近紅外光譜技術(shù)結(jié)合變量選擇方法定性檢測(cè)食用植物油中的腐霉利

孫 通、莫欣欣、李曉珍、吳宜青、劉木華

江西農(nóng)業(yè)大學(xué)、生物光電技術(shù)及應(yīng)用重點(diǎn)實(shí)驗(yàn)室、江西 南昌 330045

近紅外光譜技術(shù)結(jié)合變量選擇方法定性檢測(cè)食用植物油中的腐霉利

孫 通、莫欣欣、李曉珍、吳宜青、劉木華*

江西農(nóng)業(yè)大學(xué)、生物光電技術(shù)及應(yīng)用重點(diǎn)實(shí)驗(yàn)室、江西 南昌 330045

利用近紅外光譜技術(shù)對(duì)食用植物油中的腐霉利進(jìn)行定性檢測(cè)研究。以國家標(biāo)準(zhǔn)規(guī)定的腐霉利最大殘留限量為界線、將不同腐霉利含量的食用植物油樣本分為合格組和不合格組。采用QualitySpec臺(tái)式近紅外光譜儀采集兩類樣本的光譜、利用無信息變量消除 (UVE)和子窗口重排分析(SPA)方法進(jìn)行波長(zhǎng)變量篩選、并應(yīng)用線性判別分析(LDA)、偏最小二乘-線性判別分析(PLS-LDA)及判別偏最小二乘(DPLS)方法建立兩類樣本的分類模型。結(jié)果表明、近紅外光譜技術(shù)可以對(duì)兩類樣本進(jìn)行分類。UVE方法可以有效篩選有用波長(zhǎng)變量、提高分類模型的性能。UVE-DPLS所建立的分類模型性能最優(yōu)、其預(yù)測(cè)集樣本的分類正確率、靈敏度及特異性分別為98.7%、95.0%和100.0%。

近紅外； 腐霉利； 定性檢測(cè)； 變量選擇； 食用植物油

引 言

腐霉利、又稱速克靈、為新型低毒殺菌劑、主要用于蔬菜及果樹的灰霉病防治。因此、蔬菜、水果及相關(guān)加工產(chǎn)物中會(huì)含有腐霉利農(nóng)藥殘留。對(duì)于腐霉利、國家標(biāo)準(zhǔn)GB 2763—2014規(guī)定其在食用植物油中的最大殘留限量為0.5 mg·kg-1。食用植物油是人們生活的必需品、消費(fèi)量正在逐年增加、若食用植物油中的腐霉利農(nóng)藥殘留超標(biāo)將危害人們的身體健康、且危害影響范圍廣。因此、有必要對(duì)食用植物油中的腐霉利農(nóng)藥殘留進(jìn)行檢測(cè)。

近紅外光譜技術(shù)具有非破壞性、快速、綠色及操作簡(jiǎn)單等特點(diǎn)、已應(yīng)用于茶葉品種[1]、酒真?zhèn)蝃2]、牛奶摻假[3]、水果糖度[4]、谷物淀粉[5]及肉類蛋白質(zhì)[6]等定性及定量檢測(cè)。對(duì)于農(nóng)藥殘留檢測(cè)、國內(nèi)外研究人員應(yīng)用近紅外光譜技術(shù)已進(jìn)行了一些研究工作。熊艷梅等[7]對(duì)農(nóng)藥制劑中的氰戊菊酯和馬拉硫磷含量進(jìn)行檢測(cè)、模型的相關(guān)系數(shù)為0.998、外部驗(yàn)證集標(biāo)準(zhǔn)差為0.082%。陳蕊等利用可見/近紅外光譜技術(shù)對(duì)蔬菜表面的四種農(nóng)藥種類進(jìn)行識(shí)別、四種農(nóng)藥(氯氰菊酯、敵敵畏、辛硫磷、氧化樂果)的識(shí)別正確率分別為90.0%、87.5%、82.5%及92.5%。Zhang等[8]對(duì)近紅外光譜鑒別果汁中的咪鮮胺殘留的可行性進(jìn)行探討。Salguero-Chaparro等[9]對(duì)橄欖中的敵草隆殘留進(jìn)行定性檢測(cè)、其分類正確率為85.9%。Jamshidia等[10]對(duì)黃瓜中的二嗪農(nóng)殘留進(jìn)行定性檢測(cè)、預(yù)測(cè)集樣本的分類正確率為92.3%。此外、還有其他研究人員也對(duì)農(nóng)藥殘留檢測(cè)進(jìn)行研究[11-17]。但食用植物油中腐霉利的近紅外檢測(cè)尚未有相關(guān)報(bào)道。

