張　曉， 蔣　霞， 張楠楠， 石魯珍

(1.塔里木大學(xué)信息工程學(xué)院，新疆阿拉爾 843300； 2.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)

蘋果是世界上最主要的水果之一。在新疆，蘋果產(chǎn)業(yè)是發(fā)展特色林果業(yè)的支柱產(chǎn)業(yè)之一，而阿克蘇地區(qū)是新疆蘋果最為重要的產(chǎn)區(qū)。阿克蘇紅富士享譽國內(nèi)外，已出口到世界多個國家與地區(qū)[1]。20世紀(jì)80年代，蘋果中的農(nóng)藥殘留問題就開始受到廣泛關(guān)注。即使在很多發(fā)達(dá)國家，蘋果農(nóng)藥殘留仍然是普遍問題。毒死蜱廣泛應(yīng)用在蘋果蟲害防治中[2]，它是我國允許使用的低毒有機磷農(nóng)藥之一，對果樹多種害蟲均有防效。GB2763—2005《食品中農(nóng)藥最大殘留限量》規(guī)定了毒死蜱在梨果類和柑橘類水果中的最大殘留限量分別為1、2 mg/kg[3]。周宏偉等的研究表明，套袋有效降低了果實中的農(nóng)藥殘留，套袋雖能降低農(nóng)藥殘留，但不能完全避免[4]。彭紅梅對4種有機磷在蘋果和梨果中的殘留進(jìn)行試驗，結(jié)果表明，蘋果中只有甲胺磷的殘留比梨低，其他殘留均高于梨[5]。蘋果果實中毒死蜱的殘留量存在著明顯的品種間差異，其中紅富士屬于高農(nóng)藥殘留品種[6]。

隨著人們生活質(zhì)量的提高，對食品質(zhì)量要求越來越嚴(yán)，對農(nóng)藥殘留分析的靈敏性、特異性和快速性提出了更為苛刻的要求[7]。近年來，國內(nèi)外研究學(xué)者采用液相色譜法[8]、氣相色譜法[9]、氣相色譜-串聯(lián)質(zhì)譜法[10]、酶抑制法[11]、超臨界流體萃取法(supercritical fluid extraction，簡稱SFE)[12]、生物傳感器法[13]等技術(shù)對果蔬類農(nóng)藥殘留進(jìn)行了研究，并取得了一些成果。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(yán)重、樣品和試劑浪費嚴(yán)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[14]。農(nóng)藥殘留分析技術(shù)日新月異，簡單化、微型化和自動化的預(yù)處理技術(shù)和高靈敏度的檢測方法不斷出現(xiàn)。隨著近紅外光譜軟件、硬件技術(shù)的快速發(fā)展以及廣泛應(yīng)用，采用該技術(shù)使快速、靈敏、無損地進(jìn)行農(nóng)藥殘留檢測成為可能，更加容易推廣。

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(jìn)行快速定量或定性分析[15]。該技術(shù)已被應(yīng)用于農(nóng)產(chǎn)品品質(zhì)檢測、種類鑒別、農(nóng)藥殘留分析等研究中[16]。同時，偏最小二乘法(partial least squares，簡稱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。Sánchez等采用近紅外光譜技術(shù)建立了辣椒的農(nóng)藥殘留鑒別方法，通過偏最小二乘建立判別分析模型，可將有農(nóng)藥殘留的樣品鑒別出來，正確率可達(dá)62%～68%[17]。

基于以上考慮，本研究以阿克蘇紅富士蘋果為研究對象，目的是通過近紅外光譜技術(shù)得到蘋果樣品表面的吸光度信息，以毒死蜱農(nóng)藥為例，建立噴灑有不同體積分?jǐn)?shù)農(nóng)藥的蘋果樣品的全波段偏最小二乘法模型，比較幾種光譜預(yù)處理PLS建模的預(yù)測精度，以期為蘋果農(nóng)藥殘留的快速檢測提供一種新的思路和方法，而且對其他果蔬類農(nóng)藥殘留光譜檢測提供借鑒意義。

