利用比色光譜法快速檢測白菜中有機磷農藥殘留

李文+李民贊+孫明

摘要：提出一種基于比色光譜的農藥殘留快速檢測新方法。使用優化后的乙酸氯化鈀溶液作為比色劑，提取白菜中樂果、氧樂果、毒死蜱的殘留量進行種類識別，在0.05～90.00 mg/kg濃度范圍內，用去離子水對3種農藥分別配制40個樣本，與等量的氯化鈀溶液發生比色反應，生成黃色絡合物硫化鈀，用分光光度計采集吸光度圖譜。利用每種農藥的比色光譜特征建立支持向量機（support vector machine，簡稱SVM）分類識別模型，引入粒子群優化算法（particle swarm optimization，簡稱PSO）減小運算量。結果表明，用乙酸作為氯化鈀溶劑的吸光圖譜可以在300～900 nm波段區分005 mg/kg的農藥濃度。在2-折交叉驗證下，訓練集和驗證集的識別準確率分別達到100%、98.333 3%。該方法比色試劑配制簡單、操作安全，為進一步開發有機磷農藥殘留快速檢測儀器提供新思路。

關鍵詞：含硫有機磷；分類識別；粒子群優化算法；支持向量機

中圖分類號： O657.3；S481+.8文獻標志碼： A文章編號：1002-1302（2017）17-0168-04

近年來，我國因濫用有機磷農藥引起的食品安全問題引起人們越來越多的重視。部分菜農和生產商受商業利益的驅動，違反規定不合理用藥，或者使用國家禁止的高毒藥。有機磷農藥品種繁多，對人體的危害作用從劇毒到低毒不等。不同種類的有機磷農藥中毒急救方法不同，因此，研究有機磷農藥的快速分類識別具有重要意義。

我國2014年發布的國家標準GB 2763—2014《食品安全國家標準食品中農藥最大殘留限量》[1]規定，蔬菜中有機磷農藥的標準檢測方法是氣相色譜和氣相色譜-質譜等理化方法。這類方法檢測精度高，一次可以檢測多種農藥，但儀器昂貴，檢測步驟復雜，需要專業人員在實驗室操作[2-5]。目前，國內外市場上快速檢測儀器的主流技術是酶抑制法，利用了有機磷農藥在有機體內抑制膽堿酯酶，使其失去分解乙酰膽堿的能力，造成乙酰膽堿積累的原理，使用乙酰膽堿酯酶在乙酰膽堿作用下可以產生膽堿和乙酸的反應特性，根據指示劑顏色或反應液pH值的變化，達到檢測有機磷農藥的目的。酶抑制法因簡便、快速等特點，在我國、美國、加拿大、日本等多個國家使用，將酶試劑盒或試紙條作為普查農藥殘留和田間實地檢測的基本手段。但是該方法也存在較大局限性，檢測用酶主要來源于動物的乙酰膽堿酯酶[6-7]，動物酶源提取不便、產量低、檢測成本高，大大限制了其在快速檢測中的應用。

近年來，光譜技術在檢測農產品的品質和安全方面被廣泛應用[8-10]，支持向量機（support vector machine，簡稱SVM）具有學習速度快、適合處理高維數據、優化問題存在唯一的極小點等優點，在種類或參數的分類檢測中結合其他技術具有很大優勢[11-12]，但是SVM結合光譜技術用于有機磷農藥種類識別的研究并不多。因此，筆者在前期研究的基礎上[13]，選取氧樂果、毒死蜱和樂果，利用3種農藥都含有硫基，與氯化鈀乙酸溶液反應生成黃色絡合物硫化鈀原理，探索含硫基類有機磷農藥分類識別的新方法。利用不同農藥的光譜數據特征建立SVM分類模型，在確定懲罰參數c和核函數參數g的最優值環節中，引入粒子群優化算法（partical swarm optimization，簡稱PSO）和常規交叉驗證（cross validation，簡稱CV）法進行對比，既有效減小了計算量[14-15]，又提高了識別準確度。該分類識別方法結合筆者已經建立的3種農藥各自的定量預測模型[16]，可以實現微量農藥定性定量的完整檢測。

1材料與方法

1.1試驗儀器

UV-2450紫外/可見/分光光度計，購自日本島津集團，分辨率為0.1 nm，可用于檢測各種有機、無機固體或液體的光學特性。該儀器具有測量速度快、測量結果準確等特點，主要利用可見光波段進行研究，選定測量波長范圍是300～900 nm。采集的數據上傳至計算機，利用UVPRO軟件進行光譜預處理。

