利用比色光譜法快速檢測(cè)白菜中有機(jī)磷農(nóng)藥殘留

李文+李民贊+孫明

摘要：提出一種基于比色光譜的農(nóng)藥殘留快速檢測(cè)新方法。使用優(yōu)化后的乙酸氯化鈀溶液作為比色劑，提取白菜中樂果、氧樂果、毒死蜱的殘留量進(jìn)行種類識(shí)別，在0.05～90.00 mg/kg濃度范圍內(nèi)，用去離子水對(duì)3種農(nóng)藥分別配制40個(gè)樣本，與等量的氯化鈀溶液發(fā)生比色反應(yīng)，生成黃色絡(luò)合物硫化鈀，用分光光度計(jì)采集吸光度圖譜。利用每種農(nóng)藥的比色光譜特征建立支持向量機(jī)（support vector machine，簡(jiǎn)稱SVM）分類識(shí)別模型，引入粒子群優(yōu)化算法（particle swarm optimization，簡(jiǎn)稱PSO）減小運(yùn)算量。結(jié)果表明，用乙酸作為氯化鈀溶劑的吸光圖譜可以在300～900 nm波段區(qū)分005 mg/kg的農(nóng)藥濃度。在2-折交叉驗(yàn)證下，訓(xùn)練集和驗(yàn)證集的識(shí)別準(zhǔn)確率分別達(dá)到100%、98.333 3%。該方法比色試劑配制簡(jiǎn)單、操作安全，為進(jìn)一步開發(fā)有機(jī)磷農(nóng)藥殘留快速檢測(cè)儀器提供新思路。

關(guān)鍵詞：含硫有機(jī)磷；分類識(shí)別；粒子群優(yōu)化算法；支持向量機(jī)

中圖分類號(hào)： O657.3；S481+.8文獻(xiàn)標(biāo)志碼： A文章編號(hào)：1002-1302（2017）17-0168-04

近年來，我國(guó)因?yàn)E用有機(jī)磷農(nóng)藥引起的食品安全問題引起人們?cè)絹碓蕉嗟闹匾?。部分菜農(nóng)和生產(chǎn)商受商業(yè)利益的驅(qū)動(dòng)，違反規(guī)定不合理用藥，或者使用國(guó)家禁止的高毒藥。有機(jī)磷農(nóng)藥品種繁多，對(duì)人體的危害作用從劇毒到低毒不等。不同種類的有機(jī)磷農(nóng)藥中毒急救方法不同，因此，研究有機(jī)磷農(nóng)藥的快速分類識(shí)別具有重要意義。

我國(guó)2014年發(fā)布的國(guó)家標(biāo)準(zhǔn)GB 2763—2014《食品安全國(guó)家標(biāo)準(zhǔn)食品中農(nóng)藥最大殘留限量》[1]規(guī)定，蔬菜中有機(jī)磷農(nóng)藥的標(biāo)準(zhǔn)檢測(cè)方法是氣相色譜和氣相色譜-質(zhì)譜等理化方法。這類方法檢測(cè)精度高，一次可以檢測(cè)多種農(nóng)藥，但儀器昂貴，檢測(cè)步驟復(fù)雜，需要專業(yè)人員在實(shí)驗(yàn)室操作[2-5]。目前，國(guó)內(nèi)外市場(chǎng)上快速檢測(cè)儀器的主流技術(shù)是酶抑制法，利用了有機(jī)磷農(nóng)藥在有機(jī)體內(nèi)抑制膽堿酯酶，使其失去分解乙酰膽堿的能力，造成乙酰膽堿積累的原理，使用乙酰膽堿酯酶在乙酰膽堿作用下可以產(chǎn)生膽堿和乙酸的反應(yīng)特性，根據(jù)指示劑顏色或反應(yīng)液pH值的變化，達(dá)到檢測(cè)有機(jī)磷農(nóng)藥的目的。酶抑制法因簡(jiǎn)便、快速等特點(diǎn)，在我國(guó)、美國(guó)、加拿大、日本等多個(gè)國(guó)家使用，將酶試劑盒或試紙條作為普查農(nóng)藥殘留和田間實(shí)地檢測(cè)的基本手段。但是該方法也存在較大局限性，檢測(cè)用酶主要來源于動(dòng)物的乙酰膽堿酯酶[6-7]，動(dòng)物酶源提取不便、產(chǎn)量低、檢測(cè)成本高，大大限制了其在快速檢測(cè)中的應(yīng)用。

