本發(fā)明涉及肉類鑒別領(lǐng)域,尤其涉及一種肉類摻假鑒別方法及裝置。
背景技術(shù):
:現(xiàn)實生活中,市場上出現(xiàn)很多肉類摻假事件,使得肉類產(chǎn)品的安全問題處于風(fēng)口浪尖,備受人們爭議和關(guān)注。比如在2014至2015年對廣東省牛羊肉及其制品中摻雜摻假情況進行調(diào)查:50份檢驗樣品中,檢出10份摻假肉食品,總摻假率為20.0%??梢妵鴥?nèi)肉類市場摻假的嚴(yán)重程度。食品造假摻假、以次充好的事件不僅嚴(yán)重危害了消費者的健康和利益,同時也影響了相關(guān)企業(yè)的發(fā)展以及民眾對國內(nèi)食品安全的信任度。比如將豬肉充作為是牛肉、羊肉。因而,快速準(zhǔn)確的對肉類產(chǎn)品進行快速鑒別,遏制不良商家的造假行為顯得迫在眉睫。傳統(tǒng)的肉類鑒別方法包括生物鑒定法和感官評定法,而對于生物鑒定法一般比如采用聚合酶鏈?zhǔn)椒磻?yīng)(pcr)、酶聯(lián)免疫分析(elisa)等,該類檢測方法雖然檢測精度很高但存在著工序復(fù)雜、成本高、破壞樣本、檢測時間長等缺點;而對于感官評定法,需要人工豐富的經(jīng)驗,誤差較大。技術(shù)實現(xiàn)要素:為了克服現(xiàn)有技術(shù)的不足,本發(fā)明的目的之一在于提供一種應(yīng)用于產(chǎn)地溯源的肉類摻假鑒別方法,其能夠解決現(xiàn)有技術(shù)中家畜肉類摻假鑒別的成本高、檢測時間長、誤差大等問題。為了克服現(xiàn)有技術(shù)的不足,本發(fā)明的目的之二在于提供一種應(yīng)用于產(chǎn)地溯源的肉類摻假鑒別裝置,其能夠解決現(xiàn)有技術(shù)中家畜肉類摻假鑒別的成本高、檢測時間長、誤差大等問題的問題。本發(fā)明的目的之一采用以下技術(shù)方案實現(xiàn):一種應(yīng)用于產(chǎn)地溯源的肉類摻假鑒別方法,包括以下步驟:s1:分別制備多個不同肉類的樣本集,每個樣本集包括多個檢測樣本;s2:分別采集s1中每個檢測樣本的原始光譜;s3:計算每個檢測樣本的馬氏距離以及每種肉類的馬氏距離閾值,并根據(jù)每個檢測樣本的馬氏距離以及對應(yīng)肉類的馬氏距離閾值得出奇異點樣本,然后將奇異點樣本從每種肉類的樣本集中剔除后得到對應(yīng)的剩余樣本集;s4:對多個剩余樣本集中所有檢測樣本的原始光譜分別進行預(yù)處理;s5:將多個剩余樣本集中所有檢測樣本隨機劃分為校正集和檢測集,通過建模方法對檢測集建立鑒別模型。進一步地,所述每種肉類樣本的馬氏距離閾值t為:其中為同一種肉類的所有樣本向量的平均光譜、δ為調(diào)整參數(shù)、σd為馬氏距離標(biāo)準(zhǔn)差;所述每個檢測樣本的馬氏距離d(xi)為:其中xi為第i個光譜向量、為光譜向量的平均光譜,s為協(xié)方差矩陣;所述每個檢測樣本的馬氏距離為每個檢測樣本的樣本向量xi到平均光譜的馬氏距離;所述奇異點樣本為馬氏距離d(xi)大于對應(yīng)肉類的馬氏距離閾值t的檢測樣本。進一步地,所述預(yù)處理為多元散射校正預(yù)處理、標(biāo)準(zhǔn)正則變換預(yù)處理、一階求導(dǎo)預(yù)處理、二階求導(dǎo)預(yù)處理、savitzky-golay平滑預(yù)處理和歸一化預(yù)處理中的一種。進一步地,所述建模方法為pls-da建模方法或svm建模方法。進一步地,所述樣本集通過以下制備過程得到:在不同肉鋪、不同超市采集每種肉類的精瘦肉樣本并放置于實驗室冰箱進行冷藏,然后對將每個樣本切成薄片并放入45度的恒溫箱烘干48小時,最后將每個樣本研磨成粉末后分別裝入干燥保鮮膜中保存。