本研究根據(jù)食用植物油中的腐霉利濃度將樣本分為合格組和不合格組、并利用近紅外光譜技術(shù)進(jìn)行定性檢測(cè)研究、采用無信息變量消除(UVE)和子窗口重排分析(SPA)方法對(duì)波長(zhǎng)變量進(jìn)行篩選、并應(yīng)用多種判別分析方法建立兩類樣本的分類模型。

1 實(shí)驗(yàn)部分

1.1 材料及儀器

試驗(yàn)所用的食用植物油樣本共有12個(gè)、分別為4個(gè)大豆油、4個(gè)菜籽油及4個(gè)花生油、且同一品種的樣本均由不同品牌的廠家生產(chǎn)。試驗(yàn)樣本由南昌天虹、百盛等正規(guī)大型超市購買。原始食用植物油樣本均由國家標(biāo)準(zhǔn)方法檢測(cè)其腐霉利含量、結(jié)果為未檢出。腐霉利標(biāo)準(zhǔn)品純度高于99.9%、丙酮為分析純。

試驗(yàn)光譜儀器為QualitySpec臺(tái)式近紅外光譜儀 (ASD、美國)、配備相應(yīng)的光譜采集軟件、光纖及光源 (型號(hào)為High Intensity Contact Probe)。石英比色皿光程為4 mm、電子天平精度為0.000 1 g。

1.2 方法

1.2.1 樣本配制

采用電子天平稱取一定質(zhì)量的腐霉利標(biāo)準(zhǔn)品、溶解于丙酮、然后加入某一食用植物油樣本中、以獲取不同腐霉利濃度的食用植物油樣本。樣本的腐霉利濃度分別為0.1、0.2、0.3、0.4、1、2、4、7、10、20、30、50、100、200、300、500及1 000 mg·kg-1。對(duì)于12個(gè)食用植物油樣本、均配制上述濃度、共獲得216個(gè)不同腐霉利濃度的樣本。

將12個(gè)原始樣本及216個(gè)配制樣本按照國家標(biāo)準(zhǔn)規(guī)定的腐霉利最大殘留限量(0.5 mg·kg-1)為界線分成兩組。低于最大殘留限量的樣本為合格組樣本、共有60個(gè)、定義類別值為1； 高于最大殘留限量的樣本為不合格組樣本、共有168個(gè)、定義類別值為-1。將合格組及不合格組樣本按照2∶1比例隨機(jī)分配到校正集和預(yù)測(cè)集、校正集樣本共有152個(gè) (40個(gè)合格組樣本、112個(gè)不合格組樣本)、用于建立分類模型； 預(yù)測(cè)集樣本76個(gè) (20個(gè)合格組樣本、56個(gè)不合格組樣本)、用于驗(yàn)證分類模型性能。

1.2.2 光譜采集

將樣本置于4 mm光程的比色皿中、并采用QualitySpec光譜儀以全透射方式獲取樣本的光譜。光譜采集時(shí)間和掃描次數(shù)分別為68 ms和50次、光譜參比為空比色皿。

1.2.3 數(shù)據(jù)處理與分析

采用主成分分析(PCA)方法提取樣本光譜的前10個(gè)主成分、并初步判斷兩類樣本的可分性。

利用UVE和SPA兩種方法對(duì)樣本光譜數(shù)據(jù)進(jìn)行波長(zhǎng)變量篩選、獲取對(duì)分類模型有用的信息變量。然后、應(yīng)用線性判別分析 (LDA)、偏最小二乘-線性判別分析(PLS-LDA)及判別偏最小二乘(DPLS)方法建立兩類樣本的分類模型、并利用預(yù)測(cè)集樣本對(duì)分類模型性能進(jìn)行驗(yàn)證、并與未經(jīng)波長(zhǎng)變量篩選的分類模型進(jìn)行比較。UVE和SPA方法的具體原理詳見文獻(xiàn)[18-20]。

對(duì)于UVE分析、蒙特卡羅(MC)抽樣次數(shù)及抽樣比率分別為1 000和0.8、提取的最大主成分?jǐn)?shù)設(shè)為20。對(duì)于SPA分析、MC抽樣次數(shù)及抽樣比率與UVE方法相同、變量抽取數(shù)為20。UVE、SPA及PLS-LDA方法在Matlab R2014a軟件(The Math Works、美國)中運(yùn)行完成、LDA及DPLS方法在Unscrambler X 10.1軟件(CAMO、挪威) 中運(yùn)行完成。

