激光誘導(dǎo)擊穿光譜結(jié)合CARS變量選擇方法定量檢測(cè)倍硫磷含量

劉 津，甘蘭萍，孫 通*，劉木華

(1.江西農(nóng)業(yè)大學(xué) 工學(xué)院，江西省高校生物光電技術(shù)及應(yīng)用重點(diǎn)實(shí)驗(yàn)室，江西 南昌 330045；2.江西省果蔬采后處理關(guān)鍵技術(shù)及質(zhì)量安全協(xié)同創(chuàng)新中心，江西 南昌 330045)

激光誘導(dǎo)擊穿光譜結(jié)合CARS變量選擇方法定量檢測(cè)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(nóng)業(yè)大學(xué) 工學(xué)院，江西省高校生物光電技術(shù)及應(yīng)用重點(diǎn)實(shí)驗(yàn)室，江西 南昌 330045；2.江西省果蔬采后處理關(guān)鍵技術(shù)及質(zhì)量安全協(xié)同創(chuàng)新中心，江西 南昌 330045)

利用雙脈沖激光誘導(dǎo)擊穿光譜(LIBS)技術(shù)對(duì)溶液中的倍硫磷含量進(jìn)行定量檢測(cè)。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(duì)光譜進(jìn)行多元散射校正(MSC)、標(biāo)準(zhǔn)正態(tài)變量變換(SNV)及3點(diǎn)平滑預(yù)處理，根據(jù)偏最小二乘(PLS)建模確定最優(yōu)的預(yù)處理方法。在此基礎(chǔ)上，利用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法(CARS)篩選與倍硫磷相關(guān)的重要變量，然后應(yīng)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(jìn)行比較。結(jié)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(yōu)，其模型的校正集和預(yù)測(cè)集的決定系數(shù)及平均相對(duì)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(zhǎng)變量，但預(yù)測(cè)集平均誤差卻由9.829%下降為5.016%。由此可見，LIBS技術(shù)檢測(cè)溶液中的倍硫磷含量具有一定的可行性，且CARS方法能簡(jiǎn)化定量分析模型，提高模型的預(yù)測(cè)精度。

激光誘導(dǎo)擊穿光譜技術(shù)(LIBS)；偏最小二乘法(PLS)；競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法(CARS)；倍硫磷

倍硫磷是一種有機(jī)磷農(nóng)藥，主要用于預(yù)防植物病蟲害。由于殺蟲效果好且速度快，在我國(guó)農(nóng)業(yè)生產(chǎn)中應(yīng)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(jī)磷農(nóng)藥中毒。在我國(guó)，急性有機(jī)磷農(nóng)藥中毒病死率達(dá)8.5%～58.6%。目前發(fā)達(dá)國(guó)家已對(duì)倍硫磷進(jìn)行嚴(yán)格監(jiān)管。澳大利亞農(nóng)藥和獸藥管理局[1]認(rèn)為倍硫磷產(chǎn)品會(huì)通過食品和職業(yè)暴露對(duì)人類健康和環(huán)境帶來巨大風(fēng)險(xiǎn)。因此，非常有必要對(duì)倍硫磷含量進(jìn)行快速檢測(cè)。

目前，倍硫磷含量的測(cè)定方法主要有原子吸收分光光度法、電感耦合等離子體-質(zhì)譜法、電感耦合等離子體-發(fā)射光譜法等。但上述方法均需對(duì)樣品進(jìn)行較為復(fù)雜的前處理，且檢測(cè)時(shí)間長(zhǎng)；同時(shí)，對(duì)實(shí)驗(yàn)環(huán)境以及實(shí)驗(yàn)人員要求較高。激光誘導(dǎo)擊穿光譜(Laser induced breakdown spectroscopy，LIBS)作為一種新興的現(xiàn)代分析技術(shù)，對(duì)樣品前期處理較少，且可同時(shí)檢測(cè)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(cè)系統(tǒng)獲取等離子體信號(hào)，然后根據(jù)信號(hào)的峰位及強(qiáng)度對(duì)物質(zhì)元素進(jìn)行定性及定量分析。目前，LIBS已廣泛用于地質(zhì)[2-3]、冶金[4-5]、醫(yī)藥[6-7]、水體[8-9]、食品[10-11]、太空[12-13]等領(lǐng)域中的物質(zhì)元素檢測(cè)。張勇等[14]采用LIBS技術(shù)對(duì)焊絲樣品中的硅、錳、磷、硫、鉻及鎳元素進(jìn)行測(cè)定，通過分析標(biāo)準(zhǔn)樣品建立了上述元素的譜線強(qiáng)度與其質(zhì)量分?jǐn)?shù)之間的標(biāo)準(zhǔn)曲線，相關(guān)系數(shù)為0.989～0.999。Bengston等[15]基于單點(diǎn)校準(zhǔn)，提出了一種數(shù)學(xué)模型來評(píng)定所得數(shù)據(jù)，發(fā)現(xiàn)鋼中的碳、硅、錳、磷、硫及鋁等元素均可被測(cè)定，相對(duì)標(biāo)準(zhǔn)偏差(RSD)僅百分之幾，而爐渣中的RSD則在10%左右?？偨Y(jié)上述文獻(xiàn)發(fā)現(xiàn)，對(duì)于磷元素的LIBS檢測(cè)，大部分研究主要集中在冶金領(lǐng)域；而有機(jī)磷農(nóng)藥及其他領(lǐng)域的磷元素LIBS檢測(cè)研究甚少。

