基于激光誘導擊穿光譜和神經網絡的蛋殼研究

葛一凡，陸 旭，劉玉柱，2*

(1.南京信息工程大學 物理與光電工程學院，南京 210044；2.南京信息工程大學 江蘇省大氣環(huán)境與裝備技術協(xié)同創(chuàng)新中心，南京 210044)

引 言

蛋類是生活中常見的食物，不論是蛋類還是蛋制品都具有非常高的營養(yǎng)價值，同時一些蛋制品也存在著食品安全問題，如皮蛋在由鴨蛋腌制而成的過程中可能會存在著重金屬元素鉛殘留的問題。關于皮蛋中鉛的殘留是一直以來大家關注的問題，在此之前也有過這方面的研究[1-2]，食用含鉛皮蛋會危害人體安全，嚴重的會導致鉛中毒。然而基于原位在線探測技術的蛋殼成分檢測和蛋類快速甄別一體化研究尚鮮見文獻報道。

激光誘導擊穿光譜技術(laser-induced breakdown spectroscopy,LIBS)技術是一種方便快捷并且準確度高的光電檢測手段，通過脈沖激光聚焦樣品表面形成等離子體后對等離子體發(fā)射光譜進行分析，具有探測元素種類多、樣品準備簡單、響應速度快、探測準確度高等優(yōu)點[3-5]，已被應用于多方面的探測與研究，如食品學[6]、藥學[7]、重金屬污染[8-10]、采礦冶金[11-13]等方面。

反向傳播神經網絡(back propagation neural network,BPNN)算法是一種按誤差反向傳播訓練的多層前饋網絡，由輸入層、隱藏層和輸出層組成，計算時正向傳輸，由輸入層至輸出層，之后會對輸出結果與期望值進行對比，若未達到期望效果，則會反向傳播，將輸出誤差經過隱藏層向輸入層逐層傳輸，并且會調整各層的權值以及各層之間的聯(lián)接強度。不斷重復這樣的過程，直至輸出結果達到期望效果則停止訓練[14]。

本文中結合LIBS技術與BPNN方法對蛋殼進行元素探測，同時對不同種類的蛋殼進行快速甄別，探究不同種類以及不同制作方法的蛋殼的元素差異。采用LIBS技術對被污染的皮蛋殼中的鉛元素進行探測，為蛋類的快速甄別以及污染蛋類的檢測提供一個新的研究方法。

1 實驗方案與裝置

本文中搭建了如圖1所示實驗裝置。選取市場采購的雞蛋、鴨蛋、鵪鶉蛋和皮蛋經過清水清洗以及靜置風干后作為實驗樣品。實驗過程中，激光經由反射鏡之后由透鏡聚焦在樣品表面，樣品表面原子在高溫下吸收能量發(fā)生能級躍遷，并在冷卻后釋放出相應的等離子體，光譜儀采集等離子體光譜后呈現(xiàn)在電腦端。實驗裝置已在一些參考文獻中有詳細介紹[15-16],其中，激光器是以Nd∶YAG為工作介質的，調Q時間為150μs，工作波長為1064nm，重復頻率為10Hz，持續(xù)時間為6ns，激光單次脈沖的最高能量為680mJ，本實驗中激光脈沖能量為100mJ；使用的平凸透鏡焦距為150mm；光譜儀的波長范圍為200nm～880nm，分辨率為0.1nm。

2 結果與討論

2.1 蛋殼元素快速檢測

實驗中采用LIBS技術對蛋殼進行快速的元素分析，所選取的樣品是單個鴨蛋殼，對樣品進行LIBS探測后所得的全通道譜線如圖2所示。譜線被分成200nm～320nm(見圖2a)，320nm～470nm(見圖2b)，480nm～680nm(見圖2c)和690nm～880nm(見圖2d)4個波段分析。將實驗所得譜線數據與美國國家標準與技術研究院(National Institute of Standards and Technology，NIST)數據庫中的數據相對應并且在誤差范圍內進行元素的標定。分析實驗光譜并結合實際條件，發(fā)現(xiàn)鴨蛋殼中含有Si，Cu，Ca，Mg，Al，C，Na等元素。Cu是重金屬元素，同時也是重要的營養(yǎng)元素，實驗中檢測到Cu元素的多個特征峰，包含了Cu的原子態(tài)和離子態(tài)(Cu Ⅰ 213.598nm，Cu Ⅰ 221.458nm，Cu Ⅱ 224.700nm和Cu Ⅰ 223.008nm等)；還有金屬元素Al(Al Ⅱ 308.215nm，Al Ⅱ 309.271nm，Al Ⅰ 394.401nm和Al Ⅰ 396.152nm等)，金屬元素Mg(Mg Ⅱ 279.553nm，Mg Ⅱ 279.800nm，Mg Ⅱ 280.271nm和Mg Ⅰ 285.213nm等)。