近年來，光譜技術(shù)在檢測(cè)農(nóng)產(chǎn)品的品質(zhì)和安全方面被廣泛應(yīng)用[8-10]，支持向量機(jī)（support vector machine，簡(jiǎn)稱SVM）具有學(xué)習(xí)速度快、適合處理高維數(shù)據(jù)、優(yōu)化問題存在唯一的極小點(diǎn)等優(yōu)點(diǎn)，在種類或參數(shù)的分類檢測(cè)中結(jié)合其他技術(shù)具有很大優(yōu)勢(shì)[11-12]，但是SVM結(jié)合光譜技術(shù)用于有機(jī)磷農(nóng)藥種類識(shí)別的研究并不多。因此，筆者在前期研究的基礎(chǔ)上[13]，選取氧樂果、毒死蜱和樂果，利用3種農(nóng)藥都含有硫基，與氯化鈀乙酸溶液反應(yīng)生成黃色絡(luò)合物硫化鈀原理，探索含硫基類有機(jī)磷農(nóng)藥分類識(shí)別的新方法。利用不同農(nóng)藥的光譜數(shù)據(jù)特征建立SVM分類模型，在確定懲罰參數(shù)c和核函數(shù)參數(shù)g的最優(yōu)值環(huán)節(jié)中，引入粒子群優(yōu)化算法（partical swarm optimization，簡(jiǎn)稱PSO）和常規(guī)交叉驗(yàn)證（cross validation，簡(jiǎn)稱CV）法進(jìn)行對(duì)比，既有效減小了計(jì)算量[14-15]，又提高了識(shí)別準(zhǔn)確度。該分類識(shí)別方法結(jié)合筆者已經(jīng)建立的3種農(nóng)藥各自的定量預(yù)測(cè)模型[16]，可以實(shí)現(xiàn)微量農(nóng)藥定性定量的完整檢測(cè)。

1材料與方法

1.1試驗(yàn)儀器

UV-2450紫外/可見/分光光度計(jì)，購自日本島津集團(tuán)，分辨率為0.1 nm，可用于檢測(cè)各種有機(jī)、無機(jī)固體或液體的光學(xué)特性。該儀器具有測(cè)量速度快、測(cè)量結(jié)果準(zhǔn)確等特點(diǎn)，主要利用可見光波段進(jìn)行研究，選定測(cè)量波長(zhǎng)范圍是300～900 nm。采集的數(shù)據(jù)上傳至計(jì)算機(jī)，利用UVPRO軟件進(jìn)行光譜預(yù)處理。

1.2 材料與試劑

考慮到3種農(nóng)藥市售多是乳油型，為使研究更具有實(shí)用性，選用40%的氧樂果、毒死蜱、樂果乳油農(nóng)藥（北京嘉禾種業(yè)有限公司），去離子水，冰乙酸（分析純），氯化鈀晶體，乙醇（分析純），均購自北京藍(lán)弋化工產(chǎn)品有限責(zé)任公司。白菜購自北京超市中的無公害蔬菜專柜。

對(duì)每種農(nóng)藥，用去離子水在0.05～90.00 mg/kg范圍內(nèi)配制相同濃度的40個(gè)樣本，共計(jì)120個(gè)樣本。稱取1 kg白菜樣品洗凈、晾干后，切碎、榨汁，備用。

氯化鈀粉末1.25 g，加入15 mL的冰乙酸，振蕩、攪拌 5 min，加去離子水稀釋至250 mL，水浴45 ℃下放置30 min，充分溶解成橙黃色液體，配成0.5%的氯化鈀乙酸溶液。取每1個(gè)農(nóng)藥樣本10 mL與5 mL白菜汁液充分混合后，加入 5 mL 乙醇稀釋，超聲攪拌30 min，過濾。取上清液5 mL，分別和2 mL的氯化鈀溶液反應(yīng)2 min，滴入比色皿采集吸光度譜圖。

分光光度計(jì)調(diào)節(jié)零點(diǎn)的方法：將配制好的氯化鈀乙酸溶液放入2個(gè)比色皿中進(jìn)行掃描儀調(diào)零，其中1個(gè)始終作對(duì)比，以消除比色皿和氯化鈀底液的影響。

