驗(yàn)集中的類別種類應(yīng)相同，具有廣泛的代表性；然后對(duì)不同化學(xué)成分作物種子樣品依先驗(yàn)知識(shí)進(jìn)行賦初值，來(lái)建立不同成分鑒別模型，然后用檢驗(yàn)集來(lái)評(píng)價(jià)模型的性能。
全文摘要
本發(fā)明涉及一種基于近紅外作物單籽粒成分無(wú)損檢測(cè)篩選方法，本發(fā)明利用已知作物單粒的化學(xué)成分定量檢測(cè)技術(shù)獲得不同材料的單粒成分?jǐn)?shù)據(jù)庫(kù)，再對(duì)已知單粒成分材料的近紅外光譜信息進(jìn)行收集，建立單粒成分與近紅外光譜信息之間的相應(yīng)的成分鑒別模型，檢測(cè)時(shí)先檢測(cè)待測(cè)樣品的光譜，再和鑒別模型比較分析，得出待測(cè)樣品的成分，再自動(dòng)進(jìn)行分選，在單籽粒水平上實(shí)現(xiàn)對(duì)的淀粉、蛋白質(zhì)、脂肪等化學(xué)物質(zhì)以及化學(xué)污染物進(jìn)行高通量無(wú)損檢測(cè)，該發(fā)明可以對(duì)突變體、遺傳分離群體無(wú)損選擇和污染物檢測(cè)，為作物遺傳育種和農(nóng)產(chǎn)品安全提供新方法。
文檔編號(hào)B07C5/34GK102179375SQ20111005647
公開(kāi)日2011年9月14日 申請(qǐng)日期2011年3月9日 優(yōu)先權(quán)日2011年3月9日
發(fā)明者余立祥, 劉斌美, 卞坡, 吳躍進(jìn), 宋樂(lè), 張瑛, 陳連運(yùn), 黃世霞, 黃青 申請(qǐng)人:中國(guó)科學(xué)院合肥物質(zhì)科學(xué)研究院