近紅外光譜技術在農藥殘留量檢測中的研究

劉翠玲， 鄭 光， 孫曉榮， 吳靜珠， 李 慧

(北京工商大學 計算機與信息工程學院， 北京 100048)

隨著農業生產的發展，化學農藥在作物病蟲害的綜合防治中具有不可替代的作用，引起人們的普遍關注. 但是隨著農藥大量和不合理的使用，農作物中農藥殘留對人體健康的危害及農藥的使用對環境造成的負面影響也日益暴露出來，由于使用高毒農藥或禁用農藥而引起的中毒事件也時有發生. 特別是我國加入WTO后，農作物中農藥殘留量既影響我國人民的生活質量，又影響到我國農作物的出口創匯，從而多方面制約著農業生態效益及經濟效益的提高.

目前廣泛應用于農藥殘留檢測的方法主要有GC、HPLC和CG-MS等傳統方法. 這些方法精度高，但是費時長、檢測費用高、技術條件復雜，且在檢測過程中需要用到大量化學試劑，造成二次環境污染，難以實現對蔬菜中農藥殘留量進行現場快速、綠色檢測. 因此研究一種快速、綠色、預處理簡單的農藥殘留量檢測技術是目前亟待解決的問題. 本文以常用農藥毒死蜱(Chlorpyrifos)為研究對象，開展了基于近紅外光譜技術的蔬菜中毒死蜱殘留量快速檢測方法的探索性研究.

1 近紅外光譜技術的原理及發展

1.1 近紅外光譜技術的基本原理

近紅外光(near infrared spectroscopy，NIR)是介于可見光和中紅外之間的電磁波，美國材料檢測協會(ASTM)定義其波長范圍為780～2 526 nm(12 820～3 959 cm-1)[1]. 發生在該區域內的吸收譜帶主要是由于分子振動的非諧振性使分子振動從基態向高能級躍遷時產生的，分子在近紅外譜區的吸收主要由分子中含氫基團(C—H、N—H、O—H、S—H等)的組合頻和倍頻吸收組成. 不同基團或同一基團在不同化學環境中的近紅外吸收波長與強度都有很明顯差別. 并且該譜區差不多包含了有機物中含氫基團的全部信息，蘊含著分子的結構甚至組成等信息，信息量非常豐富，從而為近紅外光譜定量和定性分析提供了可能[2-3].

1.2 近紅外光譜技術的發展歷史

近紅外光譜分析技術是20世紀90年代以來發展最快、最引人注目的分析檢測技術，測量信號的數字化、分析過程的綠色化(無需使用化學試劑)以及快速、無破壞性和多組分同時測定分析等優點，使該技術具有典型的時代特征，越來越被人們所重視. 該技術目前已經在我國農業、食品等品質檢測領域所應用并得到了迅速的發展，尤其是在線檢測和現場檢測方面，NIR技術具有很大的發展潛力和應用空間.

近紅外光是人們最早發現的非可見光，距今已有200多年的歷史. 1800年，William Herschel便發現了近紅外光譜區域[4]. 到目前為止，近紅外光譜分析技術研究大體上經歷了5個發展階段[5].

第一個階段是從1800年發現近紅外光之后的一個半世紀中，由于受當時的技術水平和實驗條件限制，無法將近紅外光譜信息充分提取出來，不能進行深一步的研究，使近紅外光譜技術停滯了近150年的時間.

第二個階段是20世紀50年代，隨著近紅外光譜技術和儀器的發展，Karl Norris率先將近紅外光譜技術應用于農副產品分析，開啟了近紅外技術在農副產品中應用的時代[6].

第三個階段是20世紀60年代中后期，隨著紅外光譜技術的發展，加上當時近紅外光譜分析無法突破靈敏度低、抗干擾性差的弱點，自此近紅外光譜分析技術又進入徘徊不前的狀態，被人們稱之為光譜技術中的沉睡者.

