激光誘導擊穿光譜結合CARS變量選擇方法定量檢測倍硫磷含量

劉 津，甘蘭萍，孫 通*，劉木華

(1.江西農業大學 工學院，江西省高校生物光電技術及應用重點實驗室，江西 南昌 330045；2.江西省果蔬采后處理關鍵技術及質量安全協同創新中心，江西 南昌 330045)

激光誘導擊穿光譜結合CARS變量選擇方法定量檢測倍硫磷含量

劉 津1,2，甘蘭萍1,2，孫 通1,2*，劉木華1,2

(1.江西農業大學 工學院，江西省高校生物光電技術及應用重點實驗室，江西 南昌 330045；2.江西省果蔬采后處理關鍵技術及質量安全協同創新中心，江西 南昌 330045)

利用雙脈沖激光誘導擊穿光譜(LIBS)技術對溶液中的倍硫磷含量進行定量檢測。采用二通道高精度光譜儀采集不同濃度倍硫磷樣品在206.28～481.77 nm波段的LIBS光譜，并對光譜進行多元散射校正(MSC)、標準正態變量變換(SNV)及3點平滑預處理，根據偏最小二乘(PLS)建模確定最優的預處理方法。在此基礎上，利用競爭性自適應重加權算法(CARS)篩選與倍硫磷相關的重要變量，然后應用PLS回歸建立溶液中倍硫磷含量的定量分析模型，并與單變量定量分析模型及未變量選擇的PLS定量分析模型進行比較。結果表明，相比單變量定量分析模型及原始光譜PLS定量分析模型，CARS-PLS定量分析模型的性能更優，其模型的校正集和預測集的決定系數及平均相對誤差分別為0.969 4、15.537%和0.995 9、5.016%。此外，與原始光譜PLS模型相比，CARS-PLS模型僅使用其中1.9%的波長變量，但預測集平均誤差卻由9.829%下降為5.016%。由此可見，LIBS技術檢測溶液中的倍硫磷含量具有一定的可行性，且CARS方法能簡化定量分析模型，提高模型的預測精度。

激光誘導擊穿光譜技術(LIBS)；偏最小二乘法(PLS)；競爭性自適應重加權算法(CARS)；倍硫磷

倍硫磷是一種有機磷農藥，主要用于預防植物病蟲害。由于殺蟲效果好且速度快，在我國農業生產中應用較廣。人若過多接觸或食用倍硫磷殘留的糧食作物，可能造成有機磷農藥中毒。在我國，急性有機磷農藥中毒病死率達8.5%～58.6%。目前發達國家已對倍硫磷進行嚴格監管。澳大利亞農藥和獸藥管理局[1]認為倍硫磷產品會通過食品和職業暴露對人類健康和環境帶來巨大風險。因此，非常有必要對倍硫磷含量進行快速檢測。

目前，倍硫磷含量的測定方法主要有原子吸收分光光度法、電感耦合等離子體-質譜法、電感耦合等離子體-發射光譜法等。但上述方法均需對樣品進行較為復雜的前處理，且檢測時間長；同時，對實驗環境以及實驗人員要求較高。激光誘導擊穿光譜(Laser induced breakdown spectroscopy，LIBS)作為一種新興的現代分析技術，對樣品前期處理較少，且可同時檢測多種元素，靈敏度高。LIBS的工作原理是通過高能量的激光光源灼燒待分析樣品，使其表面形成高溫等離子體，再以光譜檢測系統獲取等離子體信號，然后根據信號的峰位及強度對物質元素進行定性及定量分析。目前，LIBS已廣泛用于地質[2-3]、冶金[4-5]、醫藥[6-7]、水體[8-9]、食品[10-11]、太空[12-13]等領域中的物質元素檢測。張勇等[14]采用LIBS技術對焊絲樣品中的硅、錳、磷、硫、鉻及鎳元素進行測定，通過分析標準樣品建立了上述元素的譜線強度與其質量分數之間的標準曲線，相關系數為0.989～0.999。Bengston等[15]基于單點校準，提出了一種數學模型來評定所得數據，發現鋼中的碳、硅、錳、磷、硫及鋁等元素均可被測定，相對標準偏差(RSD)僅百分之幾，而爐渣中的RSD則在10%左右。總結上述文獻發現，對于磷元素的LIBS檢測，大部分研究主要集中在冶金領域；而有機磷農藥及其他領域的磷元素LIBS檢測研究甚少。