Fig.2 LIBS spectrum of duck eggshell

2.2 蛋類的快速甄別

圖3是雞蛋殼、鴨蛋殼和鵪鶉蛋殼在200nm～320nm波段內的LIBS譜線。當前對于不同蛋類的區(qū)分是基于蛋殼的顏色不同，但當幾種蛋殼的顏色較為相近時，根據顏色分析就會有一定的難度，本文中為了研究不同蛋類的甄別，選取了3種部分區(qū)域顏色相近的蛋殼(雞蛋殼、鴨蛋殼和鵪鶉蛋殼)。實驗中，3種蛋類各選取一個樣品進行試驗。將實驗中得到的LIBS譜線圖與NIST數據庫相對應后進行元素的標定，通過實際情況結合光譜分析，3種蛋殼的譜線在200nm～320nm這一范圍內存在較為明顯的區(qū)別。在200nm～320nm內，3種蛋殼均被檢測到Ca，Mg，C元素，其中雞蛋殼含有最少的元素種類；鴨蛋殼被檢測到的譜線峰最多，含有的元素種類最多，被檢測到了除Ca，Mg，C元素外的Si，Al，Cu元素；鵪鶉蛋殼除Ca，Mg，C元素還被檢測到P等元素。

Fig.3 LIBS spectrum of eggshell, duck eggshell, and quail eggshell in the 200nm～320nm band

在剩余波段的譜線中，3種蛋殼的LIBS譜線差異較小，均探測到Ca，C，Mg，N，O等元素，其中鴨蛋殼的譜線多出一些Cu元素的特征峰(510.554nm，521.820nm等)，Si元素的特征峰(670.698nm等)，雞蛋殼以及鵪鶉蛋殼的譜線相似。

實驗中采用LIBS技術與BPNN相結合的方法對不同蛋殼進行甄別工作的研究，在分類之前，所采集到的空氣的LIBS譜線，對于本研究是無效數據，同時還有一些峰值達到飽和的譜線也是無效譜線，算法會以此為基礎，在實驗得到的所有譜線中選擇出有效譜線進行后續(xù)的處理。雞蛋殼、鴨蛋殼和鵪鶉蛋殼都選擇200組的譜線數據，其中80%作為分類集，20%作為測試集。算法對譜線數據進行主成分分析(principal component analysis，PCA)、相關主成分(principal component,PC)的方差貢獻率和累計貢獻率如表1所示。其中91.0247%的貢獻率來自于前3個主成分，貢獻率分別為42.2870%，34.7557%，8.9822%，說明這3個主成分大體包含了蛋殼樣品的大部分信息，因此，分類時以這3個主成分進行分析。分類的結果如圖4所示，其中3維坐標分別為3個主成分的得分，圓形的數據點為雞蛋殼，六角星的數據點為鴨蛋殼，五角星的數據點為鵪鶉蛋殼。根據分類結果，3種蛋殼可以明顯地區(qū)分開，達到了預期的實驗效果。

Table 1 Variance contribution rate of each principal component (eggshell, duck eggshell, and quail eggshell)

Fig.4 Classification results of eggshell, duck eggshell, and quail eggshell

在得到了分類結果之后，算法會對分類結果進行檢驗，測試集是上面提到的200組數據中的20%的數據。經驗證，此次分類工作的準確度為94.167%，與采用BPNN在其它領域中的工作相比較時準確度是比較高的：YANG等人將BPNN應用于生物識別領域，達到了92.77%的準確率[17]；CHENG等人將BPNN應用于地理方面研究，達到了86.8%和80.2%的準確率[18]。對于之后的盲檢，對樣品經過上面描述的處理之后，根據得到的數據點位于圖中的位置可以得出未知譜線對應的蛋殼種類，能夠完成蛋類的快速甄別。