所建立的分類模型性能由分類正確率、靈敏度及特異性三個(gè)指標(biāo)進(jìn)行評(píng)價(jià)。靈敏度定義為合格組樣本被正確分類的比率、特異性定義為不合格組樣本被正確分類的比率。

2 結(jié)果與討論

2.1 主成分分析

圖1為所有合格組及不合格組樣本的可見/近紅外光譜。由圖1可知、樣本光譜在750～1 800 nm波段范圍內(nèi)基本重合、肉眼難以分辨差別； 而在350～750 nm波段范圍內(nèi)存在較大差異、該差異主要是由樣本之間的顏色深淺引起。在350～550 nm波段范圍、部分樣本的吸光度值遠(yuǎn)大于其他樣本、此類樣本為顏色較深的菜籽油及其配制樣本。因此、為排除樣本顏色對(duì)分類模型的干擾、將可見光波段去除。此外、光譜儀器末端噪聲大、去除1 781～1 800 nm波段范圍。最后、后續(xù)的數(shù)據(jù)分析將在780～1 780 nm波段范圍內(nèi)進(jìn)行、該波段范圍內(nèi)共含有1 001個(gè)波長(zhǎng)變量。

圖1 所有樣本的可見/近紅外光譜

應(yīng)用PCA方法在780～1 780 nm波段范圍內(nèi)提取樣本的前10個(gè)主成分。10個(gè)主成分的累積貢獻(xiàn)率為99.934%、前三個(gè)主成分的貢獻(xiàn)率分別為66.718%、26.043%及5.503%。圖2為樣本光譜的前三個(gè)主成分的得分圖。由圖2可知、部分合格組與不合格組樣本發(fā)生重疊、不能被有效分開。因此、需要更加有效的方法對(duì)兩類樣本進(jìn)行分類。

圖2 樣本光譜前3個(gè)主成分得分分布

2.2 變量選擇分析

2.2.1 UVE

利用UVE方法對(duì)樣本光譜的波長(zhǎng)變量進(jìn)行篩選。按照變量的穩(wěn)定性結(jié)果對(duì)波長(zhǎng)變量的重要性進(jìn)行排序、穩(wěn)定性值越大則表明波長(zhǎng)變量越重要。然后、將波長(zhǎng)變量按其穩(wěn)定性值從大到小依次加入分類模型并進(jìn)行交互驗(yàn)證建模、最后根據(jù)交互驗(yàn)證正確率最大原則確定最優(yōu)的波長(zhǎng)變量組合。

圖3為UVE分析的波長(zhǎng)變量穩(wěn)定性結(jié)果。由圖3可知、變量穩(wěn)定性值大于5的波長(zhǎng)變量有8個(gè)、處于4～5、3～4及2～3之間的波長(zhǎng)變量分別有27個(gè)、94個(gè)和192個(gè)、而小于2的波長(zhǎng)變量有680個(gè)。根據(jù)交互驗(yàn)證正確率最大原則、最終確定共有129個(gè)波長(zhǎng)變量被選擇。圖4為129個(gè)被選擇的波長(zhǎng)變量的分布情況。由圖4可知、對(duì)于129個(gè)被選擇的波長(zhǎng)變量、其在780～1 000、1 001～1 500及1 501～1 780 nm波段范圍內(nèi)的分布數(shù)量分別為39個(gè)、64個(gè)及26個(gè)。

圖3 UVE分析的波長(zhǎng)變量穩(wěn)定性結(jié)果

圖4 經(jīng)UVE方法選擇的波長(zhǎng)變量分布

2.2.2 SPA

利用SPA方法對(duì)樣本光譜的波長(zhǎng)變量進(jìn)行篩選。根據(jù)波長(zhǎng)變量的條件協(xié)同得分 (COSS)結(jié)果對(duì)波長(zhǎng)變量重要性進(jìn)行排序、COSS值越大則波長(zhǎng)變量越重要。然后、將波長(zhǎng)變量按其COSS值遞減順序依次加入分類模型并進(jìn)行交互驗(yàn)證建模、最后根據(jù)交互驗(yàn)證正確率最大原則確定最優(yōu)的波長(zhǎng)變量組合。