1.2 材料與試劑

考慮到3種農藥市售多是乳油型，為使研究更具有實用性，選用40%的氧樂果、毒死蜱、樂果乳油農藥（北京嘉禾種業有限公司），去離子水，冰乙酸（分析純），氯化鈀晶體，乙醇（分析純），均購自北京藍弋化工產品有限責任公司。白菜購自北京超市中的無公害蔬菜專柜。

對每種農藥，用去離子水在0.05～90.00 mg/kg范圍內配制相同濃度的40個樣本，共計120個樣本。稱取1 kg白菜樣品洗凈、晾干后，切碎、榨汁，備用。

氯化鈀粉末1.25 g，加入15 mL的冰乙酸，振蕩、攪拌 5 min，加去離子水稀釋至250 mL，水浴45 ℃下放置30 min，充分溶解成橙黃色液體，配成0.5%的氯化鈀乙酸溶液。取每1個農藥樣本10 mL與5 mL白菜汁液充分混合后，加入 5 mL 乙醇稀釋，超聲攪拌30 min，過濾。取上清液5 mL，分別和2 mL的氯化鈀溶液反應2 min，滴入比色皿采集吸光度譜圖。

分光光度計調節零點的方法：將配制好的氯化鈀乙酸溶液放入2個比色皿中進行掃描儀調零，其中1個始終作對比，以消除比色皿和氯化鈀底液的影響。

2結果與分析

2.13種農藥吸光度譜圖分析

因篇幅所限，圖1僅給了40個氧樂果樣本在300～900 nm 波段的相對吸光度圖譜。由圖1可以看出，在可見光波段的譜線比較平滑，可以區分最小濃度為0.05 mg/kg的農藥樣本，但在紫外和近紅外波段受到較強的干擾，難以區分。氧樂果的濃度和比色光譜的相對吸光度呈正相關關系，且濃度差越大，吸光度相差越大，譜線的區分越明顯。這是因為樣本濃度值越大，和氯化鈀發生比色反應后產生的黃色絡合物硫化鈀越多，顏色的變化越明顯。90 mg/kg樣本的譜線走勢已經發生較大變化，因此，不再使用濃度超過90 mg/kg的樣本作為建模數據，另外2種農藥選定的濃度范圍原因與之相同。endprint

由于高頻段存在較大的背景噪聲，原始數據的低波長部分所受干擾非常多，特別是高濃度段的樣品，在進行光譜掃描時，很容易出現相對吸光度突然失真，相對吸光度跳變到5（最大值），從而出現一定程度的數據失真。此外，在400～450 nm之間，也受到一定程度的干擾，曲線上疊加了噪聲。因此，有必要對光譜數據進行預處理。

2.2光譜預處理

UV-2450分光光度計自帶軟件UVPRO可有效消除原始光譜圖中因系統誤差和隨機誤差引起的光譜測量數據的噪聲、光譜信號基線漂移和基線旋轉。為進一步獲取高信噪比、低背景干擾的分析信號，采用卷積平滑（savitzky-golay，簡稱SG）方法對40個氧樂果樣本的光譜數據進行處理。因為 300～360 nm波段的這部分高頻信息，大部分是由于試驗儀器以及試驗過程中的一些操作不當造成的，是無效的，因此預處理及建模時不再包含這部分光譜。

在360～900 nm波段進行SG平滑以后，有效濾除了高頻部分的干擾，反映了數據的總體規律。隨著SG窗口寬度的增大，曲線越來越光滑，但光滑性增強的同時也會造成失真，甚至有可能丟掉可以為后面校正檢測模型提供有效信息的數據。平滑窗口寬度的選取，要綜合考慮曲線的光滑性和失真程度，通過反復比較，選取窗口寬度F=15的SG處理，處理后的效果如圖2所示。

為方便觀察和對比，圖3僅列出在300～900 nm波段，濃度為0.5 mg/kg的3種農藥在發生比色反應后的相對吸光度圖譜。在350～550 nm波段，3種農藥的相對吸光度圖譜形狀發生了較大變化。比如在380～450 nm波段，毒死蜱的相對吸光度在3種農藥中是最高的，而在其他波段比較低，通過計算3種農藥比色光譜的相關系數，選用380～580 nm波段作為區分農藥種類的特征波段，建立分類識別模型。

2.2SVM分類模型

決定SVM三分類識別模型質量的主要因素有建模數據的歸一化處理、核函數類型、懲罰參數c、核函數參數g的值，同時參考支持向量數。在上述參數效果相同的情況下，支持向量數越小，所建模型的泛化能力越強。在120個樣本中，規定氧樂果、毒死蜱、樂果的標簽分別為0、1、2。用10次2-折交叉驗證的平均值檢測模型對訓練集和驗證集分類識別的準確度。懲罰參數c和核函數參數g的取值是決定模型精度的重要因素，分別使用CV法、PSO法尋找最佳c值和g值。