2結(jié)果與分析

2.13種農(nóng)藥吸光度譜圖分析

因篇幅所限，圖1僅給了40個(gè)氧樂果樣本在300～900 nm 波段的相對(duì)吸光度圖譜。由圖1可以看出，在可見光波段的譜線比較平滑，可以區(qū)分最小濃度為0.05 mg/kg的農(nóng)藥樣本，但在紫外和近紅外波段受到較強(qiáng)的干擾，難以區(qū)分。氧樂果的濃度和比色光譜的相對(duì)吸光度呈正相關(guān)關(guān)系，且濃度差越大，吸光度相差越大，譜線的區(qū)分越明顯。這是因?yàn)闃颖緷舛戎翟酱?，和氯化鈀發(fā)生比色反應(yīng)后產(chǎn)生的黃色絡(luò)合物硫化鈀越多，顏色的變化越明顯。90 mg/kg樣本的譜線走勢(shì)已經(jīng)發(fā)生較大變化，因此，不再使用濃度超過90 mg/kg的樣本作為建模數(shù)據(jù)，另外2種農(nóng)藥選定的濃度范圍原因與之相同。endprint

由于高頻段存在較大的背景噪聲，原始數(shù)據(jù)的低波長(zhǎng)部分所受干擾非常多，特別是高濃度段的樣品，在進(jìn)行光譜掃描時(shí)，很容易出現(xiàn)相對(duì)吸光度突然失真，相對(duì)吸光度跳變到5（最大值），從而出現(xiàn)一定程度的數(shù)據(jù)失真。此外，在400～450 nm之間，也受到一定程度的干擾，曲線上疊加了噪聲。因此，有必要對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理。

2.2光譜預(yù)處理

UV-2450分光光度計(jì)自帶軟件UVPRO可有效消除原始光譜圖中因系統(tǒng)誤差和隨機(jī)誤差引起的光譜測(cè)量數(shù)據(jù)的噪聲、光譜信號(hào)基線漂移和基線旋轉(zhuǎn)。為進(jìn)一步獲取高信噪比、低背景干擾的分析信號(hào)，采用卷積平滑（savitzky-golay，簡(jiǎn)稱SG）方法對(duì)40個(gè)氧樂果樣本的光譜數(shù)據(jù)進(jìn)行處理。因?yàn)?300～360 nm波段的這部分高頻信息，大部分是由于試驗(yàn)儀器以及試驗(yàn)過程中的一些操作不當(dāng)造成的，是無效的，因此預(yù)處理及建模時(shí)不再包含這部分光譜。

在360～900 nm波段進(jìn)行SG平滑以后，有效濾除了高頻部分的干擾，反映了數(shù)據(jù)的總體規(guī)律。隨著SG窗口寬度的增大，曲線越來越光滑，但光滑性增強(qiáng)的同時(shí)也會(huì)造成失真，甚至有可能丟掉可以為后面校正檢測(cè)模型提供有效信息的數(shù)據(jù)。平滑窗口寬度的選取，要綜合考慮曲線的光滑性和失真程度，通過反復(fù)比較，選取窗口寬度F=15的SG處理，處理后的效果如圖2所示。

為方便觀察和對(duì)比，圖3僅列出在300～900 nm波段，濃度為0.5 mg/kg的3種農(nóng)藥在發(fā)生比色反應(yīng)后的相對(duì)吸光度圖譜。在350～550 nm波段，3種農(nóng)藥的相對(duì)吸光度圖譜形狀發(fā)生了較大變化。比如在380～450 nm波段，毒死蜱的相對(duì)吸光度在3種農(nóng)藥中是最高的，而在其他波段比較低，通過計(jì)算3種農(nóng)藥比色光譜的相關(guān)系數(shù)，選用380～580 nm波段作為區(qū)分農(nóng)藥種類的特征波段，建立分類識(shí)別模型。

2.2SVM分類模型

決定SVM三分類識(shí)別模型質(zhì)量的主要因素有建模數(shù)據(jù)的歸一化處理、核函數(shù)類型、懲罰參數(shù)c、核函數(shù)參數(shù)g的值，同時(shí)參考支持向量數(shù)。在上述參數(shù)效果相同的情況下，支持向量數(shù)越小，所建模型的泛化能力越強(qiáng)。在120個(gè)樣本中，規(guī)定氧樂果、毒死蜱、樂果的標(biāo)簽分別為0、1、2。用10次2-折交叉驗(yàn)證的平均值檢測(cè)模型對(duì)訓(xùn)練集和驗(yàn)證集分類識(shí)別的準(zhǔn)確度。懲罰參數(shù)c和核函數(shù)參數(shù)g的取值是決定模型精度的重要因素，分別使用CV法、PSO法尋找最佳c值和g值。