圖5為SPA分析的波長(zhǎng)變量COSS結(jié)果。由圖5可知、COSS值大于9的波長(zhǎng)變量有15個(gè)、處于8～9、7～8及6～7之間的波長(zhǎng)變量分別有42個(gè)、91個(gè)和156個(gè)、而小于6的波長(zhǎng)變量有697個(gè)。根據(jù)交互驗(yàn)證正確率最大原則、最終共有56個(gè)波長(zhǎng)變量被選擇。圖6為SPA方法選擇的波長(zhǎng)變量的分布情況。由圖6可知、對(duì)于56個(gè)被選擇的波長(zhǎng)變量、其在780～1 000、1 001～1 500及1 501～1 780 nm波段范圍內(nèi)的分布數(shù)量分別為9個(gè)、30個(gè)及17個(gè)。

圖5 SPA分析中波長(zhǎng)變量的COSS值結(jié)果

圖6 經(jīng)SPA方法選擇的波長(zhǎng)變量分布

2.3 分類模型建立及預(yù)測(cè)

根據(jù)UVE和SPA方法的波長(zhǎng)變量篩選結(jié)果、采用LDA、PLS-LDA及DPLS方法建立分類模型、然后對(duì)預(yù)測(cè)集樣本進(jìn)行預(yù)測(cè)、并與未經(jīng)變量篩選的分類模型進(jìn)行比較。

表1為不同方法的分類模型的預(yù)測(cè)結(jié)果。由表1可知、經(jīng)UVE變量篩選后、LDA、PLS-LDA及DPLS方法所建立的分類模型性能均優(yōu)于相應(yīng)的未經(jīng)變量篩選的分類模型、且建模所用的波長(zhǎng)變量數(shù)減少了87.1%。經(jīng)SPA變量篩選后、LDA方法所建立的分類模型性能優(yōu)于未經(jīng)變量篩選的分類模型、而PLS-LDA及DPLS方法所建立的分類模型性能則比相應(yīng)的未經(jīng)變量篩選的分類模型略差、但建模所用的波長(zhǎng)變量數(shù)減少了94.4%。由此可見、UVE及SPA方法均為有效的變量選擇方法、且UVE方法優(yōu)于SPA方法。此外、對(duì)比LDA、PLS-LDA及DPLS方法、發(fā)現(xiàn)DPLS、UVE-DPLS及SPA-DPLS所建立的分類模型性能均優(yōu)于相應(yīng)的其他方法所建立的分類模型。上述分類模型中、UVE-DPLS所建立的分類模型性能最優(yōu)、其預(yù)測(cè)集的分類正確率、靈敏度及特異性分別為98.7%、95.0%和100.0%。圖7為UVE-DPLS所建立的分類模型對(duì)預(yù)測(cè)集樣本的預(yù)測(cè)結(jié)果。由圖7可知、僅有1個(gè)不合格組樣本被誤判為合格組樣本。

表1 不同方法建立的分類模型的預(yù)測(cè)結(jié)果

Notes: A: LDA; B: PLS-LDA; C: DPLS

圖7 UVE-DPLS分類模型對(duì)預(yù)測(cè)樣本的預(yù)測(cè)結(jié)果

3 結(jié) 論

利用近紅外光譜技術(shù)結(jié)合變量選擇方法對(duì)食用植物油中的腐霉利進(jìn)行定性檢測(cè)研究。結(jié)果表明、近紅外光譜技術(shù)可以對(duì)兩類樣本 (不同腐霉利濃度的食用植物油)進(jìn)行分類。UVE方法可以有效篩選有用波長(zhǎng)變量、提高分類模型的性能。UVE-DPLS所建立的分類模型性能最優(yōu)、其預(yù)測(cè)集樣本的分類正確率、靈敏度及特異性分別為98.7%、95.0%和100.0%。

[1] Cai J X,Wang Y F,Xi X G,et al. International Journal of Biological Macromolecules,2015,78: 439.

[2] Chen H,Tan C,Wu T,et al. Spectrochimica Acta Part A-Molecular and Biomolecular Spectroscopy,2014,130(17): 245.

[3] Zhang L,Zhang X,Ni L,et al. Food Chemistry,2014,145(4): 342.

[4] Sun T,Lin H,Xu H,et al. Postharvest Biology and Technology,2009,51(1): 86.

[5] Li J H,Danao M G C,Chen S F,et al. Journal of Near Infrared Spectroscopy,2015,23(2): 85.

[6] Huang L,Zhao J W,Zhang Y H,et al. Analytical Methods,2012,4(11): 3816.