LIBS檢測(cè)過程由于易受到激光能量波動(dòng)、樣品不均勻等因素影響，檢測(cè)結(jié)果不夠穩(wěn)定。為提高檢測(cè)的精度和穩(wěn)定性，多采用多元變量分析方法對(duì)數(shù)據(jù)進(jìn)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(shù)據(jù)并建立Ca和Al含量的定量分析模型。結(jié)果表明，PLS方法能夠提高LIBS對(duì)緬甸翡翠的定量測(cè)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(jié)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(yù)測(cè)相對(duì)誤差在6.4%和7.1%以內(nèi)，優(yōu)于單變量方法。由以上文獻(xiàn)可知，單變量方法的定標(biāo)曲線相關(guān)系數(shù)較低，對(duì)待測(cè)樣品的預(yù)測(cè)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(cè)樣品的預(yù)測(cè)誤差。

由于LIBS光譜儀精度高，其光譜波長(zhǎng)變量眾多，大多為幾千個(gè)。當(dāng)采用全波段進(jìn)行PLS建模時(shí)，很容易造成模型過擬合。若對(duì)光譜變量進(jìn)行優(yōu)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(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法(Competitive adaptive reweighted sampling，CARS)是一種新穎且有效的波長(zhǎng)變量選擇方法，已應(yīng)用于近紅外以及高光譜數(shù)據(jù)的波長(zhǎng)變量篩選[18-19]。

本研究利用雙脈沖LIBS技術(shù)檢測(cè)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(zhǎng)變量，然后應(yīng)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(jìn)行比較。

1 實(shí)驗(yàn)部分

1.1 實(shí)驗(yàn)材料

實(shí)驗(yàn)所用的倍硫磷為乳油狀醫(yī)用倍硫磷，由新沂市泰松化工有限公司生產(chǎn)，有效成分含量為50%。甲苯(分析純)由上海潤(rùn)捷化學(xué)試劑有限公司生產(chǎn)，純度98%。

為獲得不同倍硫磷濃度的樣品，將醫(yī)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(dòng)等，影響光譜采集效果。因此，本實(shí)驗(yàn)采用石墨吸附倍硫磷溶液，將液體樣品轉(zhuǎn)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(fēng)干。

取其中9個(gè)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(xùn)練集)，剩余3個(gè)(含量為1.0、2.5、4.0 g/kg)作為驗(yàn)證樣品(預(yù)測(cè)集)。

1.2 實(shí)驗(yàn)儀器及光譜采集

圖1 LIBS實(shí)驗(yàn)裝置圖Fig.1 Diagram of experimental installation

實(shí)驗(yàn)所用的LIBS 檢測(cè)系統(tǒng)(見圖1)由光譜儀、激光器、DG645數(shù)字脈沖信號(hào)發(fā)生器、光纖、透鏡、反射鏡、旋轉(zhuǎn)載物臺(tái)及計(jì)算機(jī)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(gè)數(shù)據(jù)點(diǎn)。激光器為Vlite-200型共軸雙脈沖激光器(北京Beamtech公司)，波長(zhǎng)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(shù)據(jù)處理與分析

CARS方法模擬達(dá)爾文進(jìn)化論“適者生存”原則，將每個(gè)變量看作獨(dú)立個(gè)體，然后利用自適應(yīng)重加權(quán)采樣技術(shù)選擇模型中回歸系數(shù)絕對(duì)值較大的變量，同時(shí)去掉權(quán)重較小的變量，從而獲得一系列變量的子集。最后，根據(jù)交互驗(yàn)證均方根誤差(RMSECV)值最小原則，選擇最優(yōu)變量子集，其具體原理及算法見文獻(xiàn)[20]。

本研究根據(jù)LIBS 圖譜特征，選擇210～260 nm波段進(jìn)行建模分析。采用多元散射校正(Multiplicative scatter correction，MSC)、標(biāo)準(zhǔn)正態(tài)變量變換(Standard normal variate，SNV)及3點(diǎn)平滑方法對(duì)上述光譜波段進(jìn)行預(yù)處理，并根據(jù)PLS建模結(jié)果確定最優(yōu)預(yù)處理方法。在此基礎(chǔ)上，采用CARS方法對(duì)光譜波長(zhǎng)變量進(jìn)行優(yōu)選，再應(yīng)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(shù)為14，蒙特卡羅(MC)采樣次數(shù)為50，根據(jù)RMSECV最小選擇最優(yōu)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(jié)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(zhǎng)在213.546 nm和253.56 nm處均能探測(cè)到獨(dú)立的光譜信號(hào)，根據(jù)美國(guó)NIST原子光譜數(shù)據(jù)庫和磷元素的光譜信息，可知上述2個(gè)波長(zhǎng)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(duì)12個(gè)樣品，將其253.6 nm處譜線強(qiáng)度與倍硫磷真實(shí)含量進(jìn)行擬合，結(jié)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(jié)果較差，這可能是由于磷元素為非金屬元素，LIBS光譜檢測(cè)信號(hào)較弱，光譜數(shù)據(jù)波動(dòng)較大導(dǎo)致，需尋求更好的數(shù)據(jù)處理方法。因此，嘗試采用PLS方法對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行定量分析。