2.2.1交叉驗(yàn)證法建模數(shù)據(jù)分別使用原始數(shù)據(jù)、歸一化為[0，1]以及歸一化為[-1，1]，核函數(shù)分別使用線性Line、多項(xiàng)式Poly、徑向基函數(shù)（radial basis function，簡(jiǎn)稱RBF）和Sigmend函數(shù)進(jìn)行對(duì)比。首先使用常規(guī)的交叉驗(yàn)證選擇方法，用網(wǎng)格劃分來尋找最佳值，可以先對(duì)c值、g值大范圍粗略搜索，然后確定小范圍精細(xì)搜索。將c值、g值的搜索空間分別設(shè)定的范圍：c=[2-3，212]，g=[2-12，21]。利用2-折交叉驗(yàn)證法會(huì)造成不同的c和g都對(duì)應(yīng)最高的準(zhǔn)確率，雖然較高的懲罰參數(shù)c能使驗(yàn)證數(shù)據(jù)的準(zhǔn)確率提高，但過高的懲罰參數(shù)c會(huì)造成過學(xué)習(xí)狀態(tài)，往往導(dǎo)致最終測(cè)試集合的準(zhǔn)確率并不是很理想，因此c值不能設(shè)置太高。在保證精確度的前提下，把具有最小c值的那組c值、g值認(rèn)為是最佳的c值和g值。

結(jié)合不同的核函數(shù)，運(yùn)行程序產(chǎn)生最佳c值、g值和測(cè)試集合的精確度（精確度=分類正確的樣本數(shù)/測(cè)試集總樣本數(shù)×100%）。徑向基核函數(shù)（RBF）與線性函數(shù)、多項(xiàng)式函數(shù)相比表現(xiàn)出較大優(yōu)勢(shì)，RBF作為核函數(shù)，原始數(shù)據(jù)歸一化為[-1，1]時(shí)，程序運(yùn)行的最佳參數(shù)c=4，g=0.031 25，此時(shí)交叉驗(yàn)證的精確度達(dá)到95%。圖4、

2.2.2粒子群優(yōu)化算法PSO算法最早由Kennedy和Eberhart在1995年提出的。算法中的每1個(gè)粒子都代表問題的1個(gè)潛在解，用位置、速度、適應(yīng)度值這3個(gè)指標(biāo)表示該粒子的特性。每1個(gè)粒子對(duì)應(yīng)1個(gè)由適應(yīng)度函數(shù)決定的適應(yīng)度值，粒子速度決定粒子移動(dòng)的方向和距離，粒子隨自身及其他粒子移動(dòng)經(jīng)驗(yàn)進(jìn)行動(dòng)態(tài)調(diào)整，從而實(shí)現(xiàn)個(gè)體在可解空間中的尋優(yōu)。

假設(shè)在D維空間搜索，由n個(gè)粒子組成種群X=（X1，X2，…，Xn），其中第i個(gè)粒子表示為1個(gè)D維粒子速度和位置，從而根據(jù)新種群中粒子適應(yīng)度值更新個(gè)體極值和群體極值。

Vidk+1=ωVidk+c1r1（Pidk-Xidk）+c2r2（Pkgd-Xkid）；（1）

Xk+1id=Xkid+Vk+1id。（2）

式（1）、式（2）中，向量Xi=（xi1，xi2，…，xiD）T表示第i個(gè)粒子在D維搜索空間中的位置，即代表問題的1個(gè)潛在解。d=1，2，…，D；i=1，2，…，n；k為當(dāng)前的迭代次數(shù)；Vid為第i個(gè)粒子的速度；Pid為第i個(gè)粒子目前已計(jì)算得到的最優(yōu)位置；Pgd為所有粒子目前已計(jì)算得到的最優(yōu)位置；ω是慣性權(quán)重；c1、c2是加速度因子，為非負(fù)的常數(shù)；r1和r2是分布于[0，1]的隨機(jī)數(shù)。