LIBS檢測過程由于易受到激光能量波動、樣品不均勻等因素影響，檢測結果不夠穩定。為提高檢測的精度和穩定性，多采用多元變量分析方法對數據進行深度分析，如偏最小二乘(PLS)法。王亞軍等[16]采用單變量和PLS方法分析翡翠樣品的LIBS光譜數據并建立Ca和Al含量的定量分析模型。結果表明，PLS方法能夠提高LIBS對緬甸翡翠的定量測量精度。谷艷紅等[17]采用單變量、線性回歸和PLS方法分析鋼鐵合金中Cr和Ni的含量。結果表明，采用PLS方法得到Cr和Ni擬合曲線的r2分別為0.981和0.995，預測相對誤差在6.4%和7.1%以內，優于單變量方法。由以上文獻可知，單變量方法的定標曲線相關系數較低，對待測樣品的預測誤差較大，而多變量方法(如PLS)則能有效提高定量分析精度，降低待測樣品的預測誤差。

由于LIBS光譜儀精度高，其光譜波長變量眾多，大多為幾千個。當采用全波段進行PLS建模時，很容易造成模型過擬合。若對光譜變量進行優選，保留有用變量而剔除無用或冗余變量，則能有效提高模型精度。競爭性自適應重加權算法(Competitive adaptive reweighted sampling，CARS)是一種新穎且有效的波長變量選擇方法，已應用于近紅外以及高光譜數據的波長變量篩選[18-19]。

本研究利用雙脈沖LIBS技術檢測溶液中的倍硫磷含量。采用石墨吸附倍硫磷，利用CARS方法篩選重要波長變量，然后應用PLS回歸建立定量分析模型，并與單變量定量分析模型及PLS定量分析模型進行比較。

1 實驗部分

1.1 實驗材料

實驗所用的倍硫磷為乳油狀醫用倍硫磷，由新沂市泰松化工有限公司生產，有效成分含量為50%。甲苯(分析純)由上海潤捷化學試劑有限公司生產，純度98%。

為獲得不同倍硫磷濃度的樣品，將醫用倍硫磷按不同比例溶于甲苯中，充分溶解搖勻。最終樣品的倍硫磷含量分別為0.8、0.9、1.0、1.3、1.6、2.0、2.5、3.0、3.5、4.0、4.5、5.0 g/kg。由于液體樣品在激光擊打過程中易引起液體飛濺、液面擾動等，影響光譜采集效果。因此，本實驗采用石墨吸附倍硫磷溶液，將液體樣品轉化為固體樣品。將7 mL倍硫磷樣品溶液分多次滴入凹槽直徑為2 cm、深度為1 cm的圓柱形石墨中，自然風干。

取其中9個樣品(含量為0.8、0.9、1.3、1.6、2.0、3.0、3.5、4.5、5.0 g/kg)建立定量分析模型(訓練集)，剩余3個(含量為1.0、2.5、4.0 g/kg)作為驗證樣品(預測集)。

1.2 實驗儀器及光譜采集

圖1 LIBS實驗裝置圖Fig.1 Diagram of experimental installation

實驗所用的LIBS 檢測系統(見圖1)由光譜儀、激光器、DG645數字脈沖信號發生器、光纖、透鏡、反射鏡、旋轉載物臺及計算機等組成。光譜儀為AvaSpec雙通道高精度光譜儀(Avantes公司，荷蘭)，一通道及二通道波段范圍分別為206.28～331.41 nm和321.46～481.77 nm，每通道各2 048個數據點。激光器為Vlite-200型共軸雙脈沖激光器(北京Beamtech公司)，波長為1 064 nm，脈寬6～8 ns，頻率為1～15 Hz，最大激光能量為300 mJ。

1.3 數據處理與分析

CARS方法模擬達爾文進化論“適者生存”原則，將每個變量看作獨立個體，然后利用自適應重加權采樣技術選擇模型中回歸系數絕對值較大的變量，同時去掉權重較小的變量，從而獲得一系列變量的子集。最后，根據交互驗證均方根誤差(RMSECV)值最小原則，選擇最優變量子集，其具體原理及算法見文獻[20]。