進一步地,每個原始光譜是通過傅里葉變換紅外光譜儀對每個檢測樣本進行連續(xù)多次掃描采集,并且每個檢測樣本掃描采集的次數(shù)相同,然后根據(jù)每個檢測樣本多次采集到的數(shù)據(jù)取平均值得到。進一步地,所述傅里葉變換紅外光譜儀的掃描波數(shù)范圍為4000-450cm-1、分辨率為4cm-1、掃描環(huán)境溫度為25℃、濕度為30±5%。進一步地,所述s5還包括通過建模方法對校正集建立鑒別模型。進一步地,所述肉類為豬肉或牛肉或羊肉。本發(fā)明的目的之二采用以下技術(shù)方案實現(xiàn):一種應(yīng)用于產(chǎn)地溯源的肉類摻假鑒別裝置,包括:樣本采集模塊,用于分別制備多個不同肉類的樣本集,每個樣本集包括多個檢測樣本;光譜采集模塊,用于分別采集s1中每個檢測樣本的原始光譜;奇異樣本剔除模塊,用于計算每個檢測樣本的馬氏距離以及每種肉類的馬氏距離閾值,并根據(jù)每個檢測樣本的馬氏距離以及對應(yīng)肉類的馬氏距離閾值得出奇異點樣本,然后將奇異點樣本從每種肉類的樣本集中剔除后得到對應(yīng)的剩余樣本集;預(yù)處理模塊,用于對多個剩余樣本集中所有檢測樣本分別進行預(yù)處理;鑒別模塊,用于將多個剩余樣本集中所有檢測樣本隨機劃分為校正集和檢測集,通過建模方法對檢測集建立鑒別模型。相比現(xiàn)有技術(shù),本發(fā)明的有益效果在于:本發(fā)明通過紅外光譜技術(shù)結(jié)合相應(yīng)的建模方法對不同種類的肉類進行鑒別判斷,解決了現(xiàn)有技術(shù)中肉類摻假鑒別時的成本高、檢測試劑、誤差大等問題。附圖說明圖1為本發(fā)明提供的鑒別方法的流程圖;圖2為本發(fā)明提供的所有樣本的原始光譜圖;圖3為本發(fā)明提供的三種肉類的樣本平均光譜圖;圖4為本發(fā)明提供的牛肉樣本集中所有樣本的馬氏距離分布圖;圖5為本發(fā)明提供的豬肉樣本集中所有樣本的馬氏距離分布圖;圖6為本發(fā)明提供的羊肉樣本集中所有樣本的馬氏距離分布圖;圖7為本發(fā)明提供的pls-da建模方法中檢測集中每種肉類的每個樣本的預(yù)測值與參考值的分布圖;圖8為本發(fā)明提供的pls-da建模方法中校正集中每種肉類的每個樣本的預(yù)測值與參考值的分布圖;圖9為本發(fā)明提供的svm建模方法中檢測集中每種肉類的每個樣本的預(yù)測值與參考值的分布圖;圖10為本發(fā)明提供的裝置模塊圖。具體實施方式下面,結(jié)合附圖以及具體實施方式,對本發(fā)明做進一步描述:實施例紅外線光譜技術(shù)是依據(jù)物體內(nèi)部原子、分子等特定結(jié)構(gòu)對電磁波有不同吸收特性的原理,對物體特定成分進行定性、定量的分析技術(shù)。其具有快速、無損、簡單等優(yōu)點,在農(nóng)業(yè)產(chǎn)品檢測中應(yīng)用非常廣泛,目前在茶葉、蜂蜜、葡糖酒、稻米、橄欖油以及肉制品等方面都具有廣泛的應(yīng)用。本發(fā)明主要是將該紅外光譜技術(shù)與建立模型的方法進行結(jié)合,從而能夠?qū)倚笕忸悾热缲i肉、牛肉、羊肉等的摻假情況進行檢測、鑒別。一種應(yīng)用于產(chǎn)地溯源的家畜肉類摻假鑒別方法,如圖1所示,包括以下步驟:s1:分別制備多個不同肉類的樣本集,每個樣本集包括多個樣本;s2:分別采集s1中每個樣本的原始光譜;s3:計算每種肉類樣本集中的每個樣本的馬氏距離以及每種肉類的馬氏距離閾值;s4:根據(jù)每個樣本的馬氏距離與對應(yīng)肉類的馬氏距離閾值找出奇異點樣本,然后剔除每種肉類樣本集中的奇異點樣本得到對應(yīng)的剩余樣本集。