首先要對(duì)粒子和速度初始化，選用合適的函數(shù)計(jì)算粒子適應(yīng)度。根據(jù)初始粒子的適應(yīng)度確定個(gè)體極值和群體極值，根據(jù)式（1）、式（2）進(jìn)行更新。

本研究中采用的適應(yīng)度函數(shù)為Ackley函數(shù)表達(dá)式，適應(yīng)度為函數(shù)值，種群粒子數(shù)為20，每個(gè)粒子的維數(shù)為2，算法迭代進(jìn)化次數(shù)為200。

2.3建模效果分析

由表1可以看出，訓(xùn)練集的識(shí)別準(zhǔn)確率始終可以達(dá)到100%。訓(xùn)練集的準(zhǔn)確率沒有受到數(shù)據(jù)的歸一化處理方法、核函數(shù)類型及參數(shù)c、g影響，始終是100%。但驗(yàn)證集的識(shí)別準(zhǔn)確率變化很大，原始數(shù)據(jù)直接建模和數(shù)據(jù)歸一化處理后再建模相比，歸一化處理后效果較好。2種歸一化方法和不同的核函數(shù)建立的模型各有優(yōu)缺點(diǎn)，參數(shù)g值始終為001，基本不變。綜合考慮，支持向量數(shù)和懲罰參數(shù)c越小越好，可以得出以下結(jié)論：RBF作為核函數(shù)，原始數(shù)據(jù)歸一化為[-1，1]時(shí)，程序運(yùn)行的最佳參數(shù)c=2.685 7，g=0.01。利用PSO尋優(yōu)的適應(yīng)度曲線如圖6所示，此時(shí)最佳適應(yīng)度為96666 7%。endprint

將c=2.685 7、g=0.01作為最佳參數(shù)確定的模型，對(duì)訓(xùn)練集和驗(yàn)證集分別進(jìn)行檢驗(yàn)，這時(shí)支持向量數(shù)為30，訓(xùn)練集和驗(yàn)證集的識(shí)別準(zhǔn)確度最高可以達(dá)到100%、98.333 3%（59/60）（圖7、圖8）。因此， 引入PSO算法不僅減小了運(yùn)算

量，而且提高了預(yù)測(cè)精度。

3結(jié)論

使用優(yōu)化的乙酸氯化鈀溶液作為比色試劑，對(duì)白菜汁中含硫有機(jī)磷農(nóng)藥氧樂果、毒死蜱、樂果進(jìn)行比色反應(yīng)試驗(yàn)，吸收光譜可以用來區(qū)分0.05 mg/kg的濃度，利用380～580 nm波段的光譜數(shù)據(jù)特征區(qū)分3種農(nóng)藥。該方法所用試劑配制簡(jiǎn)單、操作安全，為進(jìn)一步開發(fā)農(nóng)殘快速檢測(cè)儀器提供新方法。

利用3種農(nóng)藥在0.05～90.00 mg/kg濃度內(nèi)配制的120個(gè)樣本數(shù)據(jù)建立SVM三分類模型。模型的預(yù)測(cè)精度和歸一化處理方法、不同的核函數(shù)有關(guān)。引入粒子群優(yōu)化算法確定參數(shù)c和g的最佳值，和常規(guī)CV法相比，提高了程序的運(yùn)行速度和預(yù)測(cè)精度。在最佳參數(shù)c=2.685 7、g=0.01建立模型且在支持向量數(shù)較小的情況下，取10次2-折交叉驗(yàn)證的平均值，訓(xùn)練集和驗(yàn)證集的預(yù)測(cè)準(zhǔn)確率分別達(dá)到100%、98.333 3%，證明這種方法在微量有機(jī)磷農(nóng)藥種類識(shí)別中的可行性。

該方法是在對(duì)有機(jī)磷農(nóng)藥分類識(shí)別的基礎(chǔ)上，結(jié)合每種農(nóng)藥樣本數(shù)據(jù)建立的定量預(yù)測(cè)模型，可以實(shí)現(xiàn)農(nóng)藥定性定量的完整檢測(cè)；樣本預(yù)處理步驟簡(jiǎn)單，比色反應(yīng)時(shí)間是2 min，滿足快速、安全的檢測(cè)要求；從原理上講，可以推廣到其他含硫有機(jī)磷農(nóng)藥的識(shí)別中。該試驗(yàn)考慮到了白菜汁液的成分和顏色對(duì)液體農(nóng)藥的影響，具有很強(qiáng)的實(shí)用性。

參考文獻(xiàn)：

[1]國(guó)家衛(wèi)生和計(jì)劃生育委員會(huì)，中華人民共和國(guó)農(nóng)業(yè)部. 食品安全國(guó)家標(biāo)準(zhǔn)食品中農(nóng)藥最大殘留限量：GB 2763—2014[S]. 北京：中國(guó)標(biāo)準(zhǔn)出版社，[2014-08-01].