本研究根據LIBS 圖譜特征，選擇210～260 nm波段進行建模分析。采用多元散射校正(Multiplicative scatter correction，MSC)、標準正態變量變換(Standard normal variate，SNV)及3點平滑方法對上述光譜波段進行預處理，并根據PLS建模結果確定最優預處理方法。在此基礎上，采用CARS方法對光譜波長變量進行優選，再應用PLS方法建立倍硫磷含量的定量分析模型。在CARS變量選擇中，其提取的最大因子數為14，蒙特卡羅(MC)采樣次數為50，根據RMSECV最小選擇最優變量子集。CARS方法在MATLAB R2014a(TheMathWorks，USA)中完成，PLS方法在Unscrambler9.7(CAMO公司，挪威)中完成。

2 結果與討論

2.1 LIBS光譜分析

圖2 倍硫磷含量為0.8 g/kg的樣品LIBS光譜(210～260 nm)Fig.2 LIBS spectrum of 0.8 g/kg fenthion sample(210-260 nm)

圖2為倍硫磷含量為0.8 g/kg的樣品在210～260 nm波段范圍的LIBS光譜。由圖2可知，波長在213.546 nm和253.56 nm處均能探測到獨立的光譜信號，根據美國NIST原子光譜數據庫和磷元素的光譜信息，可知上述2個波長均為磷元素的特征光譜。

2.2 倍硫磷定量分析

2.2.1單變量定量分析對12個樣品，將其253.6 nm處譜線強度與倍硫磷真實含量進行擬合，結果單變量定量分析模型的擬合度僅為0.417 9。說明單變量定量方法結果較差，這可能是由于磷元素為非金屬元素，LIBS光譜檢測信號較弱，光譜數據波動較大導致，需尋求更好的數據處理方法。因此，嘗試采用PLS方法對實驗結果進行定量分析。

2.2.2 PLS方法為提高倍硫磷的檢測精度，采用兩條磷元素譜線所在波段(210～260 nm)，并結合不同預處理方法進行PLS建模。表1為不同預處理方法下倍硫磷含量的PLS建模結果。由表1可知，PLS模型的訓練集和預測集決定系數R2分別為0.997 8和0.943 7，平均誤差分別為3.916%和9.829%。由此可見，PLS模型較單變量模型效果好。

由表1可知，經MSC及SNV預處理后，PLS模型的訓練集決定系數均小幅下降，平均誤差小幅增大；預測集決定系數小幅上升，平均誤差明顯增大。說明經預處理后，PLS模型出現了輕微過擬合。綜合考慮上述建模結果，確定原始光譜的PLS結果最優。

表1 不同預處理方法下倍硫磷含量的PLS建模結果Table 1 PLS modeling results of fenthion with different pretreatment methods

圖3 原始光譜下倍硫磷的CARS變量篩選結果Fig.3 Results of CARS variable selection for fenthion under original spectra

2.2.3 CARS變量選擇由于原始光譜的PLS建模結果最優，因此采用CARS方法對210～260 nm波段原始光譜數據進行變量優選。圖3為原始光譜下倍硫磷的CARS變量選擇結果。圖3A為波長變量篩選過程中被選中波長變量數的變化趨勢，被選中波長變量數隨著采樣次數的增加而下降，下降的趨勢先快后慢，體現了波長變量粗選和精選兩個過程。從圖3B中可以看出，在1～35次采樣過程中，RMSECV值不斷下降，表明此過程主要剔除了與倍硫磷無關的變量；而采樣35次后，RMSECV值逐漸上升，表明該過程中剔除了與倍硫磷相關的重要變量，從而導致RMSECV值上升。從圖3C中可以看出，“＊”所對應的位置為RMSECV值最小，即35次采樣。根據RMSECV最小原則，最終選擇的波長變量數為14個。

經CARS變量選擇后，應用PLS方法建立倍硫磷含量的定量分析模型。與原始光譜的PLS模型相比，CARS-PLS模型的訓練集決定系數R2略有下降，僅為0.969 4，平均誤差增大至15.537%；而預測集決定系數R2增大，為0.995 9，平均誤差下降至5.016%。此外，CARS-PLS模型僅使用原始光譜1.9%的波長變量，但預測集平均誤差卻由9.829%下降為5.016%，表明經CARS變量選擇后模型性能得到有效提高。由此可知，CARS方法是一種有效的波長變量選擇方法，可以簡化定量分析模型，提高定量分析模型的性能。