1　材料與方法

1.1　材料、試劑與儀器

1.1.1材料樣品均是從本地水果市場購買阿克蘇紅富士蘋果，選擇表面光滑、大小均勻、無傷以及顏色勻稱的75個蘋果樣品，對樣品進(jìn)行清洗后自然風(fēng)干，隨機分成5組，每組蘋果的平均質(zhì)量分別為80.59、84.66、81.54、84.03、83.54 g，平均赤道直徑分別為222.83、262.33、231.00、260.83、254.83 mm。其中，60個作為建模集樣品，15個作為預(yù)測集樣品。

1.1.2試劑試驗所用的農(nóng)藥40%毒死蜱乳油購于本地農(nóng)資市場。用蒸餾水把農(nóng)藥配制成1 ∶10、 1 ∶50、1 ∶100、1 ∶1 000 的4種不同體積分?jǐn)?shù)溶液和空白對照(只含蒸餾水)溶液。

1.1.3儀器與光譜采集采用的近紅外光譜儀為美國生產(chǎn)的Antaris FT-NIR型光譜儀，無需另外提供采樣背景，以儀器內(nèi)部空氣為背景，測量范圍4 000～10 000 cm-1，1 557 點的采樣點數(shù)，設(shè)定每張光譜掃描32次，設(shè)定8 cm-1的分辨率，儀器使用的檢測器為InGaAs，應(yīng)用OMNIC軟件和與之配套的標(biāo)準(zhǔn)白板采集歸一化后的光譜數(shù)據(jù)并轉(zhuǎn)換格式，利用Matlab 2010b軟件(美國Mathworks公司)進(jìn)行數(shù)據(jù)分析和處理。

1.2　方法

將4組不同體積分?jǐn)?shù)毒死蜱農(nóng)藥噴施于4組蘋果樣品，噴灑過程是利用噴霧器完成的，保證噴灑均勻，之后將蘋果放在通風(fēng)處12 h后采集蘋果的近紅外光譜圖像。拍攝過程是在實驗室(溫度為20～25 ℃，相對濕度為30%～40%)中進(jìn)行的。采集光譜條件：采集光譜前，先將蘋果放入室內(nèi)溫度為19～23 ℃，相對濕度為20%～25%條件下4 h；測樣方式：開機預(yù)熱30 min后，用近紅外光譜儀對蘋果赤道部位可區(qū)別的3個部位分別掃描32次，最后取采集光譜的平均值。每個樣品采集3次光譜，每次采集的位置均在赤道3處不同位置。原始光譜共計225條光譜。利用其中180條光譜數(shù)據(jù)進(jìn)行PLS建模，應(yīng)用所建立模型預(yù)測45條光譜數(shù)據(jù)的體積分?jǐn)?shù)與實際分類進(jìn)行比較，計算預(yù)測精度。

2　數(shù)據(jù)預(yù)處理方法及建立預(yù)測模型

2.1　數(shù)據(jù)預(yù)處理方法

2.1.1數(shù)據(jù)中心化數(shù)據(jù)中心化(mean centering，簡稱MC)處理是將光譜數(shù)據(jù)矩陣減去該矩陣的樣本平均值[18]。處理后的數(shù)據(jù)反映了光譜變化情況，使所有的光譜數(shù)據(jù)基本都分布在橫軸上下，消除單位不同產(chǎn)生的影響，而且簡化建模的回歸運算。

2.1.2平滑去噪近紅外光譜儀采集蘋果樣品的近紅外吸收光譜，不僅包含了有用的信息，也包含了一些噪聲信息，降低了信噪比。信號平滑算法的本質(zhì)是對光譜進(jìn)行低通濾波，去除高頻成分。光譜平滑的原理是在平滑點的前后均取若干點進(jìn)行平均或者擬合，以求最佳估計值，消除隨機噪聲，最簡單的平滑去噪算法是窗口移動平均平滑法，窗口移動多項式最小二乘平滑是最為常用的平滑方法[19]。