[2]Lozano A，Rajski ，Belmonte-Valles N，et al.Pesticide analysis in teas and chamomile by liquid chromatog-raphy 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（14）：109-122.

[3]Bidari A，Ganjali M R，Norouzi P，et al. Sample preparation method for the analysis of some organophosphorus pesticides residues in tomato by ultrasound-assisted solvent extraction followed by dispersive liquid-liquid microextraction[J]. Food Chemistry，2011，126（4）：1840-1844.

[4]Chung S W C，Chan B T P. Validation and use of a fast sample preparation method and liquid chromatography-tandem mass spectrometry in analysis of ultra-trace levels of 98 organophosphorus pesticide and carbamate residues in a total diet study involving diversified food types[J]. Journal of Chromatography A，2010，1217（29）：4815-4824.

[5]陳士恒，章晴，史曉梅，等. DSPE-GC/MS 快速檢測(cè)葡萄酒中52 種農(nóng)藥殘留[J]. 食品科學(xué)技術(shù)學(xué)報(bào)，2014，32（3）：14-22.

[6]葉雪珠，王強(qiáng)，趙首萍，等. 酶抑制法檢測(cè)蔬菜農(nóng)藥殘留的效果評(píng)價(jià)[J]. 中國(guó)蔬菜，2013（4）：76-81.

[7]羅俊霞，李德瑜，袁小偉，等. 酶抑制法測(cè)定多種有機(jī)磷和氨基甲酸酯類農(nóng)藥殘留的試驗(yàn)[J]. 浙江農(nóng)業(yè)科學(xué)，2015，56（6）：883-887.

[8]雷鵬，呂少波，李野，等. 多光譜熒光圖像技術(shù)檢測(cè)農(nóng)藥殘留[J]. 發(fā)光學(xué)報(bào)，2014，35（6）：748-753.

[9]徐瑩，杜一平，汪宣，等. 銀修飾的氨基改性粉末多孔材料作為表面增強(qiáng)拉曼光譜基底用于檢測(cè)有機(jī)磷農(nóng)藥的研究[J]. 光散射學(xué)報(bào)，2014，26（2）：164-169.

[10]林萍，陳永明. 利用可見近紅外光譜技術(shù)快速鑒別大米品種[J]. 江蘇農(nóng)業(yè)科學(xué)，2015，43（12）：320-323.

[11]劉偉，劉長(zhǎng)虹，鄭磊. 基于支持向量機(jī)的多光譜成像稻谷品種鑒別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30（10）：145-151.

[12]尹小君，張清，趙慶展，等. 基于 SVM 的加工番茄早疫病葉氮素含量光譜反演[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2014，45（11）：280-285.

[13]李文，張健鑫，李由，等. 可見分光光度法檢測(cè)蘋果中毒死蜱農(nóng)藥殘留的研究[J]. 農(nóng)機(jī)化研究，2014，36（9）：182-185.

[14]唐鳴，徐楊，彭彥昆，等. 基于粒子群聚類的牛肉含水率光譜分析技術(shù)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2014，45（10）：220-225.

[15]張武，陳劍，高煜. 基于粒子群算法的發(fā)動(dòng)機(jī)懸置系統(tǒng)穩(wěn)健優(yōu)化設(shè)計(jì)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2010，41（5）：31-35，81.

[16]李文，李民贊，孫明，等. 微量樂果農(nóng)藥殘留比色光譜快速檢測(cè)方法[J]. 光譜學(xué)與光譜分析，2015，35（7）：2029-2033.張建剛，謝晉鵬，張麗，等. 利用MALDI-TOFMS檢測(cè)農(nóng)藥的新方法[J]. 江蘇農(nóng)業(yè)科學(xué)，2017，45（17）：172-175.endprint