近紅外光譜技術(shù)結(jié)合PLS和SPA檢測鮮冬棗表面農(nóng)藥殘留量的方法

蔣 霞， 張 曉， 白鐵成， 陳 杰， 張楠楠

(塔里木大學(xué)信息工程學(xué)院/中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所新疆南疆農(nóng)業(yè)信息化研究中心，新疆阿拉爾 843300)

冬棗是新疆南疆地區(qū)的重要經(jīng)濟作物，它以味道鮮美，糖分含量高，富含19種人體所需氨基酸和維生素、多種微量元素和較多的藥用成分，被公認為品質(zhì)最好的鮮食棗品種之一[1]，具有很高的食療和多種保健功效，被譽為“活維生素丸”[2]。由于大面積種植以及氣候等環(huán)境因素的影響，冬棗樹病蟲害越來越嚴重，嚴重影響了果農(nóng)的利益，果農(nóng)不得不使用農(nóng)藥，但不合理的濫用容易造成冬棗表面農(nóng)藥殘留超標。隨著人們生活水平的提高和健康環(huán)保意識的增強，消費者越來越關(guān)注果蔬的質(zhì)量安全問題，其中果蔬表面的農(nóng)藥殘留問題尤其備受關(guān)注[3]。由于冬棗在采摘前最后1次噴灑農(nóng)藥的時間與上市期的間隔時間較短，導(dǎo)致上市鮮冬棗會出現(xiàn)不同量的農(nóng)藥殘留現(xiàn)象，而且很多消費者食用前不清洗，或者即使清洗也清洗不徹底，因此，導(dǎo)致很多人受害于農(nóng)藥殘留而并不自知。及時對市場上銷售的鮮冬棗進行農(nóng)藥殘留限量檢測顯得極為重要。

近年來，國內(nèi)外研究學(xué)者采用液相色譜法[4]、氣相色譜法[5]、氣相色譜-串聯(lián)質(zhì)譜法[6-7]、酶抑制法[8]、超臨界流體萃取法(SFE)[9]、生物傳感器法[10]等技術(shù)對果蔬類農(nóng)藥殘留進行了研究，并取得了相關(guān)進展。然而，這些檢測方法尤其是化學(xué)方法雖然檢測精度高，但普遍存在耗時長、費用昂貴、對樣品損壞嚴重、樣品和試劑浪費嚴重等現(xiàn)象，且對檢測產(chǎn)品均有一定的破壞性，無法實現(xiàn)經(jīng)濟成本低廉的快速無損檢測[11]。因此，迫切需要一種實時、無損、在線農(nóng)藥殘留快速篩查技術(shù)，以適應(yīng)特色林果業(yè)的健康快速發(fā)展需求。

近紅外光譜技術(shù)可利用近紅外光譜區(qū)域的全譜或部分波段光譜對被測物進行快速定量或定性分析[12-13]。該技術(shù)已用于農(nóng)產(chǎn)品品質(zhì)檢測、種類鑒別、農(nóng)藥殘留分析等研究[14-17]。但近紅外光譜通常包含數(shù)以千計的波長變量，利用全波段數(shù)據(jù)建模時，并非每個波長都能提供有用信息，大量冗余數(shù)據(jù)會增加建模工作量。開展波長變量優(yōu)選，不僅可以剔除無關(guān)變量，還能提高模型的預(yù)測精度以及穩(wěn)健性。同時，優(yōu)選的特征波長可用于構(gòu)建在線光譜快速測量系統(tǒng)，從而降低生產(chǎn)成本[18]。連續(xù)投影算法(SPA)利用向量的投影分析，尋找含有最少冗余信息的變量組合，使變量間的共線性小，該方法在光譜特征波長優(yōu)選中應(yīng)用廣泛[19-20]。偏最小二乘法(PLS)是一種常見的多元統(tǒng)計數(shù)據(jù)分析方法，被廣泛應(yīng)用于近紅外、高光譜、拉曼、核磁和質(zhì)譜等波譜定量模型的建立，幾乎成為光譜分析中建立定量校正模型的通用方法。