在對樣品進行選取時，3種蛋類各選取了一個樣品進行實驗與研究，對于來自不同地區(qū)、不同飼養(yǎng)場的這3種蛋類而言，由于生產環(huán)境、飼料選取等方面存在差異，所以結果也會受到影響。實驗中以選取的樣品為例，就3種蛋殼的元素探究以及分類提供一個思路與方法，并且將該方法應用于不同場景下的蛋殼分類。

LIBS和BPNN有著非常好的適配性，BPNN算法可以直接處理LIBS采集到的光譜數據，由于BPNN已經完成了對應的訓練，可以直接分析出譜線所對應的蛋殼種類，并且結合LIBS技術本身的優(yōu)勢，系統(tǒng)的響應速度快，檢測結果迅速，兩者結合的測試方法能夠做到非常好的時效性和較高的準確率。LIBS技術與BPNN算法相結合的方法也可以應用于更多的場景，LIBS的測試樣品要求低，測試種類齊全，并且BPNN的應用范圍也很廣泛，所以LIBS與BPNN相結合有著很好的研究前景。

2.3 蛋類不同制作方法的蛋殼的鑒別

前面對于不同種類的蛋殼進行了甄別，本節(jié)中將研究范圍擴展到蛋類的不同制作方法的蛋殼的分類。選取鴨蛋殼和由鴨蛋腌制而得的皮蛋殼為實驗樣品。實驗中，各選取一個鴨蛋殼和皮蛋殼作為樣品，采用LIBS技術對兩種蛋殼進行元素分析，將兩種蛋殼的LIBS譜線進行比較后發(fā)現(xiàn)在200nm～320nm內存在一定的差異，該范圍內譜線對比圖如圖5所示。兩種蛋殼的LIBS譜線整體較為相似，檢測出的元素種類也大體相同，但Si元素的一些特征峰(如Si Ⅰ 250.690nm，Si Ⅰ 251.611nm，Si Ⅰ 252.411nm，Si Ⅰ 252.851nm和Si Ⅰ 263.128nm)只在鴨蛋殼中被檢測出來，皮蛋殼中卻沒有，對此，參考文獻中鮮有報道，作者猜測是由于腌制過程中發(fā)生的化學反應對蛋殼中的元素產生了一定的影響。

Fig.5 LIBS spectrum of duck eggshell and preserved eggshell in the 200nm～320nm band

采用前面介紹的BPNN算法，結合實驗所得的鴨蛋殼和皮蛋殼的LIBS譜線來對兩種蛋殼實現(xiàn)分類工作。同樣由算法對譜線數據進行篩選后進行主成分分析，相關主成分的方差貢獻率和累計貢獻率如表2所示。其中92.6120%的貢獻率來自于前3個主成分，貢獻率分別為56.6306%，27.6369%和8.3445%，這3個主成分大體包含了蛋殼樣品的大部分信息，所以分類時以這3個主成分進行分析，所得結果如圖6所示。

Fig.6 Classification results of duck eggshell and preserved eggshell

其中圓形數據點為皮蛋殼，六角星數據點為鴨蛋殼，3個坐標軸分別為3個主成分的得分，分類結果顯示兩種蛋殼之間有著明顯的區(qū)別，并且經過驗證之后，區(qū)分的準確率達到了97.5%，能夠達到鑒別兩種不同蛋殼的效果。

本節(jié)中將實驗對象進行了擴展，從不同種類的蛋殼拓展到同種蛋類不同產品的殼，選取的樣品為采購的同一出處的鴨蛋和皮蛋，不同來源的樣品對實驗結果是存在一定的影響的，但是不同蛋制品的制作方法是較為固定的，實驗以采購的樣品為例，研究和建立LIBS技術和BPNN算法的結合方法，用于不同制作方法的蛋制品的殼的分類，為后續(xù)不同產地、不同來源、不同制作方法的蛋類元素探測、分類與甄別提供思路。