當(dāng)樣本的馬氏距離大于對應(yīng)的馬氏距離閾值時,該樣本為奇異點樣本。s5:對多個剩余樣本集中所有樣本的原始光譜分別進行預(yù)處理;s6:將多個剩余樣本集中所有樣本隨機劃分為校正集和檢測集;s7:通過建模方法對檢測集建立鑒別模型,從而根據(jù)鑒別模型得出檢測集中每個樣本的所屬類別。優(yōu)選地,所述s7還包括通過建模方法對校正集建立鑒別模型,從而根據(jù)鑒別模型對建模方法進行評價。作為優(yōu)選,本發(fā)明所采用的肉類為豬肉、牛肉和羊肉三種肉類,每種肉類的樣本均采用60個。本發(fā)明所采用的樣本均為不同肉鋪、不同超市采集到的精瘦肉,并且采集后立即放到實驗室冰箱進行冷藏,然后將每個樣本切成薄片并放入45度恒溫箱烘干48小時,研磨成粉末后裝入干燥保鮮膜中保存。本發(fā)明可以應(yīng)用于肉類的產(chǎn)地溯源中的肉類的摻假鑒別,從而可杜絕肉類摻假在市場上的流通。在建立模型之前,首先需要對每個樣本進行光譜處理。本發(fā)明使用紅外光譜儀對每個樣本進行透射光譜采集。優(yōu)選地,本發(fā)明中采用的光譜采集儀器為傅里葉變換紅外光譜儀,通過該紅外光譜儀對制作的樣本進行透射光譜采集。其光譜儀所采集掃描的波數(shù)范圍為4000-450cm-1、分辨率為4cm-1、掃描環(huán)境溫度為25℃、濕度為30±5%。在采集的過程中,對每個樣本連續(xù)掃描三次,然后對三次所得到的光譜數(shù)據(jù)求平均值得到每個樣本的原始光譜數(shù)據(jù),如圖2所示。每次掃描時,要保證每個樣本的掃描環(huán)境一致。由于樣本制備過程中被污染或光譜采集過程中受設(shè)備、環(huán)境等因素的影響,可能存在個別樣本成為奇異點樣本,其對建模的穩(wěn)健性、精度都有較大的影響,因此本發(fā)明采用馬氏距離首先將奇異點樣本從該肉類的樣本集中剔除,以免影響后建模,影響鑒別結(jié)果。本發(fā)明中采用馬氏距離(英文名:mahalanobisdistance)進行排除奇異點樣本只要是通過首先計算出每種肉類的馬氏距離閾值,以及每個樣本的馬氏距離,然后將馬氏距離大于對應(yīng)的馬氏距離閾值的樣本被認為是奇異點樣本,將其從樣本集中剔除。具體地,對于同一種肉采集到的60個樣本的原始光譜數(shù)據(jù)應(yīng)該是相近的,也即是每個樣本的馬氏距離應(yīng)該在一個允許的范圍內(nèi),若出現(xiàn)一個樣本的馬氏距離與其他的馬氏距離相差較大時,則認為該樣本為奇異點樣本。本發(fā)明中將一個樣本經(jīng)過光譜處理后得到一個光譜曲線看作為一光譜向量,該光譜向量包括波數(shù)和透射率信息,該向量用x表示。對于同一種肉類的60個樣本,每個樣本的光譜向量可表示為xi,其中i為[1,60]。假設(shè)一種肉類的馬氏距離閾值t為:其中為同一種肉類的所有樣本向量的平均光譜,如圖3所示;δ為調(diào)整參數(shù)、σd為馬氏距離標(biāo)準(zhǔn)差。而對于每個樣本的樣本向量xi到平均光譜的馬氏距離d(xi)為:其中xi為第i個光譜向量、為光譜向量的平均光譜、s為協(xié)方差矩陣。當(dāng)一個樣本的d(xi)大于對應(yīng)肉類的馬氏距離閾值t時,認為該樣本為奇異點樣本。另外,本發(fā)明中采用的δ=3,其是按統(tǒng)計學(xué)經(jīng)驗和相關(guān)資料確定的值。如圖4、5、6所示,對于本發(fā)明提供的-豬肉、牛肉、羊肉三種肉類樣本,分別通過公式(1)、(2)計算得到每種肉類的每個樣本的馬氏距離以及對應(yīng)的馬氏距離閾值。