2.1.3小波變換小波在信號去噪領(lǐng)域已經(jīng)得到越來越廣泛的應(yīng)用。通過小波變換，近紅外光譜數(shù)據(jù)可以被分解為背景信息(低頻)、組分信息(中頻)和噪音信息(高頻)等3部分，通過對低頻和高頻系數(shù)的適當(dāng)處理，可以有效地去除背景信息和噪音信息，達(dá)到去噪和數(shù)據(jù)壓縮的目的[20]。經(jīng)過反復(fù)試驗，本研究在小波分析時選用db5小波對蘋果光譜數(shù)據(jù)進(jìn)行3層分解。

2.1.4導(dǎo)數(shù)導(dǎo)數(shù)光譜可以消除基線和其他背景干擾，分辨重疊峰，得到比原光譜更高的分辨率和更清晰的光譜輪廓變化[21]。本研究采用一階導(dǎo)數(shù)(first derivative，簡稱FD)、二階導(dǎo)數(shù)(second derivative，簡稱SD)對原始光譜進(jìn)行預(yù)處理。

2.1.5多元散射校正多元散射校正(multiplicative scatter correction，簡稱MSC)主要用于消除樣品顆粒分布不均勻及顆粒大小不同產(chǎn)生的散射對近紅外光譜的影響。在樣品吸收度與農(nóng)藥體積分?jǐn)?shù)保持較好的線性關(guān)系情況下，MSC的校正效果較好[22]。

2.3　建模方法及分析方法

在通過以上方法預(yù)處理的基礎(chǔ)上，對原光譜數(shù)據(jù)采用偏最小二乘回歸算法建立預(yù)測模型。偏最小二乘法是基于因子分析將光譜(多維空間數(shù)據(jù)，維數(shù)相當(dāng)于波長數(shù)目)壓縮為低維空間數(shù)據(jù)的多元回歸算法。因此在分析結(jié)果中，可以建立更優(yōu)化的回歸模型，在光譜分析中得到廣泛應(yīng)用[23]。本研究對數(shù)據(jù)進(jìn)行預(yù)處理后，采用偏最小二乘法建立不同毒死蜱體積分?jǐn)?shù)與光譜之間關(guān)系的定標(biāo)模型，并經(jīng)內(nèi)部交互驗證確定最佳主成分為2。建立模型后，采用的評價指標(biāo)有建模集和驗證集相關(guān)系數(shù)(R)、建模集交互驗證預(yù)測均方差(root mean square error of cross validation，簡稱RMSECV)、預(yù)測標(biāo)準(zhǔn)差(square error of prediction，簡稱 SEP)以及準(zhǔn)確率(precision)，結(jié)果如表1所示。

R越接近1，RMSPCV越小表示模型擬合能力越佳，回歸(預(yù)測)結(jié)果越好；SEP越小，說明該模型的預(yù)測能力越高，模型的精度越高[24]；對同一批次樣本的RMSPCV和SEP，兩者值越接近說明模型穩(wěn)定性越好；Precision越大，則模型預(yù)測準(zhǔn)確性越高。

試驗中將噴灑毒死蜱農(nóng)藥體積分?jǐn)?shù)為1 ∶10的樣本賦值為1，噴灑毒死蜱農(nóng)藥體積分?jǐn)?shù)為1 ∶50的樣本賦值為2，噴灑毒死蜱農(nóng)藥體積分?jǐn)?shù)為1 ∶100的樣本賦值為3，噴灑毒死蜱農(nóng)藥體積分?jǐn)?shù)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(zhǔn)，上下0.5個單位之內(nèi)的為該數(shù)值代表的農(nóng)藥體積分?jǐn)?shù)(表2)。

表1　偏最小二乘法模型的檢驗指標(biāo)

表2　PLS模型判別標(biāo)準(zhǔn)