2.4 蛋類的鉛污染研究

針對于蛋類的食品安全問題，本節(jié)中就蛋類的重金屬元素污染問題展開研究。皮蛋由于制作工藝，在腌制的過程中可能會存在鉛殘留的問題，一旦食用了污染的皮蛋會造成人體鉛中毒危害人的生命安全。因此為了探究蛋類重金屬元素污染問題，本文中選取了皮蛋為研究對象，調配體積分數為0.01的醋酸鉛溶液，將皮蛋放入調配好的溶液中完全浸泡10min后取出，紙巾擦拭干凈后作為實驗樣品，用同樣參量的激光進行LIBS探測。將得到的含鉛皮蛋殼的LIBS譜線與未作處理的皮蛋殼LIBS譜線進行對照，圖7為部分波段的兩者譜線對照圖。其中圖7a中為皮蛋殼的譜線，圖7b中為含鉛皮蛋殼的譜線。兩種蛋殼的譜線大體相同，但在圖中虛線所標示的波長處(217.000nm，282.319nm，283.305nm，287.331nm，363.956nm，368.346nm，405.780nm)，只有含鉛皮蛋殼的譜線有峰，將這些峰的波長一一與NIST譜線庫中已經記錄的鉛元素的特征峰波長進行對比，證實這些波長均為鉛元素特征峰的波長，說明可以采用LIBS技術對蛋類重金屬污染元素的探測與研究。

Fig.7 LIBS spectrum of preserved eggshells and leaded preserved eggshells in several bands

實驗模擬皮蛋的腌制中被重金屬鉛污染過程，配制不同體積分數的醋酸鉛溶液。將蛋殼浸泡在溶液中5min后取出吹干進行檢測，得到了如圖8所示的不同體積分數的溶液浸泡的皮蛋殼的譜線，圖中展示了Pb Ⅰ 405.780nm和Cu Ⅰ 407.558nm兩個特征峰的相對強度。溶液的體積分數降低時，鉛元素特征峰的強度也隨之降低，在溶液體積分數為5×10-6時，Pb Ⅰ 405.780nm的強度非常低，并且實驗時將體積分數再降低后檢測不到該特征峰，所以認為最低可以檢測到體積分數為5×10-6的溶液中的鉛元素。

Fig.8 Spectral lines of preserved eggshells soaked in different volume fractions of solutions

3 結 論

本文中結合LIBS和BPNN開展了對于蛋殼元素的相關研究。通過LIBS探測以及元素標定發(fā)現(xiàn)了鴨蛋殼中含有Si，Cu，Ca，Mg，Al，Na等元素，其中檢測到了明顯的并且完整的Cu元素和Al元素的特征峰。同樣對于雞蛋殼和鵪鶉蛋殼的元素探測發(fā)現(xiàn)，在200nm～320nm內，3種蛋殼均發(fā)現(xiàn)Ca，Mg，C元素，同時，在鵪鶉蛋殼中還發(fā)現(xiàn)了P等元素、在鴨蛋殼中還發(fā)現(xiàn)Cu，Si等元素。借助BPNN對這3種蛋殼進行分類，得到了較為明顯的區(qū)分圖，并且經過檢驗得到了94.167%的分類準確度。采用同樣的方法對鴨蛋殼和皮蛋殼進行分類，研究不同制作方法的蛋殼之間的元素區(qū)別，得到了97.5%的準確度。兩種分類的結果以及檢驗結果的準確率都是很高的，說明LIBS與BPNN的結合可以很好地做到對于不同種類的蛋殼以及相同種類不同制作方法的蛋殼的分類。由于皮蛋的制作過程中存在鉛元素的殘留問題，食用含鉛皮蛋會對人體安全造成影響并存在鉛中毒的可能，實驗中通過LIBS對污染的皮蛋殼進行探測，檢測到了蛋殼中多條鉛元素的特征峰并進行了標定，為蛋類的污染檢測以及污染元素判定提供了新的方法。同時實驗模擬皮蛋的腌制中被重金屬鉛污染過程，結果表明，最低可以檢測到體積分數為5×10-6的溶液浸泡的皮蛋殼中的鉛元素。