如圖4為牛肉的每個樣本的馬氏距離與牛肉樣本的馬氏距離閾值的分布圖、圖5為豬肉的每個樣本的馬氏距離與豬肉樣本的馬氏距離閾值的分布圖、圖6為羊肉的每個樣本的馬氏距離與羊肉樣本的馬氏距離閾值的分布圖。從圖4中可知:對于牛肉的樣本集,第53個樣本的馬氏距離為18.55,其遠超過牛肉的馬氏距離閾值8.74,因此,在之后進行建模處理時,將該第53個樣本從牛肉的樣本集中剔除,在后期建模時不做考慮。同理,對于豬肉的樣本集中將第1個樣本和第53個樣本剔除、對于羊肉的樣本集中的第20個樣本剔除。本發(fā)明還進行了檢測對比,對于在剔除奇異點樣本與不剔除奇異點樣本,這兩種情況對于鑒別的結(jié)果性能影響,如圖表1所示。樣本選取r2calrmsecr2valrmsecv剔除奇異點樣本前0.960.170.930.21剔除奇異點樣本后0.980.090.990.11表1根據(jù)表1可以看出校正集決定系數(shù)r2cal、檢測集決定系數(shù)r2val、校正集均方根誤差rmsec和檢測集均方根誤差rmsecv均有所提高,說明奇異點樣本對建模模型有較大影響,排除奇異點樣本后進行建模模型鑒別時,其性能更好。另外,為了排除原始光譜采集過程中受設(shè)備、環(huán)境、樣本制作的因素的影響,本文對原始光譜進行預(yù)處理。預(yù)處理方法可采用多元散射校正預(yù)處理、標(biāo)準(zhǔn)正則變換預(yù)處理、一階求導(dǎo)預(yù)處理、二階求導(dǎo)預(yù)處理、sacitzky-golay平滑預(yù)處理以及歸一化預(yù)處理六種預(yù)處理方法。本發(fā)明還對上述六種預(yù)處理的方法進行分析后得到每種預(yù)處理的方法對于鑒別結(jié)果的影響性能,如表2所示。表2從表2中可以看出,一階求導(dǎo)預(yù)處理方法和二階求導(dǎo)預(yù)處理方法不僅放大了特征吸收波段,同時也放大了噪聲,導(dǎo)致模型性能和準(zhǔn)確率反而下降,而歸一化處理由于能夠排除不同樣本之間厚度、透過率的影響,因此更能有效消除同種肉類樣本間的差異,效果最好。其中,r2cal為校正集決定系數(shù)、r2val為檢測集決定系數(shù)、rmsec為校正集均方根誤差、rmsecv為預(yù)測集均方根誤差。另外,從表1中的數(shù)據(jù)還可以看出,歸一化預(yù)處理方法的校正集決定系數(shù)r2cal、檢測集決定系數(shù)r2val均為0.99、校正集均方根誤差rmsec為0.06、預(yù)測集均方根誤差rmsecv為0.08、檢測集預(yù)測準(zhǔn)確率為100%,由此可以看出歸一化預(yù)處理應(yīng)用于建模時使得預(yù)測準(zhǔn)確率最高。因此,歸一化預(yù)處理為最為優(yōu)選地預(yù)處理方法。另外,上述六種預(yù)處理方法均為現(xiàn)有比較成熟的技術(shù)手段,其方法本身并不是本發(fā)明的發(fā)明點。對所有的樣本進行預(yù)處理后,對樣本集進行建模,首先對三種肉類的所有樣本進行隨機劃分,將樣本劃分為兩部分,一部分為校正集而一部分為檢測集,然后通過對校正集、檢測集分別進行建立鑒別模型。每種肉類的樣本集中剔除奇異點樣本后,豬肉的樣本集中剩余58個樣本、牛肉的樣本集中剩余59個樣本、羊肉的樣本集中剩余59個樣本,分別隨機將上述所有的樣本進行拆分。比如隨機選取豬肉的38個樣本、牛肉的39個樣本、羊肉的39個樣本作為校正集,而對應(yīng)剩下的豬肉20個樣本、牛肉20個樣本、羊肉20個樣本作為檢測集。