表2 CARS-PLS模型對預測集樣品的預測結果Table 2 Prediction results of CARS-PLS model for prediction set samples

采用CARS-PLS定量分析模型對校正集樣品進行預測，校正集樣品的真實含量和預測含量對應關系較好，其決定系數R2為0.969 4。表2為CARS-PLS定量分析模型對預測集樣品的預測結果。由表2可知，3個樣品的相對誤差均在10%以下，平均相對誤差為5.016%，說明定量分析模型整體上有良好的準確度。

3 結 論

本研究利用雙脈沖LIBS技術結合CARS變量選擇方法對溶液中的倍硫磷含量進行定量檢測。研究結果表明，雙脈沖LIBS技術結合CARS方法可以用于溶液中倍硫磷含量的定量檢測，CARS-PLS定量分析模型校正集和預測集的決定系數及平均相對誤差分別為0.969 4、15.537%和0.995 9、5.016%。此外,CARS-PLS定量分析模型不僅所用波長變量少，且模型性能優于PLS定量分析模型。由此表明，CARS方法能有效選擇有用的光譜變量，簡化定量分析模型及提高定量分析模型的穩定性。

[1] Yang G.PesticideMarketNews(楊光.農藥市場信息),2014,(15):38.

[2] Hu Y,Li Z H,Lü T.Las.Optoelect.Prog.(胡楊,李子涵,呂濤.激光與光電子學進展),2017,54(5):1-10.

[3] Gu Y H,Zhao N J,Ma M J,Meng D S,Yu Y,Jia Y,Fang L,Wang Y Y,Liu J G,Liu W Q.J.Optoelect.Laser(谷艷紅,趙南京,馬明俊,孟德碩,余洋,賈堯,方麗,王園園,劉建國,劉文清.光電子·激光),2016,27(7):273-279.

[4] Liu Z,Jia Y H.Metal.Anal.(劉正,賈云海.冶金分析),2017,37(3):1-12.

[5] Wang D,Lu J D,Dong M R,Yao S C,Fan J,Tian Z H,Wang L,Li S S.Spectrosc.Spect.Anal.(王帝,陸繼東,董美蓉,姚順春,樊炬,田照華,王磊,李詩詩.光譜學與光譜分析),2016,36(8):2607-2612.

[6] Liu X N,Shi X Y,Jia S Y,Zhao N,Wu Z S,Qiao Y J.ModernizationofTraditionalChineseMedicineandMateriaMedica-WorldScienceandTechnology(劉曉娜,史新元,賈帥云,趙娜,吳志生,喬延江.世界科學技術-中醫藥現代化),2014,16(12):2582-2585.

[7] Liu X N,Shi X Y,Jia S Y,Zhao N,Wu Z S,Qiao Y J.ChinaJ.Chin.Mater.Med.(劉曉娜,史新元,賈帥蕓,趙娜,吳志生,喬延江.中國中藥雜志),2015,40(11):2239-2243.

[8] Srivastava S,Tandon P,Singh R,Uttam K N.Nat.Acad.Sci.Lett.,2013,36(1):57-60.

[9] Phuoc T X,Ping W,Mcintyre D.Fuel,2016,167:375-376.

[10] Moncayo S,Manzoor S,Rosales J D,Anzano J,Caceres J O.FoodChem.,2017,232:322-328.

[11] Wu Y Q,Ouyang J Y,Sun T,Mo X X,Liu J,Liu M H.J.Instrum.Anal.(吳宜青,歐陽靜怡,孫通,莫欣欣,劉津,劉木華.分析測試學報),2016,35(8):1015-1020.

[12] Lasue J,Forni O,Anderson R B,Berger G,Clegg S M,Cousin A,Dyar M D,Fabre C,Gasnault O,Lewin E,Meslin P Y,Maurice S,Tokar R L,Wiens R C,the MSL Science Team.LunarandPlanetaryScienceConference,2013.