第四個階段是進入20世紀80年代后期，隨著計算機技術的發展，加上中紅外光譜技術積累的經驗，以及化學計量學方法的應用，解決了近紅外光譜譜峰重疊、提取光譜信息困難及背景干擾等問題，使近紅外光譜分析技術在各個領域得到了迅速推廣，成為一門獨立的分析技術.

第五個階段是20世紀90年代以后，近紅外光譜分析技術進入一個快速發展時期，在工業領域的應用全面展開. 同時計算機硬軟件技術突飛猛進，數字化的光譜儀器與化學計量學方法相結合，形成了現代近紅外光譜分析技術，有關近紅外光譜的研究及應用文獻呈幾何級增長.

2 實驗研究方法設計

2.1 實驗樣本構成

本實驗研究的主要樣本采取了由模擬樣本到實際蔬菜樣本的逐步逼近制樣方法來獲得.

用于定性分析的混合液：用甲醇、蔗糖、維生素C及蒸餾水4種物質隨機混合的溶液，制作10個濃度為0.5～2.5 mg/kg的毒死蜱樣品和10個不含毒死蜱的樣品.

用于定量分析的混合液：將標準物質質量濃度為1 mg/mL的毒死蜱、無公害菠菜萃取混合溶液配制成36個濃度為0.1～4 mg/kg的待測樣品，其中30個作為建模集樣品，6個作為預測集樣品.

2.2 儀器及分析軟件

VERTEX 70型傅里葉變換紅外光譜儀(德國，Bruker)，采用InGaAs檢測器，液體光纖探頭長2 m，光程池1 mm，透反射測量有效光程為2 mm，光譜采集與分析軟件采用OPUS6.5.

2.3 光譜采集

將所配不同質量濃度的溶液樣品分別裝入25 mL茶色容器中，測量時，在室溫下采用透反射采樣模式，對12 500～4 000 cm-1譜區掃描，分辨率為8 cm-1，掃描32次. 圖1為36個無公害菠菜溶液樣品的近紅外光譜圖.

圖1 36個無公害菠菜溶液樣品的近紅外光譜圖Fig.1 NIR spectrum figure of 36 non-polluted spinach liquid samples

3 實驗結果與分析

3.1 定性分析結果

對10個濃度為0.5～2.5 mg/kg的毒死蜱樣品和10個不含農藥的樣品采用聚類分析法進行定性分類鑒別，以樹狀圖形式表示其分類結果[7]. 采集的光譜圖經過一階導數預處理，去除干擾信號，光譜范圍選擇為9 073～7 692 cm-1和6 527～5 354 cm-1. 樣品間距離采用歐氏距離算法，類間采用Wards算法，分類正確率為100%，分類結果如圖2.

3.2 定量分析結果

在36個菠菜溶液樣品中隨機選出2，8，14，19，25，33這6個樣品作為預測集樣品，其余30個樣品作為校正集樣品. 對校正集樣品進行奇異樣品檢測，無異常樣品后，采用一階導數17點平滑與SNV相結合的方法對校正集樣品進行光譜預處理，并進行波長優化，選擇信息量豐富的譜區5 450.5～4 598.1 cm-1進行分析. 采用PLS算法進行內部交叉驗證[8-9]，建立校正模型，校正集樣品預測值與真值之間的相關性如圖3，校正樣品預測值與真值之間的相關系數R2為0.987 3，交叉驗證均方差SECV為0.126.

用校正模型對預測集樣品進行預測分析，預測集樣品真值與預測值的相關性如圖4，6個預測集樣品預測結果如表1，預測值與真值之間的相關系數R2為0.989 7，預測均方差SEP為0.154，可見模型預測能力較好.