2.2.1交叉驗證法建模數據分別使用原始數據、歸一化為[0，1]以及歸一化為[-1，1]，核函數分別使用線性Line、多項式Poly、徑向基函數（radial basis function，簡稱RBF）和Sigmend函數進行對比。首先使用常規的交叉驗證選擇方法，用網格劃分來尋找最佳值，可以先對c值、g值大范圍粗略搜索，然后確定小范圍精細搜索。將c值、g值的搜索空間分別設定的范圍：c=[2-3，212]，g=[2-12，21]。利用2-折交叉驗證法會造成不同的c和g都對應最高的準確率，雖然較高的懲罰參數c能使驗證數據的準確率提高，但過高的懲罰參數c會造成過學習狀態，往往導致最終測試集合的準確率并不是很理想，因此c值不能設置太高。在保證精確度的前提下，把具有最小c值的那組c值、g值認為是最佳的c值和g值。

結合不同的核函數，運行程序產生最佳c值、g值和測試集合的精確度（精確度=分類正確的樣本數/測試集總樣本數×100%）。徑向基核函數（RBF）與線性函數、多項式函數相比表現出較大優勢，RBF作為核函數，原始數據歸一化為[-1，1]時，程序運行的最佳參數c=4，g=0.031 25，此時交叉驗證的精確度達到95%。圖4、

2.2.2粒子群優化算法PSO算法最早由Kennedy和Eberhart在1995年提出的。算法中的每1個粒子都代表問題的1個潛在解，用位置、速度、適應度值這3個指標表示該粒子的特性。每1個粒子對應1個由適應度函數決定的適應度值，粒子速度決定粒子移動的方向和距離，粒子隨自身及其他粒子移動經驗進行動態調整，從而實現個體在可解空間中的尋優。

假設在D維空間搜索，由n個粒子組成種群X=（X1，X2，…，Xn），其中第i個粒子表示為1個D維粒子速度和位置，從而根據新種群中粒子適應度值更新個體極值和群體極值。

Vidk+1=ωVidk+c1r1（Pidk-Xidk）+c2r2（Pkgd-Xkid）；（1）

Xk+1id=Xkid+Vk+1id。（2）

式（1）、式（2）中，向量Xi=（xi1，xi2，…，xiD）T表示第i個粒子在D維搜索空間中的位置，即代表問題的1個潛在解。d=1，2，…，D；i=1，2，…，n；k為當前的迭代次數；Vid為第i個粒子的速度；Pid為第i個粒子目前已計算得到的最優位置；Pgd為所有粒子目前已計算得到的最優位置；ω是慣性權重；c1、c2是加速度因子，為非負的常數；r1和r2是分布于[0，1]的隨機數。

首先要對粒子和速度初始化，選用合適的函數計算粒子適應度。根據初始粒子的適應度確定個體極值和群體極值，根據式（1）、式（2）進行更新。

本研究中采用的適應度函數為Ackley函數表達式，適應度為函數值，種群粒子數為20，每個粒子的維數為2，算法迭代進化次數為200。

2.3建模效果分析

由表1可以看出，訓練集的識別準確率始終可以達到100%。訓練集的準確率沒有受到數據的歸一化處理方法、核函數類型及參數c、g影響，始終是100%。但驗證集的識別準確率變化很大，原始數據直接建模和數據歸一化處理后再建模相比，歸一化處理后效果較好。2種歸一化方法和不同的核函數建立的模型各有優缺點，參數g值始終為001，基本不變。綜合考慮，支持向量數和懲罰參數c越小越好，可以得出以下結論：RBF作為核函數，原始數據歸一化為[-1，1]時，程序運行的最佳參數c=2.685 7，g=0.01。利用PSO尋優的適應度曲線如圖6所示，此時最佳適應度為96666 7%。endprint

將c=2.685 7、g=0.01作為最佳參數確定的模型，對訓練集和驗證集分別進行檢驗，這時支持向量數為30，訓練集和驗證集的識別準確度最高可以達到100%、98.333 3%（59/60）（圖7、圖8）。因此， 引入PSO算法不僅減小了運算

量，而且提高了預測精度。

3結論

使用優化的乙酸氯化鈀溶液作為比色試劑，對白菜汁中含硫有機磷農藥氧樂果、毒死蜱、樂果進行比色反應試驗，吸收光譜可以用來區分0.05 mg/kg的濃度，利用380～580 nm波段的光譜數據特征區分3種農藥。該方法所用試劑配制簡單、操作安全，為進一步開發農殘快速檢測儀器提供新方法。