[13] Anderson D E,Ehlmann B L,Forni O,Clegg S M,Cousin A,Thomas N H,Lasue J,Delapp D M,McInroy R E,Gasnault O,Dyar M D,Schr?der S,Maurice S,Wiens R C.JournalofGeophysicalResearchPlanets,2017,122:744-770.

[14] Zhang Y,Zhang Q,Gao J,Jia Y H,Liu Y.Phys.Test.Chem.Anal.：Chem.Anal.(張勇,張清,高軍,賈云海,劉英.理化檢驗-化學分冊),2015,51(3):331-335.

[15] Bengtson A,Thomas B.Metal.Anal.(Bengtson Arne,Thomas Bj?rk.冶金分析),2009,29(2):8-13.

[16] Wang Y J,Shi B,Yuan X Q,Zhang Q.J.Gems.Gemmol.(王亞軍,石斌,袁心強,張倩.寶石和寶石學雜志),2016,18(3):31-36.

[17] Gu Y H,Li Y,Tian Y,Lu Y.Spectrosc.Spect.Anal.(谷艷紅,李穎,田野,盧淵.光譜學與光譜分析),2014,34(8):2244-2249.

[18] Hu W Y,Ling J,Yang P P,Yang S H,Wang Y,Li W,Yuan T J,Li C B.J.YunnanAgric.Univ.:Nat.Sci.Ed.(胡巍耀,凌軍,楊盼盼,楊式華,王玉,李偉,袁天軍,李成斌.云南農業大學學報：自然科學版),2017,32(2):288-293.

[19] Liu Y D,Jiang X G,Xiong S S,Liu D L.JournalofChineseAgriculturalMechanization(劉燕德,姜小剛,熊松盛,劉德力.中國農機化學報),2016,37(2):240-244.

[20] Li H D,Liang Y Z,Xu Q S,Cao D S.Anal.Chim.Acta,2009,648(1):77-84.

Quantitative Determination of Fenthion Using Laser Induced Breakdown Spectroscopy with CARS Variable Selection Method

LIU Jin1,2,GAN Lan-ping1,2,SUN Tong1,2*,LIU Mu-hua1,2

(1.Key Laboratory of Jiangxi University for Optics-Electronics Application of Biomaterials,College of Engineering,Jiangxi Agricultural University，Nanchang 330045,China;2.Collaborative Innovation Center of Post Harvest Key Technology and Quality Safety of Fruits and Vegetablesin Jiangxi Province,Nanchang 330045,China)

In this study,double pulse laser induced break down spectroscopy(LIBS) technique was used to detect the content of fenthion in solution.The spectra of different concentrations’ samples in range of 206.28-481.77 nm band were collected using a two channel spectrometer with high precision.And then several preprocessing methods such as multiplicative scatter correction(MSC),standardized normal variate(SNV) and 3 point smoothing were conducted on the spectra.The optimal pretreatment method was confirmed according to partial least square(PLS) modeling.On this basis,competitive adaptive reweighted sampling(CARS) was used to screen the important variables related to fenthion.Then,the quantitative analysis model for fenthion in solution was established by PLS regression.Finally,the CARS-PLS quantitative analysis model was compared with the single variable quantitative analysis model and the PLS quantitative analysis model without variable selection.The results indicated that the CARS-PLS quantitative analysis model has a better performance compared with single variable quantitative analysis model and PLS model,and its determination coefficient and average relative error of calibration set and prediction set are 0.969 4,15.537% and 0.995 9,5.016%,respectively.Furthermore,the CARS-PLS model adopted only 1.9% of the wavelength variables,but the average error of the prediction set was decreased from 9.829% to 5.016%.Thus it is found that LIBS technology has a certain feasibility to detect the content of fenthion in solution.And CARS could simplify the quantitative analysis model and improve the prediction accuracy of the model.

laser induced breakdown spectroscopy;partial least square;competitive adaptive reweighted sampling;fenthion

O433.4；TB9

:A

：1004-4957(2017)09-1099-05

2017-04-19；

：2017-05-27

國家自然科學基金項目(31401278)；江西省自然科學基金項目(20151BAB204025)

*

：孫 通，博士，副教授，研究方向:農產品/食品品質與安全的光譜快速檢測，Tel:0791-83828104，E-mail:suntong980@163.com

10.3969/j.issn.1004-4957.2017.09.007