基于以上考慮，本研究以南疆鮮冬棗為對象，通過近紅外光譜技術(shù)得到冬棗樣品表面吸光度信息，以毒死蜱農(nóng)藥為例，建立噴灑不同濃度農(nóng)藥的鮮冬棗樣品的全波段偏最小二乘法(PLS)模型，同時應(yīng)用SPA提取特征波長，作為PLS的輸入變量，建立了SPA-PLS模型，比較2種模型的預(yù)測精度，以期為鮮冬棗農(nóng)藥殘留的快速檢測提供一種新的思路和方法，并對其他果蔬類農(nóng)藥殘留光譜檢測提供借鑒意義。

1 材料與方法

1.1 材料與試驗設(shè)計

選取新疆南疆某農(nóng)場購買的鮮冬棗為研究對象，隨機選取180個成熟度良好、顏色均勻的冬棗樣本，所用的農(nóng)藥為毒死蜱，購買于國家物質(zhì)中心，劑型為乳油，質(zhì)量百分含量為40%。把農(nóng)藥配置成1 ∶10、1 ∶50、1 ∶100、1 ∶1 000不同濃度梯度的溶液和空白對照溶液(只含蒸餾水)。

首先對180個冬棗樣本進行清洗并自然風(fēng)干，然后立即按照試驗要求，隨機分為5組，每組36個，將配好的4種濃度的農(nóng)藥溶液及空白對照組分別噴灑1組冬棗，其中每種濃度隨機抽取30個冬棗作為建模集，剩余的6個冬棗作為預(yù)測集。利用噴霧器噴灑，保證噴灑均勻。

將噴灑過藥液的冬棗放在通風(fēng)處12 h后，進行近紅外光譜圖像的采集。整個過程均在實驗室進行，實驗室環(huán)境條件為溫度20～25 ℃，相對濕度為30%～40%。

1.2 光譜采集儀器及方法

實驗設(shè)備為Antaris II傅立葉變換近紅外(FT-NIR)光譜儀(Thermo Scientific，USA)，無需另外提供采樣背景，以儀器內(nèi)部空氣為背景，測量波長范圍4 000～10 000 cm-1，分辨率為4 cm-1，共1 557個采樣點數(shù)，每張光譜掃描32次。測樣方式：開機預(yù)熱30 min后，用近紅外光譜儀對紅棗的可區(qū)別3個部位分別掃描32次，求其平均值作為原始光譜。應(yīng)用OMNIC軟件和與之配套的標準白板采集歸一化后的光譜數(shù)據(jù)并轉(zhuǎn)換格式，利用MATLAB2010b(美國Mathworks)軟件進行數(shù)據(jù)分析和處理。本次采用的近紅外光譜采集設(shè)備系統(tǒng)見圖1。

1.3 連續(xù)投影算法

連續(xù)投影算法(successive projections algorithm，SPA)[18]在光譜分析建模中可以提取光譜數(shù)據(jù)的特征波長，減少數(shù)據(jù)維度的同時能夠有效避免信息重疊，最大限度提取解釋信息，從而提高預(yù)測精度和速度，使模型能夠更有效地達到實際利用目的。

設(shè)X(n×p)為鮮冬棗表面不同濃度農(nóng)藥殘留的吸光度矩陣，其中n為樣本容量，p為全譜波的個數(shù)。設(shè)xk為初始迭代量，M為提取波長變量數(shù)的范圍，SPA的具體算法為：

預(yù)測集的光譜矩陣X(n×m)給出需要選擇的波長數(shù)n，SPA算法如下：

(1)在開始迭代前(m=1)把校正集光譜矩陣的任意第k列(k=1…p，p為波長總數(shù))賦值給xk；

(2)把沒有被選中的其他波長點位置集合記為S：

S={k，1≤k≤p，k?{var(0)，…，var(m-1)}}；

(3)計算xk對剩余列向量Xvar(m-1)的正交投影：

(4)記

var(m)=arg[max(‖Pxj‖]，k∈S；

(5)記

xk=Pxk，k∈S；

(6)m=m+1，如果m

(7)最后提取波長位置{var(m)=0，…，M-1}；

對應(yīng)于每一對var(m)和M，循環(huán)1次后進行多元線性回歸分析(MLR)，得到驗證集的標準偏差(RMSEP)，最小RMSEP值對應(yīng)的var(m)和M則為最優(yōu)值。