2.2.2 PLS方法為提高倍硫磷的檢測(cè)精度，采用兩條磷元素譜線所在波段(210～260 nm)，并結(jié)合不同預(yù)處理方法進(jìn)行PLS建模。表1為不同預(yù)處理方法下倍硫磷含量的PLS建模結(jié)果。由表1可知，PLS模型的訓(xùn)練集和預(yù)測(cè)集決定系數(shù)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(jīng)MSC及SNV預(yù)處理后，PLS模型的訓(xùn)練集決定系數(shù)均小幅下降，平均誤差小幅增大；預(yù)測(cè)集決定系數(shù)小幅上升，平均誤差明顯增大。說明經(jīng)預(yù)處理后，PLS模型出現(xiàn)了輕微過擬合。綜合考慮上述建模結(jié)果，確定原始光譜的PLS結(jié)果最優(yōu)。

表1 不同預(yù)處理方法下倍硫磷含量的PLS建模結(jié)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(jié)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(jié)果最優(yōu)，因此采用CARS方法對(duì)210～260 nm波段原始光譜數(shù)據(jù)進(jìn)行變量?jī)?yōu)選。圖3為原始光譜下倍硫磷的CARS變量選擇結(jié)果。圖3A為波長(zhǎng)變量篩選過程中被選中波長(zhǎng)變量數(shù)的變化趨勢(shì)，被選中波長(zhǎng)變量數(shù)隨著采樣次數(shù)的增加而下降，下降的趨勢(shì)先快后慢，體現(xiàn)了波長(zhǎng)變量粗選和精選兩個(gè)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(guān)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(guān)的重要變量，從而導(dǎo)致RMSECV值上升。從圖3C中可以看出，“＊”所對(duì)應(yīng)的位置為RMSECV值最小，即35次采樣。根據(jù)RMSECV最小原則，最終選擇的波長(zhǎng)變量數(shù)為14個(gè)。

經(jīng)CARS變量選擇后，應(yīng)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(xùn)練集決定系數(shù)R2略有下降，僅為0.969 4，平均誤差增大至15.537%；而預(yù)測(cè)集決定系數(shù)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(zhǎng)變量，但預(yù)測(cè)集平均誤差卻由9.829%下降為5.016%，表明經(jīng)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(zhǎng)變量選擇方法，可以簡(jiǎn)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(duì)預(yù)測(cè)集樣品的預(yù)測(cè)結(jié)果Table 2 Prediction results of CARS-PLS model for prediction set samples

采用CARS-PLS定量分析模型對(duì)校正集樣品進(jìn)行預(yù)測(cè)，校正集樣品的真實(shí)含量和預(yù)測(cè)含量對(duì)應(yīng)關(guān)系較好，其決定系數(shù)R2為0.969 4。表2為CARS-PLS定量分析模型對(duì)預(yù)測(cè)集樣品的預(yù)測(cè)結(jié)果。由表2可知，3個(gè)樣品的相對(duì)誤差均在10%以下，平均相對(duì)誤差為5.016%，說明定量分析模型整體上有良好的準(zhǔn)確度。

3 結(jié) 論

本研究利用雙脈沖LIBS技術(shù)結(jié)合CARS變量選擇方法對(duì)溶液中的倍硫磷含量進(jìn)行定量檢測(cè)。研究結(jié)果表明，雙脈沖LIBS技術(shù)結(jié)合CARS方法可以用于溶液中倍硫磷含量的定量檢測(cè)，CARS-PLS定量分析模型校正集和預(yù)測(cè)集的決定系數(shù)及平均相對(duì)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(zhǎng)變量少，且模型性能優(yōu)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(jiǎn)化定量分析模型及提高定量分析模型的穩(wěn)定性。

[1] Yang G.PesticideMarketNews(楊光.農(nóng)藥市場(chǎng)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(xué)進(jìn)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(guó),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(xué)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(xué)技術(shù)-中醫(yī)藥現(xiàn)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(guó)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(cè)試學(xué)報(bào)),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(yàn)-化學(xué)分冊(cè)),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(qiáng),張倩.寶石和寶石學(xué)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(xué)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(nóng)業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)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(guó)農(nóng)機(jī)化學(xué)報(bào)),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(guó)家自然科學(xué)基金項(xiàng)目(31401278)；江西省自然科學(xué)基金項(xiàng)目(20151BAB204025)

*

：孫 通，博士，副教授，研究方向:農(nóng)產(chǎn)品/食品品質(zhì)與安全的光譜快速檢測(cè)，Tel:0791-83828104，E-mail:suntong980@163.com

10.3969/j.issn.1004-4957.2017.09.007