注：圖2中80～89號為不含毒死蜱的樣品，01～10號為毒死蜱濃度0. 5～2.5 mg/kg的樣品. 圖2 光譜數據樣品的聚類分析樹狀圖Fig.2 Clusters dendrogram for the spectrum data of the samples

圖3 菠菜校正集樣品預測值與真值的相關性Fig.3 Correlation between predictive value and the true value of the spinach calibration samples

圖4 菠菜預測集樣品預測值與真值的相關性Fig.4 Correlation between predictive value and the true value of the spinach predictive samples

3.3 模型通用性的驗證

近紅外模型的建立是為了能夠適用于經常性的檢測需要，而不是進行偶爾一次的分析工作，所以現對菠菜的校正模型進行驗證，看其是否具有通用性. 因此再隨機配制6個無公害蔬菜溶液樣品對3.2中建立的菠菜校正模型進行驗證，得到預測樣品的測定系數為0.85，預測均方差SEP為1.96，預測結果如表2，預測值和真值的相關性如圖5.

表1 菠菜預測集樣品預測結果

表2 菠菜模型通用性驗證結果

圖5 菠菜模型通用性驗證結果Fig.5 Test results of the spinach model’s universality

結果表明模型對無公害蔬菜溶液樣品的預測效果不夠理想，預測精度較差，說明所建立的模型適用范圍不夠廣，這也正是近紅外光譜分析技術中的一個難題. 因時間有限，目前暫未解決這一難題，希望在下一步的工作中能夠用覆蓋范圍更廣的樣品來修正模型，提高模型的通用性，建立適合經常性檢測的菠菜近紅外光譜分析模型.

4 多信息融合技術在農藥殘留量檢測中的研究展望

本文基于近紅外光譜分析技術，對蔬菜中毒死蜱殘留量檢測進行了探索性研究，建立較好的模型，預測結果也比較理想，可見近紅外光譜分析技術在食品安全檢測方面具有很大的潛力，為下一步深入研究農藥殘留量的檢測方法打下了很好的基礎. 但農副產品信息豐富，測試條件復雜，將其光學特征和其他特征結合，或將圖像與光譜特征結合進行研究，已經成為趨勢. 目前所做研究工作距離實際的無損檢測技術，仍有需要改進和繼續研究的地方.

1) 本文采用人工蔬菜樣品，經過建立近紅外校正模型分析，表明近紅外光譜分析技術用于蔬菜中農藥殘留量檢測是可行的，蔬菜樣品無損檢測還需研究，以便于更加接近實際應用.

2) 研究所用樣品還比較單一，進一步對多種農藥殘留、多種蔬菜樣品檢測方面有所突破.

3) 校正模型分析方法有待加強，還需研究不同定量分析方法(如人工神經網絡、多元線性回歸等)對模型建立的影響，開發更適于蔬菜中農藥殘留量檢測的模型.

4) 加強基于多光譜信息融合技術在農藥殘留量檢測中的研究. 需要更多實驗驗證和采用多光譜融合技術，使之逐步滿足實際生活需要.

高光譜圖像技術是圖像和光譜兩種技術結合的產物，可以實現對農產品的內外部品質的同時檢測，是多種信息融合技術檢測農產品品質的首選方法. 通過引入一些新的數據分析及新算法，可提高高光譜圖像檢測的有效性和準確率，擴展了其檢測系統的魯棒性，并且具有無監督分類能力. 高光譜圖像技術快速全面檢測農產品中農藥殘留的問題以及食品中一些對人體有害的添加劑含量的問題，這一系列應用研究對農產品質量安全檢測具有重要意義，因而對保障食品安全起著積極的推動作用.

實現多目標在線無損檢測技術，多種傳感器融合技術，對提高中國農產品的品質，增強參與國際競爭的能力，降低工人的勞動強度，具有重要的理論意義和實際意義。

5 結 論

本文采用近紅外光譜分析技術進行蔬菜快速農殘檢測是一種創新性方法，實驗表明該技術是可行的，其檢測技術的快速、安全、綠色等特點正切合了目前市場上急需的農藥殘留量檢測需求. 本項目的研究對提高農產品檢測水平，保證食品安全和人民生命健康，增強我國農業和食品工業的國際競爭力具有重要價值和作用，并能創造較大的經濟效益和社會效益.