1.4 建模方法和模型驗證指標

偏最小二乘法(partial least square regression，PLS)是通過建立光譜數(shù)據(jù)與農(nóng)藥濃度分類值之間的多元統(tǒng)計回歸模型進行分析。除了線性回歸分析，PLS在建模過程中集合了包括主成分分析、典型相關(guān)分析等方法的功能特點，因此在分析結(jié)果中，不僅可以建立更優(yōu)化的回歸模型，而且在光譜分析中得到廣泛應(yīng)用[19]。

將噴灑毒死蜱農(nóng)藥濃度為1 ∶10的樣本賦值為1，噴灑毒死蜱農(nóng)藥濃度為1 ∶50的樣本賦值為2，噴灑毒死蜱農(nóng)藥濃度為1 ∶100的樣本賦值為3，噴灑毒死蜱農(nóng)藥濃度為 1 ∶1 000 的樣本賦值為4，噴灑蒸餾水的樣本賦值為5。PLS數(shù)值間的間距為1。判別依據(jù)是以各數(shù)值為基準，上下0.5個單位之內(nèi)的為該數(shù)值代表的農(nóng)藥濃度，結(jié)果見表1。

表1 PLS模型判別標準

為有效評價模型精度，本研究選取相關(guān)系數(shù)(R)、建模集中交互驗證預(yù)測均方差(SECV)、驗證集中預(yù)測標準差(SEP)、準確率(precision)進行模型分析檢驗，其計算公式見表2。其中，R越接近1，回歸(或預(yù)測)結(jié)果越好；SECV越小，說明該模型的預(yù)測能力越高；SEP值越小，則表示模型對外部樣品的預(yù)測能力越高；同一批次樣本，SECV和SEP值越小，說明模型的精度越高，二者值越接近說明模型穩(wěn)定性越好；Precision用來驗證模型的正確程度，用來反應(yīng)模型的正確性。

2 結(jié)果與分析

2.1 原始光譜曲線與特征分析

為采集噴灑4種不同濃度毒死蜱農(nóng)藥的樣品組與對照組的原始光譜，從圖2可以看出，噴灑不同濃度農(nóng)藥樣本及對照組樣本的近紅外光譜在4 000～10 000 cm-1曲線趨勢基本相似，并沒有太明顯的差異，但6 800、5 200 cm-1附近有明顯的吸收峰存在，噴灑不同濃度農(nóng)藥的樣品在此2波峰處的吸光強度不同。在所測范圍4 000～10 000 cm-1內(nèi)，其吸光強度與毒死蜱農(nóng)藥的濃度呈負相關(guān)關(guān)系，毒死蜱濃度越高，在該范圍內(nèi)，其峰值越低，本結(jié)果與前人研究結(jié)論一致。

2.2 預(yù)處理結(jié)果

分別采用一階導(dǎo)數(shù)(savitzky golay first derivative，SGFD)、二階導(dǎo)數(shù)(savitzky golay second derivative，SGSD)、多元散射校正(multiplicative scatter correction，MSC)等3種方法對光譜進行預(yù)處理，光譜預(yù)處理結(jié)果見圖3。然后結(jié)合PLS對不同濃度農(nóng)藥進行建模。采用3種光譜預(yù)處理方法和原光譜所建立的PLS模型對冬棗中農(nóng)藥殘留量分類的建模精度和預(yù)測能力見表3。通過比較，采用原始光譜所建立的模型最優(yōu)(圖4)，故后面的連續(xù)投影算法以原始光譜為基礎(chǔ)進行。

表2 偏最小二乘法模型的檢驗指標

2.3 SPA選擇特定波長

采用連續(xù)投影算法在全譜范圍內(nèi)對原始光譜使用SPXY(Sample set partitioning based on joint x-y distance)進行校正集樣品劃分處理，最后使用SPA算法進行光譜變量壓縮。指定提取波長變量數(shù)M的范圍為2～20，采用均方根誤差(RMSE)確定選定的最終變量數(shù)目。從圖4可以看出，當(dāng)最小均方根誤差的最小值為0.689 34時，從原始光譜中共選出5個特征波長，分別為3 999.64、4 578.18、5 179.861、5 283.999、7 162.325 cm-1，其重要性依次減弱。從所選變量的波長可以看出，冬棗表面毒死蜱農(nóng)藥在4 000～5 300 cm-1波段存在相關(guān)性較高的光譜特征，可用于冬棗表面毒死蜱農(nóng)藥殘留量的快速檢測，其中5 179.861、5 283.999 cm-1波段貢獻值較大，本結(jié)果與已有研究中5 200 cm-1附近是農(nóng)藥濃度分類敏感波段結(jié)論相吻合。

