基于近紅外光譜的阿克蘇紅富士蘋果毒死蜱農藥殘留量檢測

張　曉， 蔣　霞， 張楠楠， 石魯珍

(1.塔里木大學信息工程學院，新疆阿拉爾 843300； 2.中國農業科學院農業信息研究所新疆南疆農業信息化研究中心，新疆阿拉爾 843300)

蘋果是世界上最主要的水果之一。在新疆，蘋果產業是發展特色林果業的支柱產業之一，而阿克蘇地區是新疆蘋果最為重要的產區。阿克蘇紅富士享譽國內外，已出口到世界多個國家與地區[1]。20世紀80年代，蘋果中的農藥殘留問題就開始受到廣泛關注。即使在很多發達國家，蘋果農藥殘留仍然是普遍問題。毒死蜱廣泛應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藥之一，對果樹多種害蟲均有防效。GB2763—2005《食品中農藥最大殘留限量》規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藥殘留，套袋雖能降低農藥殘留，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行試驗，結果表明，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藥殘留品種[6]。

隨著人們生活質量的提高，對食品質量要求越來越嚴，對農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，國內外研究學者采用液相色譜法[8]、氣相色譜法[9]、氣相色譜-串聯質譜法[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]等技術對果蔬類農藥殘留進行了研究，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象，且對檢測產品均有一定的破壞性，無法實現經濟成本低廉的快速無損檢測[14]。農藥殘留分析技術日新月異，簡單化、微型化和自動化的預處理技術和高靈敏度的檢測方法不斷出現。隨著近紅外光譜軟件、硬件技術的快速發展以及廣泛應用，采用該技術使快速、靈敏、無損地進行農藥殘留檢測成為可能，更加容易推廣。

近紅外光譜技術可利用近紅外光譜區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[15]。該技術已被應用于農產品品質檢測、種類鑒別、農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計數據分析方法，被廣泛應用于近紅外、高光譜、拉曼、核磁和質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建立了辣椒的農藥殘留鑒別方法，通過偏最小二乘建立判別分析模型，可將有農藥殘留的樣品鑒別出來，正確率可達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得到蘋果樣品表面的吸光度信息，以毒死蜱農藥為例，建立噴灑有不同體積分數農藥的蘋果樣品的全波段偏最小二乘法模型，比較幾種光譜預處理PLS建模的預測精度，以期為蘋果農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，對樣品進行清洗后自然風干，隨機分成5組，每組蘋果的平均質量分別為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個作為預測集樣品。

1.1.2試劑試驗所用的農藥40%毒死蜱乳油購于本地農資市場。用蒸餾水把農藥配制成1 ∶10、 1 ∶50、1 ∶100、1 ∶1 000 的4種不同體積分數溶液和空白對照(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的Antaris FT-NIR型光譜儀，無需另外提供采樣背景，以儀器內部空氣為背景，測量范圍4 000～10 000 cm-1，1 557 點的采樣點數，設定每張光譜掃描32次，設定8 cm-1的分辨率，儀器使用的檢測器為InGaAs，應用OMNIC軟件和與之配套的標準白板采集歸一化后的光譜數據并轉換格式，利用Matlab 2010b軟件(美國Mathworks公司)進行數據分析和處理。

1.2　方法

將4組不同體積分數毒死蜱農藥噴施于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%)中進行的。采集光譜條件：采集光譜前，先將蘋果放入室內溫度為19～23 ℃，相對濕度為20%～25%條件下4 h；測樣方式：開機預熱30 min后，用近紅外光譜儀對蘋果赤道部位可區別的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條光譜數據進行PLS建模，應用所建立模型預測45條光譜數據的體積分數與實際分類進行比較，計算預測精度。

2　數據預處理方法及建立預測模型

2.1　數據預處理方法

2.1.1數據中心化數據中心化(mean centering，簡稱MC)處理是將光譜數據矩陣減去該矩陣的樣本平均值[18]。處理后的數據反映了光譜變化情況，使所有的光譜數據基本都分布在橫軸上下，消除單位不同產生的影響，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是對光譜進行低通濾波，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域已經得到越來越廣泛的應用。通過小波變換，近紅外光譜數據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的適當處理，可以有效地去除背景信息和噪音信息，達到去噪和數據壓縮的目的[20]。經過反復試驗，本研究在小波分析時選用db5小波對蘋果光譜數據進行3層分解。

2.1.4導數導數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]。本研究采用一階導數(first derivative，簡稱FD)、二階導數(second derivative，簡稱SD)對原始光譜進行預處理。

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生的散射對近紅外光譜的影響。在樣品吸收度與農藥體積分數保持較好的線性關系情況下，MSC的校正效果較好[22]。

2.3　建模方法及分析方法

在通過以上方法預處理的基礎上，對原光譜數據采用偏最小二乘回歸算法建立預測模型。偏最小二乘法是基于因子分析將光譜(多維空間數據，維數相當于波長數目)壓縮為低維空間數據的多元回歸算法。因此在分析結果中，可以建立更優化的回歸模型，在光譜分析中得到廣泛應用[23]。本研究對數據進行預處理后，采用偏最小二乘法建立不同毒死蜱體積分數與光譜之間關系的定標模型，并經內部交互驗證確定最佳主成分為2。建立模型后，采用的評價指標有建模集和驗證集相關系數(R)、建模集交互驗證預測均方差(root mean square error of cross validation，簡稱RMSECV)、預測標準差(square error of prediction，簡稱 SEP)以及準確率(precision)，結果如表1所示。

