近红外光谱技术在农药残留量检测中的研究

刘翠玲， 郑 光， 孙晓荣， 吴静珠， 李 慧

(北京工商大学 计算机与信息工程学院， 北京 100048)

随着农业生产的发展，化学农药在作物病虫害的综合防治中具有不可替代的作用，引起人们的普遍关注. 但是随着农药大量和不合理的使用，农作物中农药残留对人体健康的危害及农药的使用对环境造成的负面影响也日益暴露出来，由于使用高毒农药或禁用农药而引起的中毒事件也时有发生. 特别是我国加入WTO后，农作物中农药残留量既影响我国人民的生活质量，又影响到我国农作物的出口创汇，从而多方面制约着农业生态效益及经济效益的提高.

目前广泛应用于农药残留检测的方法主要有GC、HPLC和CG-MS等传统方法. 这些方法精度高，但是费时长、检测费用高、技术条件复杂，且在检测过程中需要用到大量化学试剂，造成二次环境污染，难以实现对蔬菜中农药残留量进行现场快速、绿色检测. 因此研究一种快速、绿色、预处理简单的农药残留量检测技术是目前亟待解决的问题. 本文以常用农药毒死蜱(Chlorpyrifos)为研究对象，开展了基于近红外光谱技术的蔬菜中毒死蜱残留量快速检测方法的探索性研究.

1 近红外光谱技术的原理及发展

1.1 近红外光谱技术的基本原理

近红外光(near infrared spectroscopy，NIR)是介于可见光和中红外之间的电磁波，美国材料检测协会(ASTM)定义其波长范围为780～2 526 nm(12 820～3 959 cm-1)[1]. 发生在该区域内的吸收谱带主要是由于分子振动的非谐振性使分子振动从基态向高能级跃迁时产生的，分子在近红外谱区的吸收主要由分子中含氢基团(C—H、N—H、O—H、S—H等)的组合频和倍频吸收组成. 不同基团或同一基团在不同化学环境中的近红外吸收波长与强度都有很明显差别. 并且该谱区差不多包含了有机物中含氢基团的全部信息，蕴含着分子的结构甚至组成等信息，信息量非常丰富，从而为近红外光谱定量和定性分析提供了可能[2-3].

1.2 近红外光谱技术的发展历史

近红外光谱分析技术是20世纪90年代以来发展最快、最引人注目的分析检测技术，测量信号的数字化、分析过程的绿色化(无需使用化学试剂)以及快速、无破坏性和多组分同时测定分析等优点，使该技术具有典型的时代特征，越来越被人们所重视. 该技术目前已经在我国农业、食品等品质检测领域所应用并得到了迅速的发展，尤其是在线检测和现场检测方面，NIR技术具有很大的发展潜力和应用空间.

近红外光是人们最早发现的非可见光，距今已有200多年的历史. 1800年，William Herschel便发现了近红外光谱区域[4]. 到目前为止，近红外光谱分析技术研究大体上经历了5个发展阶段[5].

第一个阶段是从1800年发现近红外光之后的一个半世纪中，由于受当时的技术水平和实验条件限制，无法将近红外光谱信息充分提取出来，不能进行深一步的研究，使近红外光谱技术停滞了近150年的时间.

第二个阶段是20世纪50年代，随着近红外光谱技术和仪器的发展，Karl Norris率先将近红外光谱技术应用于农副产品分析，开启了近红外技术在农副产品中应用的时代[6].

第三个阶段是20世纪60年代中后期，随着红外光谱技术的发展，加上当时近红外光谱分析无法突破灵敏度低、抗干扰性差的弱点，自此近红外光谱分析技术又进入徘徊不前的状态，被人们称之为光谱技术中的沉睡者.

第四个阶段是进入20世纪80年代后期，随着计算机技术的发展，加上中红外光谱技术积累的经验，以及化学计量学方法的应用，解决了近红外光谱谱峰重叠、提取光谱信息困难及背景干扰等问题，使近红外光谱分析技术在各个领域得到了迅速推广，成为一门独立的分析技术.

第五个阶段是20世纪90年代以后，近红外光谱分析技术进入一个快速发展时期，在工业领域的应用全面展开. 同时计算机硬软件技术突飞猛进，数字化的光谱仪器与化学计量学方法相结合，形成了现代近红外光谱分析技术，有关近红外光谱的研究及应用文献呈几何级增长.

2 实验研究方法设计

2.1 实验样本构成

本实验研究的主要样本采取了由模拟样本到实际蔬菜样本的逐步逼近制样方法来获得.

用于定性分析的混合液：用甲醇、蔗糖、维生素C及蒸馏水4种物质随机混合的溶液，制作10个浓度为0.5～2.5 mg/kg的毒死蜱样品和10个不含毒死蜱的样品.

用于定量分析的混合液：将标准物质质量浓度为1 mg/mL的毒死蜱、无公害菠菜萃取混合溶液配制成36个浓度为0.1～4 mg/kg的待测样品，其中30个作为建模集样品，6个作为预测集样品.

2.2 仪器及分析软件

VERTEX 70型傅里叶变换红外光谱仪(德国，Bruker)，采用InGaAs检测器，液体光纤探头长2 m，光程池1 mm，透反射测量有效光程为2 mm，光谱采集与分析软件采用OPUS6.5.

2.3 光谱采集

将所配不同质量浓度的溶液样品分别装入25 mL茶色容器中，测量时，在室温下采用透反射采样模式，对12 500～4 000 cm-1谱区扫描，分辨率为8 cm-1，扫描32次. 图1为36个无公害菠菜溶液样品的近红外光谱图.