表3 不同預(yù)處理方法PLS建模結(jié)果

2.4 基于SPA特征波長的PLS模型

對從原始光譜做SPA后選出的5個特征波長，仍采用相同的3種光譜預(yù)處理方法和原始光譜建立SPA-PLS模型，該模型對冬棗中農(nóng)藥殘留量分類的建模精度和預(yù)測能力見表4。與PLS模型的建模精度和預(yù)測能力比較可知，原始光譜的SEP由0.653 683增加至0.691 782，RMSECV由 0.573 286 增加至0.782 928，R由0.886 780降低至 0.872 192，Precision由0.737 027提高至0.795 669；一階求導(dǎo)的SEP從 0.739 075 提高至0.771 944，RMSECV從 0.005 520 增加至0.365 338，R從0.852 575降低至 0.837 885，Precision從 0.694 676 增加至0.761 169；二階求導(dǎo)的SEP從 1.232 677 降低至0.708 189，RMSECV從 0.689 179 降低至0.033 439，R從0.490 157提高至 0.865 583，Precision從0.478 865提高至0.668 338；MSC的SEP由1.117 406降低至0.916 856，RMSECV由1.609 444降低至1.000 208，R由0.612 946提高至0.761 372，Precision由0.485 502提高至0.558 819。 試驗結(jié)果表明，SPA-PLS只用了5個特征波長來建模，所用變量數(shù)僅占全波段的0.32%，建立的冬棗表面農(nóng)藥殘留模型的準確度和精度優(yōu)于在全譜區(qū)所建立的PLS模型。因為近紅外光譜的譜峰重疊嚴重，冗余信息多，同時在全譜區(qū)還包含大量與毒死蜱成分無關(guān)的信息，將全光譜的所有信息參與建模，在一定程度上降低了模型的性能[20]。而經(jīng)SPA變量從全光譜中優(yōu)選出有效特征變量建立的模型，最大程度地保留了有用光譜信息，剔除了大量無用和冗余信息，提高了模型精度和穩(wěn)定性。

表4 SPA-PLS建模結(jié)果

3 結(jié)論

采用連續(xù)投影算法(SPA)分別對測定的180組光譜數(shù)據(jù)進行變量選擇，從原始光譜中篩選了3 999.64、4 578.18、5 179.861、5 283.999、7 162.325 cm-1共5個波長，降低了PLS模型的計算量，且連續(xù)投影算法高度概括了絕大多數(shù)樣品光譜的信息，避免了信息重疊，同時去除了冗余信息，簡化了模型，提高了模型精度和穩(wěn)定性。同時，將得到的特征波長用于開發(fā)便攜式農(nóng)藥殘留檢測儀，可以大大降低對硬件的要求，為研制水果表面農(nóng)藥殘留便攜式光譜儀提供依據(jù)和理論基礎(chǔ)。

研究結(jié)果表明，可見近紅外光譜技術(shù)聯(lián)合PLS和SPA是一種有效區(qū)分冬棗表面不同濃度農(nóng)藥殘留量的方法。在今后的研究中，將引入多種農(nóng)藥種類，增加農(nóng)藥梯度設(shè)置，進一步驗證該方法的有效性。但所建模型的精度和準確度相對較低，提高模型精度和準確度的方法還需進一步開展研究。

[1]王亞萍，王貴禧，李艷菊. 冬棗貯藏保鮮技術(shù)研究進展[J]. 中國農(nóng)學(xué)通報，2006，22(3)：82-87.

[2]曲澤洲，王永蕙. 中國果樹志·棗卷[M]. 北京：中國林業(yè)出版社，1993：229-230.

[3]薛 龍，黎 靜，劉木華. 基于高光譜圖像技術(shù)的水果表面農(nóng)藥殘留檢測試驗研究[J]. 光學(xué)學(xué)報，2008，28(12)：2277-2280.