本發(fā)明所采用的建模方法之一為pls-da建模方法(也稱為偏最小二乘法建模方法),是通過最小化均方根誤差找到一組數(shù)據(jù)的最佳函數(shù)匹配;用最簡單的方法求得一些絕對不可知的真值,而令均方根誤差之和為最小。pls-da建模方法的具體建模過程如下(以下建模的計算過程只是較簡單的介紹,該建模方法的具體計算過程是本領(lǐng)域技術(shù)人員所熟知的):設(shè)x為豬肉或牛肉或羊肉校正集樣本光譜矩陣,y為本方案假設(shè)的包含{-1,0,1}的向量,其中-1、0、1分別對應(yīng)牛肉樣本、豬肉樣本和羊肉樣本的參考值。a、對x和y進行中心化,得到x0和y0;并從y0中選擇一列作為u1。一般來說,選擇方差較大的一列作為u1。b、迭代求解x的變換權(quán)重w1、因子t1,y的變換權(quán)重c1、因子u1,直到收斂。該迭代求解的過程為:b1、利用y的信息u1,求x的變換權(quán)重w1及因子t1,從而將x0的信息用t1來近似表達;迭代公式如下:w1=x0tu1/(u1tu1),w1=w1/||w1||,t1=x0w1。b2、利用x的信息t1求y的變換權(quán)重c1,并將因子u1更新為μ1,從而將y0的信息用t1來近似表達;迭代公式如下:c1=y(tǒng)0tt1/(t1tt1),c1=c1/||c1||,μ1*=y(tǒng)0c1。b3、根據(jù)δu判斷是否已經(jīng)找到合理解,若是則執(zhí)行s3;若否則繼續(xù)進行迭代求解,直到找到合理解;其中δu為δu=uδtuδ=(u1*-u1)t(u1*-u1),其中uδ=u1*-u1;當(dāng)δu<閾值,找到合理解,則執(zhí)行s3;否則,取u1=u1*,返回s21。該閾值可以是10-6。c、求x與y的殘差矩陣。首先,x的載荷為p1:p1=x0tt1/(t1tt1)。則p1的推導(dǎo)公式如下:根據(jù)t1來表達x0,建立回歸模型:對轉(zhuǎn)置得兩邊右乘t1有從而有求得x0的殘差x1為:其中,p1代表因子t1在x上的載荷(loadings),它反映了原始變量x與第一個因子向量t1間的關(guān)系,而殘差x1表達了u1所不能反映的x0中的信息。建立x因子t1與y因子u1間的回歸模型u1=b1t1,用t1預(yù)測u1的信息,得到b1=u1tt1/(t1tt1),則殘差y1為其中殘差y1表達了x因子t1所不能預(yù)測的y0中的信息。d、然后利用x1與y1重復(fù)上面步驟,求解下一個主成分pls參數(shù),最終求出一定主成分的pls-da模型;其中pls參數(shù)包括因子、轉(zhuǎn)換權(quán)重、載荷、回歸系數(shù)等。通過pls-da建模方法對檢測集建立對應(yīng)的鑒別模型,得出檢測集中每個樣本的預(yù)測值,然后將預(yù)測值通過圖示的方式進行顯示,如圖7所示。本文中采用參考值上下浮動±0.5,作為參考值的參考范圍,也即是得到的預(yù)測值若是在參考值上下浮動±0.5以內(nèi),均認為是正常的。如圖7為檢測集中每種肉類的每個樣本的預(yù)測值與參考值的分布圖,牛肉的每個樣本的預(yù)測值位于[-1.09,-0.92]而牛肉的樣本的參考值范圍為[-1.5,-0.5]、豬肉的每個樣本的預(yù)測值位于[-0.05,0.18]而豬肉的樣本的參考值范圍為[-0.5,0.5]、羊肉的每個樣本的預(yù)測值位于[0.70,1.08]而羊肉的樣本的參考值范圍為[0.5,1.5]。由此可見,檢測集的每種肉類的每個樣本的預(yù)測值都在相應(yīng)參考值允許的范圍內(nèi),建模方法所建立的鑒別模型其預(yù)測準(zhǔn)確率為100%,pls-da建模方法具有良好的判斷性能。