图1 36个无公害菠菜溶液样品的近红外光谱图Fig.1 NIR spectrum figure of 36 non-polluted spinach liquid samples

3 实验结果与分析

3.1 定性分析结果

对10个浓度为0.5～2.5 mg/kg的毒死蜱样品和10个不含农药的样品采用聚类分析法进行定性分类鉴别，以树状图形式表示其分类结果[7]. 采集的光谱图经过一阶导数预处理，去除干扰信号，光谱范围选择为9 073～7 692 cm-1和6 527～5 354 cm-1. 样品间距离采用欧氏距离算法，类间采用Wards算法，分类正确率为100%，分类结果如图2.

3.2 定量分析结果

在36个菠菜溶液样品中随机选出2，8，14，19，25，33这6个样品作为预测集样品，其余30个样品作为校正集样品. 对校正集样品进行奇异样品检测，无异常样品后，采用一阶导数17点平滑与SNV相结合的方法对校正集样品进行光谱预处理，并进行波长优化，选择信息量丰富的谱区5 450.5～4 598.1 cm-1进行分析. 采用PLS算法进行内部交叉验证[8-9]，建立校正模型，校正集样品预测值与真值之间的相关性如图3，校正样品预测值与真值之间的相关系数R2为0.987 3，交叉验证均方差SECV为0.126.

用校正模型对预测集样品进行预测分析，预测集样品真值与预测值的相关性如图4，6个预测集样品预测结果如表1，预测值与真值之间的相关系数R2为0.989 7，预测均方差SEP为0.154，可见模型预测能力较好.

注：图2中80～89号为不含毒死蜱的样品，01～10号为毒死蜱浓度0. 5～2.5 mg/kg的样品. 图2 光谱数据样品的聚类分析树状图Fig.2 Clusters dendrogram for the spectrum data of the samples

图3 菠菜校正集样品预测值与真值的相关性Fig.3 Correlation between predictive value and the true value of the spinach calibration samples

图4 菠菜预测集样品预测值与真值的相关性Fig.4 Correlation between predictive value and the true value of the spinach predictive samples

3.3 模型通用性的验证

近红外模型的建立是为了能够适用于经常性的检测需要，而不是进行偶尔一次的分析工作，所以现对菠菜的校正模型进行验证，看其是否具有通用性. 因此再随机配制6个无公害蔬菜溶液样品对3.2中建立的菠菜校正模型进行验证，得到预测样品的测定系数为0.85，预测均方差SEP为1.96，预测结果如表2，预测值和真值的相关性如图5.

表1 菠菜预测集样品预测结果

表2 菠菜模型通用性验证结果

图5 菠菜模型通用性验证结果Fig.5 Test results of the spinach model’s universality

结果表明模型对无公害蔬菜溶液样品的预测效果不够理想，预测精度较差，说明所建立的模型适用范围不够广，这也正是近红外光谱分析技术中的一个难题. 因时间有限，目前暂未解决这一难题，希望在下一步的工作中能够用覆盖范围更广的样品来修正模型，提高模型的通用性，建立适合经常性检测的菠菜近红外光谱分析模型.

4 多信息融合技术在农药残留量检测中的研究展望

本文基于近红外光谱分析技术，对蔬菜中毒死蜱残留量检测进行了探索性研究，建立较好的模型，预测结果也比较理想，可见近红外光谱分析技术在食品安全检测方面具有很大的潜力，为下一步深入研究农药残留量的检测方法打下了很好的基础. 但农副产品信息丰富，测试条件复杂，将其光学特征和其他特征结合，或将图像与光谱特征结合进行研究，已经成为趋势. 目前所做研究工作距离实际的无损检测技术，仍有需要改进和继续研究的地方.

1) 本文采用人工蔬菜样品，经过建立近红外校正模型分析，表明近红外光谱分析技术用于蔬菜中农药残留量检测是可行的，蔬菜样品无损检测还需研究，以便于更加接近实际应用.

2) 研究所用样品还比较单一，进一步对多种农药残留、多种蔬菜样品检测方面有所突破.

3) 校正模型分析方法有待加强，还需研究不同定量分析方法(如人工神经网络、多元线性回归等)对模型建立的影响，开发更适于蔬菜中农药残留量检测的模型.

4) 加强基于多光谱信息融合技术在农药残留量检测中的研究. 需要更多实验验证和采用多光谱融合技术，使之逐步满足实际生活需要.

高光谱图像技术是图像和光谱两种技术结合的产物，可以实现对农产品的内外部品质的同时检测，是多种信息融合技术检测农产品品质的首选方法. 通过引入一些新的数据分析及新算法，可提高高光谱图像检测的有效性和准确率，扩展了其检测系统的鲁棒性，并且具有无监督分类能力. 高光谱图像技术快速全面检测农产品中农药残留的问题以及食品中一些对人体有害的添加剂含量的问题，这一系列应用研究对农产品质量安全检测具有重要意义，因而对保障食品安全起着积极的推动作用.

实现多目标在线无损检测技术，多种传感器融合技术，对提高中国农产品的品质，增强参与国际竞争的能力，降低工人的劳动强度，具有重要的理论意义和实际意义。

5 结 论

本文采用近红外光谱分析技术进行蔬菜快速农残检测是一种创新性方法，实验表明该技术是可行的，其检测技术的快速、安全、绿色等特点正切合了目前市场上急需的农药残留量检测需求. 本项目的研究对提高农产品检测水平，保证食品安全和人民生命健康，增强我国农业和食品工业的国际竞争力具有重要价值和作用，并能创造较大的经济效益和社会效益.