[4]Yu C S，F(xiàn)an S F，Li Y J，et al. Representative commodity for five brassica vegetables based on the determination and dissipation of six pesticide residues[J]. International Journal of Environmental Analytical Chemistry，2015，95(5)：419-433.

[5]吳海燕，陳建軍. 蔬菜中多種有機磷農(nóng)藥殘留氣相色譜分析法[J]. 食品與機械，2010，26(4)：76-77，83.

[6]Lozano A，Rajski L，Belmonte-Valles N，et al. Pesticide analysis in teas and chamomile by liquid chromatography and gas chromatography tandem mass spectrometry using a modified QuEChERS method：validation and pilot survey in real samples[J]. Journal of Chromatography A，2012，1268：109-122.

[7]蘇建峰，鐘茂生，陳 晶，等. 氣相色譜-質(zhì)譜法與氣相色譜法測定茶葉及茶葉加工品中295種農(nóng)藥多殘留[J]. 分析測試學(xué)報，2015，34(6)：625-638.

[8]劉永杰，張金振，曹明章，等. 酶抑制法快速檢測農(nóng)產(chǎn)品農(nóng)藥殘留的研究與應(yīng)用[J]. 現(xiàn)代農(nóng)藥，2004，3(2)：25-27，42.

[9]Rissato S R，Galhiane M S，Knoll F R，et al. Supercritical fluid extraction for pesticide multiresidue analysis in honey：determination by gas chromatography with electron-capture and mass spectrometry detection[J]. Journal of Chromatography A，2004，1048(2)：153-159.

[10]Cesarino I，Moraes F C，Lanza M R，et al. Electrochemical detection of carbamate pesticides in fruit and vegetables with a biosensor based on acetylcholinesterase immobilised on a composite of polyaniline-carbon nanotubes[J]. Food Chemistry，2012，135(3)：873-879.

[11]岳賢田，高桂枝. 蔬菜中農(nóng)藥殘留檢測方法研究進展[J]. 現(xiàn)代農(nóng)業(yè)科技，2008(12)：111-113，115.

[12]Wu X H，Sun J，Wu B，et al. Qualitative nnalysis model of near infrared spectra of pork based on synergy interval partial least squares discriminant analysis[J]. Laser & Optoelectronics Progress，2015，52(4)：242-247.

[13]Gong Z Y，Li Y F，Liu Y D，et al. Study on influence of irradiation angle on detection of sugar content of apple by near infrared spectroscopy[J]. Laser & Optoelectronics Progress，2016，53(2)：235-240.

[14]鐘艷萍，鐘振聲，陳蘭珍，等. 近紅外光譜技術(shù)定性鑒別蜂蜜品種及真?zhèn)蔚难芯縖J]. 現(xiàn)代食品科技，2010，26(11)：1280-1282，1233.

[15]Gao J F，Li X L，Zhu F L，et al. Application of hyperspectral imaging technology to discriminate different geographical origins ofJatrophacurcasL. seeds[J]. Computers and Electronics in Agriculture，2013，99(6)：186-193.

[16]溫珍才，孫 通，耿 響，等. 可見/近紅外聯(lián)合UVE-PLS-LDA鑒別壓榨和浸出山茶油[J]. 光譜學(xué)與光譜分析，2013，33(9)：2354-2358.

[17]湯丹明，孫 斌，劉輝軍. 近紅外漫反射光譜鑒別雞蛋種類[J]. 光譜實驗室，2012，29(5)：2699-2702.

[18]周 竹，尹建新，周素茵，等. 基于近紅外光譜與連續(xù)投影算法的針葉材表面節(jié)子缺陷識別[J]. 激光與光電子學(xué)進展，2017，54(2)：305-313.

[19]劉 飛，馮 雷，柴榮耀，等. 基于直接正交信號校正的水稻冠層葉瘟光譜診斷[J]. 光學(xué)學(xué)報，2010，30(2)：585-589.

[20]羅 霞，洪添勝，羅 闊，等. 高光譜技術(shù)在無損檢測火龍果可溶性固形物中的應(yīng)用[J]. 激光與光電子學(xué)進展，2015，52(8)：309-317.