利用3種農藥在0.05～90.00 mg/kg濃度內配制的120個樣本數據建立SVM三分類模型。模型的預測精度和歸一化處理方法、不同的核函數有關。引入粒子群優化算法確定參數c和g的最佳值，和常規CV法相比，提高了程序的運行速度和預測精度。在最佳參數c=2.685 7、g=0.01建立模型且在支持向量數較小的情況下，取10次2-折交叉驗證的平均值，訓練集和驗證集的預測準確率分別達到100%、98.333 3%，證明這種方法在微量有機磷農藥種類識別中的可行性。

該方法是在對有機磷農藥分類識別的基礎上，結合每種農藥樣本數據建立的定量預測模型，可以實現農藥定性定量的完整檢測；樣本預處理步驟簡單，比色反應時間是2 min，滿足快速、安全的檢測要求；從原理上講，可以推廣到其他含硫有機磷農藥的識別中。該試驗考慮到了白菜汁液的成分和顏色對液體農藥的影響，具有很強的實用性。

參考文獻：

[1]國家衛生和計劃生育委員會，中華人民共和國農業部. 食品安全國家標準食品中農藥最大殘留限量：GB 2763—2014[S]. 北京：中國標準出版社，[2014-08-01].

[2]Lozano A，Rajski ，Belmonte-Valles N，et al.Pesticide analysis in teas and chamomile by liquid chromatog-raphy and gas chromatography tandem mass spectrometry using a modified QuEChERS method：validation and pilot survey in real samples[J]. Journal of Chromatography A，2012，1268（14）：109-122.

[3]Bidari A，Ganjali M R，Norouzi P，et al. Sample preparation method for the analysis of some organophosphorus pesticides residues in tomato by ultrasound-assisted solvent extraction followed by dispersive liquid-liquid microextraction[J]. Food Chemistry，2011，126（4）：1840-1844.

[4]Chung S W C，Chan B T P. Validation and use of a fast sample preparation method and liquid chromatography-tandem mass spectrometry in analysis of ultra-trace levels of 98 organophosphorus pesticide and carbamate residues in a total diet study involving diversified food types[J]. Journal of Chromatography A，2010，1217（29）：4815-4824.

[5]陳士恒，章晴，史曉梅，等. DSPE-GC/MS 快速檢測葡萄酒中52 種農藥殘留[J]. 食品科學技術學報，2014，32（3）：14-22.

[6]葉雪珠，王強，趙首萍，等. 酶抑制法檢測蔬菜農藥殘留的效果評價[J]. 中國蔬菜，2013（4）：76-81.

[7]羅俊霞，李德瑜，袁小偉，等. 酶抑制法測定多種有機磷和氨基甲酸酯類農藥殘留的試驗[J]. 浙江農業科學，2015，56（6）：883-887.

[8]雷鵬，呂少波，李野，等. 多光譜熒光圖像技術檢測農藥殘留[J]. 發光學報，2014，35（6）：748-753.

[9]徐瑩，杜一平，汪宣，等. 銀修飾的氨基改性粉末多孔材料作為表面增強拉曼光譜基底用于檢測有機磷農藥的研究[J]. 光散射學報，2014，26（2）：164-169.

[10]林萍，陳永明. 利用可見近紅外光譜技術快速鑒別大米品種[J]. 江蘇農業科學，2015，43（12）：320-323.

[11]劉偉，劉長虹，鄭磊. 基于支持向量機的多光譜成像稻谷品種鑒別[J]. 農業工程學報，2014，30（10）：145-151.

[12]尹小君，張清，趙慶展，等. 基于 SVM 的加工番茄早疫病葉氮素含量光譜反演[J]. 農業機械學報，2014，45（11）：280-285.

[13]李文，張健鑫，李由，等. 可見分光光度法檢測蘋果中毒死蜱農藥殘留的研究[J]. 農機化研究，2014，36（9）：182-185.

[14]唐鳴，徐楊，彭彥昆，等. 基于粒子群聚類的牛肉含水率光譜分析技術[J]. 農業機械學報，2014，45（10）：220-225.

[15]張武，陳劍，高煜. 基于粒子群算法的發動機懸置系統穩健優化設計[J]. 農業機械學報，2010，41（5）：31-35，81.

[16]李文，李民贊，孫明，等. 微量樂果農藥殘留比色光譜快速檢測方法[J]. 光譜學與光譜分析，2015，35（7）：2029-2033.張建剛，謝晉鵬，張麗，等. 利用MALDI-TOFMS檢測農藥的新方法[J]. 江蘇農業科學，2017，45（17）：172-175.endprint