3　結(jié)果與分析

3.1　預(yù)處理光譜

本研究對蘋果的近紅外原始光譜數(shù)據(jù)、去掉空白對照第5組的光譜數(shù)據(jù)分別采用多種方法進(jìn)行預(yù)處理，原光譜與處理光譜如圖1-a至圖1-f所示。圖2為每組分光譜求平均后的光譜，光譜形狀略有差異，但波峰、波谷位置基本一致。其中第4組光譜強度最大，第1組光譜強度最小。不同毒死蜱體積分?jǐn)?shù)樣本組的光譜呈現(xiàn)出明顯的階梯性。光譜處理過程中對第5組光譜進(jìn)行觀察，該組分光譜與第4組光譜區(qū)分明顯，與第3組光譜非常接近(圖2-a)，說明近紅外光譜對低體積分?jǐn)?shù)毒死蜱農(nóng)藥的樣品缺乏敏感性，進(jìn)一步也說明光譜與農(nóng)藥殘留之間具有相關(guān)性。因此，可以將空白對照第5組(1/5的數(shù)據(jù))刪除，減少運算以及存儲量，提高預(yù)測準(zhǔn)確度及效率。

3.2　模型評價

3.2.1原光譜建模將驗證集15個樣品的45條光譜用建立的蘋果毒死蜱殘留模型進(jìn)行預(yù)測，不同光譜數(shù)據(jù)預(yù)處理的建模評價結(jié)果如表3所示。圖3為二階求導(dǎo)(SD)預(yù)處理后驗證組中4種不同體積分?jǐn)?shù)農(nóng)藥殘留樣品及空白對照樣品真實類別與預(yù)測類別檢測結(jié)果。結(jié)果表明，將光譜數(shù)據(jù)SD預(yù)處理后建模預(yù)測的結(jié)果較好，R=0.977 7，SEP=0.296 7，RMSPCV=0.254 9，precision=0.908 3，且SEP與RMSPCV差距最小，模型較穩(wěn)定，但兩者的值偏大，說明模型的預(yù)測精度和擬合能力不夠好。

3.3.2去掉空白對照組建模通過先前對空白對照第5組數(shù)據(jù)的分析，將第5組數(shù)據(jù)去掉后進(jìn)行不同方法的預(yù)處理，建模預(yù)測結(jié)果如表4所示。結(jié)果表明，數(shù)據(jù)壓縮后，不同預(yù)處理方法建模，R增大，SEP和RMSPCV下降，預(yù)測準(zhǔn)確率提高。圖4所示為一階求導(dǎo)(FD)預(yù)處理后驗證組中4種不同體積分?jǐn)?shù)農(nóng)藥殘留樣品真實類別與預(yù)測類別檢測結(jié)果，建模預(yù)測的結(jié)果最優(yōu)，R=0.987 9，SEP=0.173 6，RMSPCV=0.120 5，precision=0.923 4，SEP與RMSPCV的值有所減小，且差距最小，模型擬合能力及預(yù)測精度有所增加，提高了穩(wěn)定性，進(jìn)一步驗證了近紅外光譜對低體積分?jǐn)?shù)農(nóng)藥敏感性不高。

4　結(jié)論

本研究運用近紅外光譜對阿克蘇紅富士蘋果樣品中的不同體積分?jǐn)?shù)毒死蜱農(nóng)藥殘留進(jìn)行建模預(yù)測，通過對數(shù)據(jù)進(jìn)行小波變換、FD、SD、MSC等多種方法進(jìn)行預(yù)處理，建立PLS預(yù)測模型。初步試驗結(jié)果表明，不同體積分?jǐn)?shù)農(nóng)藥殘留與近紅外光譜之間存在很強的相關(guān)性。采用全數(shù)據(jù)建模時，SD預(yù)處理方法有較高的預(yù)測精度。刪除空白對照數(shù)據(jù)經(jīng)FD預(yù)處理對驗證集樣品進(jìn)行預(yù)測，預(yù)測效果有所提高，驗證了近紅外光譜對低體積分?jǐn)?shù)農(nóng)藥敏感性不高的推測。在以后的研究中，應(yīng)引入多種農(nóng)藥種類，增加農(nóng)藥梯度設(shè)置，進(jìn)一步驗證該方法的有效性。本研究采用全光譜建模，對光譜數(shù)據(jù)的壓縮率不高，將在后續(xù)研究中進(jìn)一步壓縮數(shù)據(jù)，減少運算量，提高運算處理速度。

參考文獻(xiàn)：

[1]周玉環(huán). 新疆阿克蘇地區(qū)蘋果產(chǎn)業(yè)發(fā)展探討——以兵團第一師為例[J]. 現(xiàn)代企業(yè)，2014(4)：25-26.