R越接近1，RMSPCV越小表示模型擬合能力越佳，回歸(預測)結果越好；SEP越小，說明該模型的預測能力越高，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定性越好；Precision越大，則模型預測準確性越高。

試驗中將噴灑毒死蜱農藥體積分數為1 ∶10的樣本賦值為1，噴灑毒死蜱農藥體積分數為1 ∶50的樣本賦值為2，噴灑毒死蜱農藥體積分數為1 ∶100的樣本賦值為3，噴灑毒死蜱農藥體積分數為1 ∶1 000的樣本賦值為4，噴灑蒸餾水的樣本賦值為5。PLS數值間的間距為1。判別依據是以各數值為基準，上下0.5個單位之內的為該數值代表的農藥體積分數(表2)。

表1　偏最小二乘法模型的檢驗指標

表2　PLS模型判別標準

3　結果與分析

3.1　預處理光譜

本研究對蘋果的近紅外原始光譜數據、去掉空白對照第5組的光譜數據分別采用多種方法進行預處理，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。不同毒死蜱體積分數樣本組的光譜呈現出明顯的階梯性。光譜處理過程中對第5組光譜進行觀察，該組分光譜與第4組光譜區分明顯，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數毒死蜱農藥的樣品缺乏敏感性，進一步也說明光譜與農藥殘留之間具有相關性。因此，可以將空白對照第5組(1/5的數據)刪除，減少運算以及存儲量，提高預測準確度及效率。

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行預測，不同光譜數據預處理的建模評價結果如表3所示。圖3為二階求導(SD)預處理后驗證組中4種不同體積分數農藥殘留樣品及空白對照樣品真實類別與預測類別檢測結果。結果表明，將光譜數據SD預處理后建模預測的結果較好，R=0.977 7，SEP=0.296 7，RMSPCV=0.254 9，precision=0.908 3，且SEP與RMSPCV差距最小，模型較穩定，但兩者的值偏大，說明模型的預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組數據的分析，將第5組數據去掉后進行不同方法的預處理，建模預測結果如表4所示。結果表明，數據壓縮后，不同預處理方法建模，R增大，SEP和RMSPCV下降，預測準確率提高。圖4所示為一階求導(FD)預處理后驗證組中4種不同體積分數農藥殘留樣品真實類別與預測類別檢測結果，建模預測的結果最優，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，模型擬合能力及預測精度有所增加，提高了穩定性，進一步驗證了近紅外光譜對低體積分數農藥敏感性不高。

4　結論

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數毒死蜱農藥殘留進行建模預測，通過對數據進行小波變換、FD、SD、MSC等多種方法進行預處理，建立PLS預測模型。初步試驗結果表明，不同體積分數農藥殘留與近紅外光譜之間存在很強的相關性。采用全數據建模時，SD預處理方法有較高的預測精度。刪除空白對照數據經FD預處理對驗證集樣品進行預測，預測效果有所提高，驗證了近紅外光譜對低體積分數農藥敏感性不高的推測。在以后的研究中，應引入多種農藥種類，增加農藥梯度設置，進一步驗證該方法的有效性。本研究采用全光譜建模，對光譜數據的壓縮率不高，將在后續研究中進一步壓縮數據，減少運算量，提高運算處理速度。

參考文獻：

[1]周玉環. 新疆阿克蘇地區蘋果產業發展探討——以兵團第一師為例[J]. 現代企業，2014(4)：25-26.

[2]王金政，薛曉敏，路超. 我國蘋果生產現狀與發展對策[J]. 山東農業科學，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藥殘留的研究[J]. 農機化研究，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，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藥殘留的影響[J]. 農業環境科學學報，2011，30(11)：2197-2201.

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

表3　原光譜不同預處理方式下建模評價結果

表4　去掉空白對照組光譜不同預處理方式下的建模評價結果

[8]Yu C S，Fan 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產品農藥殘留的研究與應用[J]. 現代農藥，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. 蔬菜中農藥殘留檢測方法研究進展[J]. 現代農業科技，2008(12)：111-115.

[15]武小紅，孫俊，武斌，等. 基于聯合區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]. 激光與光電子學進展，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，Flores-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. 數據預處理方法對油頁巖含油率近紅外光譜分析的影響[J]. 吉林大學學報(工學版)，2013，43(4)：1017-1022.

[19]褚小立，袁洪福，陸婉珍. 近紅外分析中光譜預處理及波長選擇方法進展與應用[J]. 化學進展，2004，16(4)：528-542.

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

[21]陸婉珍，袁洪福，徐廣通. 現代近紅外光譜分析技術[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處理方法的作用及其發展[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]. 光學學報，2010，30(2)：585-589.

[24]龔志遠，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]. 激光與電子學進展，2016，53(2)：241-246.