另外,本發(fā)明還對校正集建立鑒別模型,如圖8所示為校正集中每種肉類的每個樣本的預(yù)測值與對應(yīng)參考值的分布圖,本文可根據(jù)校正集的每個樣本的預(yù)測值與對應(yīng)參考值的分布圖來對pls-da建模方法進行的評價。本發(fā)明還提供了另外一種建模方法,即是svm建模方法(又稱為支持向量機建模方法,該建模的具體計算過程也是本領(lǐng)域技術(shù)人員所熟知的),通過svm建模方法同樣的將剔除奇異點樣本的剩余樣本集中的所有樣本隨機劃分為校正集與檢測集,然后對檢測集通過svm建模方法進行建模,從而得到如9所示檢測集中每種肉類的每個樣本的預(yù)測值與參考值的分布圖。由圖9得知,檢測集中的每個樣本的預(yù)測值均在相應(yīng)的參考值可允許的范圍內(nèi),也即是該svm建模方法所建立的鑒別模型其預(yù)測準(zhǔn)確率達到100%。同樣的,還通過svm建模方法對校正集建立鑒別模型,從而得到校正集中每種肉類的每個樣本的預(yù)測值與參考值的關(guān)系,可用來對svm建模方法的計算過程進行評價。本發(fā)明通過pls-da建模方法和svm建模方法分別對校正集與檢測集建立鑒別模型,其預(yù)測準(zhǔn)確率均達到了100%。優(yōu)選地,本發(fā)明還包括s6:通過計算上述兩種建模方法所建立的鑒別模型的決定系數(shù)、均方根誤差以及交叉驗證均方根誤差來驗證兩種建模方法的性能優(yōu)劣。建模方法r2calrmsecr2valrmsecvrmsep檢測集預(yù)測準(zhǔn)確率/%pls-da0.990.060.990.080.08100svm0.970.150.960.170.24100表3從表3中可以看出,pls-da建模方法和svm建模方法對檢測集的預(yù)測準(zhǔn)確率都達到了100%,同時兩種建模方法的校正集決定系數(shù)r2cal、檢測集決定系數(shù)r2val都在0.96以上,校正集均方根誤差rmsec、檢測集均方根誤差rmsecv都在0.25以下,因此兩種建模方法都具有較好的性能,都能準(zhǔn)確的對三種肉類進行鑒別。但在比較兩種建模方法的優(yōu)劣時可以看出,pls-da建模方法的校正集決定系數(shù)r2cal和檢測集決定系數(shù)r2val都達到了0.99,均高于svm建模方法的;同時pls-da建模方法的校正集均方根誤差rmsec、檢測集均方根誤差rmsecv以及交叉驗證均方根誤差rmsep都在0.08以下,均小于svm建模方法的。因此pls-da建模方法比svm建模方法具有更好的判別性能。如圖10所示,本發(fā)明還提供了一種應(yīng)用于產(chǎn)地溯源的肉類摻假鑒別裝置,包括:樣本采集模塊,用于分別制備多個不同肉類的樣本集,每個樣本集包括多個檢測樣本;光譜采集模塊,用于分別采集s1中每個檢測樣本的原始光譜;奇異樣本剔除模塊,用于計算每個檢測樣本的馬氏距離以及每種肉類的馬氏距離閾值,并根據(jù)每個檢測樣本的馬氏距離以及對應(yīng)肉類的馬氏距離閾值得出奇異點樣本,然后將奇異點樣本從每種肉類的樣本集中剔除后得到對應(yīng)的剩余樣本集;預(yù)處理模塊,用于對多個剩余樣本集中所有檢測樣本分別進行預(yù)處理;鑒別模塊,用于將多個剩余樣本集中所有檢測樣本隨機劃分為校正集和檢測集,通過建模方法對檢測集建立鑒別模型。對本領(lǐng)域的技術(shù)人員來說,可根據(jù)以上描述的技術(shù)方案以及構(gòu)思,做出其它各種相應(yīng)的改變以及形變,而所有的這些改變以及形變都應(yīng)該屬于本發(fā)明權(quán)利要求的保護范圍之內(nèi)。當(dāng)前第1頁12