[2]王金政，薛曉敏，路超. 我國蘋果生產(chǎn)現(xiàn)狀與發(fā)展對策[J]. 山東農(nóng)業(yè)科學(xué)，2010(6)：117-119.

[3]李文，張健鑫，李由，等. 可見分光廣度法檢測蘋果中毒死蜱農(nóng)藥殘留的研究[J]. 農(nóng)機化研究，2014(9)：182-185.

[4]周宏偉，馮炘，李玲. 套袋對金冠蘋果中甲基對硫磷和水胺硫磷殘留的影響[J]. 果樹科學(xué)，1994，11(4)：242-243.

[5]彭紅梅. 4種有機磷注射劑在蘋果、梨果中殘留量測定[J]. 江蘇林業(yè)科技，2002，29(2)：26-27.

[6]陳振德，陳建美，韓明三，等. 蘋果果實中毒死蜱殘留的品種間差異及套袋對農(nóng)藥殘留的影響[J]. 農(nóng)業(yè)環(huán)境科學(xué)學(xué)報，2011，30(11)：2197-2201.

>[7]李海飛. 幾種農(nóng)藥在蘋果中的殘留分析研究[D]. 楊凌：西北農(nóng)林科技大學(xué)，2005：3-4.

表3　原光譜不同預(yù)處理方式下建模評價結(jié)果

表4　去掉空白對照組光譜不同預(yù)處理方式下的建模評價結(jié)果

[8]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]. Intenational Journal of Environmental Analytical Chemistry，2015，95(5)：419-433.

[9]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.

[11]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.

[12]Rissato S R，Galhiane M S，Knoll F R N，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.

[13]Cesarino I，Moraes F C，Lanza M R V，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.

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

[15]武小紅，孫俊，武斌，等. 基于聯(lián)合區(qū)間偏最小二乘判別分析的豬肉近紅外光譜定性建模分析[J]. 激光與光電子學(xué)進(jìn)展，2015，52(4)：242-247.

[16]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，2013，99：186-193.

[17]Sánchez M T，F(xiàn)lores-Rojas K，Guerrero J E，et al. Measurement of pesticide residues in peppers by near-infrared reflectance spec-troscopy[J]. Pest Management Science，2010，66(6)：580-586.

[18]王智宏，劉杰，王婧茹，等. 數(shù)據(jù)預(yù)處理方法對油頁巖含油率近紅外光譜分析的影響[J]. 吉林大學(xué)學(xué)報(工學(xué)版)，2013，43(4)：1017-1022.

[19]褚小立，袁洪福，陸婉珍. 近紅外分析中光譜預(yù)處理及波長選擇方法進(jìn)展與應(yīng)用[J]. 化學(xué)進(jìn)展，2004，16(4)：528-542.

[20]張小英. 蘋果近紅外光譜的預(yù)處理[J]. 紅外，2016，37(5)：43-48.

[21]陸婉珍，袁洪福，徐廣通. 現(xiàn)代近紅外光譜分析技術(shù)[M]. 北京：中國石化出版社，2000.

[22]尼珍，胡昌勤，馮芳. 近紅外光譜分析中光譜預(yù)處理方法的作用及其發(fā)展[J]. 藥物分析雜志，2008，28(5)：824-829.

[23]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.

[24]龔志遠(yuǎn)，李軼凡，劉燕德. 光源照射角度對蘋果糖度近紅外光譜檢測的影響研究[J]. 激光與電子學(xué)進(jìn)展，2016，53(2)：241-246.