[7] XIONG Yan-mei,TANG Guo,DUAN Jia,et al(熊艷梅,唐 果,段 佳,等). Chinese Journal of Analytical Chemistry(分析化學(xué)),2012,40(9): 1434.

[8] Zhang Y,Xiang B,Dong Y,et al. Analytical Letters,2013,46(17): 2739.

[9] Salguero-Chaparro L,Gaitán-Jurado A J,Ortiz-Somovilla V,et al. Food Control,2013,30(2): 504.

[10] Jamshidia B,Mohajerani E,Jamshidi J,et al. Food Additives & Contaminants: Part A,2015,32(6): 857.

[11] CHEN Jing-jing,LI Yong-yu,WANG Wei,et al(陳菁菁,李永玉,王 偉,等). Transactions of the Chinese Society for Agricultural Machinery(農(nóng)業(yè)機(jī)械學(xué)報(bào)),2010,41(10): 134.

[12] Nerea A,Silvia A,Carmen J. Pest Management Science,2013,69(4): 471.

[13] Sánchez M T,Flores-Rojas K,Guerrero J E,et al. Pest Management Science,2010,66(6): 580.

[14] DAI Fen,ZHANG Kun,HONG Tian-sheng,et al(代 芬,張 昆,洪添勝,等). Journal of Agricultural Mechanization Research(農(nóng)機(jī)化研究),2010,10: 111.

[15] Zhou Y,Xiang B,Wang Z,et al. Analytical Letters,2009,42(10): 1518.

[16] SUO Shao-zeng,LIU Cui-ling,WU Jing-zhu,et al(索少增,劉翠玲,吳靜珠,等). Transducer and Microsystem Technologies(傳感器與微系統(tǒng)),2012,31(10): 136.

[17] YUAN Wen-bo,XIANG Bing-ren,ZHAO Lu-hua,et al(袁文博,相秉仁,趙陸華,等). Journal of China Pharmaceutical University(中國藥科大學(xué)學(xué)報(bào)),2012,43(2): 164.

[18] Centner V,Massart D L,Denoord O E,et al. Analytical Chemistry,1996,68(21): 3851.

[19] Li H D,Zeng M M,Tan B B,et al. Metabolomics,2010,6(3): 353.

[20] Li H D,Liang Y Z,Xu Q S,et al. Journal of Chemometrics,2010,24(7-8): 418.

*Corresponding author

Qualitative Detection of Procymidone in Edible Vegetable Oils by Near Infrared Spectroscopy and Variable Selection Methods

SUN Tong,MO Xin-xin,LI Xiao-zhen,WU Yi-qing,LIU Mu-hua*

Optics-Electronics Application of Biomaterials Lab、Jiangxi Agricultural University、Nanchang 330045、China

In this research,near infrared (NIR) spectroscopy was used to detect procymidone in edible vegetable oils qualitatively. Edible vegetable oil samples with different procymidone contents were classified to two groups according to boundary line of maximum residue limit of procymidone in national standard. QualitySpec spectrometer was used to acquire spectra of two group samples,then uninformative variable elimination (UVE) and subwindow permutation analysis (SPA) were used to select informative wavelength variables. At last,several methods such as linear discriminant analysis (LDA),partial least squares-linear discriminant analysis (PLS-LDA) and discriminant partial least squares (DPLS) were used to develop classification models. The results indicate that NIR spectroscopy is feasible to classify the two group samples. UVE method can select informative wavelength variables effectively,and improve the performance of classification model. The best model is developed by UVE-DPLS method,the classification correct rate,sensitivity and specificity of prediction samples in this model are 98.7%,95.0% and 100.0%,respectively.

Near infrared; Procymidone; Qualitative detection; Variable selection; Edible vegetable oil

Oct. 23,2015; accepted Feb. 15,2016)

2015-10-23、

2016-02-15

國家自然科學(xué)基金項(xiàng)目(31271612)、江西省自然科學(xué)基金項(xiàng)目(20151BAB204025)、江蘇省農(nóng)產(chǎn)品物理加工重點(diǎn)實(shí)驗(yàn)室開放基金項(xiàng)目(JAPP2013-6)資助

孫 通、1983年生、江西農(nóng)業(yè)大學(xué)講師 e-mail：suntong980@163.com *通訊聯(lián)系人 e-mail：suikelmh@sohu.com

TS207.3

A

10.3964/j.issn.1000-0593(2016)12-3915-05