孫 通，吳宜青，劉秀紅，莫欣欣，劉木華*

1. 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

2. 江西出入境檢驗(yàn)檢疫局綜合技術(shù)中心，江西 南昌 330038

激光誘導(dǎo)擊穿光譜聯(lián)合UVE變量優(yōu)選檢測大豆油中的鉻含量

孫 通1，吳宜青1，劉秀紅2，莫欣欣1，劉木華1*

1. 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

2. 江西出入境檢驗(yàn)檢疫局綜合技術(shù)中心，江西 南昌 330038

利用激光誘導(dǎo)擊穿光譜(LIBS)技術(shù)對大豆油中的重金屬Cr進(jìn)行檢測研究。以松木木片對重金屬Cr進(jìn)行富集，采用AvaSpec雙通道高精度光譜儀在206.28～481.77 nm波段范圍內(nèi)采集松木木片樣本的LIBS光譜，利用無信息變量消除(UVE)方法篩選與重金屬Cr相關(guān)的波長變量，應(yīng)用偏最小二乘(PLS)回歸建立大豆油中重金屬Cr的定標(biāo)模型，并與單變量及全波段PLS定標(biāo)模型進(jìn)行比較。結(jié)果表明，相比單變量及全波段PLS定標(biāo)模型，UVE-PLS定標(biāo)模型的性能更優(yōu)，其相關(guān)系數(shù)、校正均方根誤差、交互驗(yàn)證均方根誤差及預(yù)測均方根誤差分別為0.990，0.045，0.050及0.054 mg·g-1。經(jīng)UVE變量篩選后，UVE-PLS定標(biāo)模型所用的波長變量數(shù)僅為全波段PLS的2%。由此可見，UVE是一種有效的波長變量篩選方法，能有效篩選出與重金屬Cr相關(guān)的波長變量。

激光誘導(dǎo)擊穿光譜；重金屬鉻；無信息變量消除；偏最小二乘；大豆油

引 言

大豆油是最為常見的食用植物油之一，由于價(jià)格低廉而深受普通家庭的歡迎，每年的消耗量巨大。鉻是一種毒性很大的重金屬，在人體內(nèi)累積過量會(huì)損傷DNA及腎、肝等內(nèi)臟器官，誘發(fā)基因突變及致癌。大豆油在原料種植、加工、運(yùn)輸及貯存等過程中均會(huì)不同程度地引入重金屬如鉻(Cr)。為保護(hù)人們的身體健康，有必要對大豆油中的鉻含量進(jìn)行監(jiān)測。

激光誘導(dǎo)擊穿光譜(laser induced breakdown spectroscopy，LIBS)技術(shù)是一種快速、原位、綠色的新興現(xiàn)代分析技術(shù)，可以用于各種元素的含量檢測。目前，LIBS技術(shù)已應(yīng)用于航天探測[1]、冶金[2]、礦業(yè)[3]、水體污染[4]、土壤污染[5]、果蔬污染[6]及農(nóng)田營養(yǎng)元素等領(lǐng)域中的物質(zhì)元素檢測。對于重金屬Cr的LIBS檢測，相關(guān)學(xué)者已做了一些研究。陳凱等采用LIBS技術(shù)對鋼液中的Cr元素進(jìn)行檢測，分別選用428.97和435.18 nm譜線為分析線，其定標(biāo)曲線的相關(guān)系數(shù)分別為0.899和0.927。孫蘭香等[7]應(yīng)用LIBS技術(shù)在線半定量分析鋼液中的Cr元素，比較不同特征譜線的結(jié)果，較好的定標(biāo)曲線相關(guān)系數(shù)達(dá)到0.947 6以上。Huang等[8]選用357.87, 359.35, 360.53, 425.43, 427.48及428.97 nm為Cr元素的特征譜線，分別以上述特征譜線建立水中Cr元素含量的定標(biāo)曲線，結(jié)果表明425.43 nm特征譜線所建立的定標(biāo)曲線較優(yōu)。王寅等[9]以石墨富集水中的Cr元素，選擇425.435 nm譜線為分析線，建立Cr元素的定標(biāo)曲線。Yu等[10]以普通打印紙富集水中的Cr元素，選用427.48 nm為其分析線，結(jié)果較好。Li等[11]對鋼鐵中的Cr元素含量進(jìn)行檢測，選用Cr元素的特征譜線及基體元素譜線作為人工神經(jīng)網(wǎng)絡(luò)的輸入，建立Cr元素的定標(biāo)模型，其定標(biāo)模型性能得到有效改善。此外，還有其他學(xué)者也采用LIBS對Cr元素進(jìn)行檢測研究[12-16]?？偨Y(jié)分析上述文獻(xiàn)發(fā)現(xiàn)，大多數(shù)研究采用單變量(某一特征譜線)方法建立Cr元素的定標(biāo)曲線，少部分研究則采用多元變量方法，多變量根據(jù)人為經(jīng)驗(yàn)進(jìn)行選擇；而采用變量選擇方法進(jìn)行多元變量篩選及大豆油中Cr元素含量檢測的相關(guān)研究甚少。

無信息變量消除(uninformative variable elimination，UVE)是一種新的變量選擇方法，可以有效篩選出有用信息的波長變量，已應(yīng)用于近紅外光譜數(shù)據(jù)的波長變量篩選[17-18]。

利用LIBS光譜技術(shù)對大豆油中的Cr含量進(jìn)行定量檢測研究，以松木木片對重金屬Cr進(jìn)行富集，采用UVE方法進(jìn)行變量篩選，并應(yīng)用偏最小二乘(partial least squares, PLS)回歸建立重金屬Cr的定標(biāo)模型。

1 實(shí)驗(yàn)部分

1.1 材料及樣本配制

所用的大豆油樣本購買于南昌沃爾瑪超市，乙酰丙酮鉻購買于國藥集團(tuán)化學(xué)試劑有限公司，純度為98%。甲苯由江蘇強(qiáng)盛化工有限公司生產(chǎn)。原始大豆油樣本中的鉻含量由國標(biāo)GB 5009.123—2014方法檢測，結(jié)果為未檢出。

為獲得不同鉻濃度的大豆油樣本，將乙酰丙酮鉻溶于甲苯，再加入大豆油中，充分溶解搖勻。最終，配制的大豆油樣本中的鉻濃度分別為0.05，0.1，0.2，0.4，0.6，0.8及1.0 mg·g-1。為避免液體飛濺、液面擾動(dòng)等因素對LIBS光譜的影響，將直徑20 mm、厚度4 mm的松木木片浸泡于上述配制好的大豆油樣本中，用于富集重金屬鉻，然后再將松木木片放入烘箱進(jìn)行烘干。

1.2 儀器及光譜采集

實(shí)驗(yàn)所用的LIBS檢測系統(tǒng) (見圖1)由光譜儀、激光器、DG535 數(shù)字脈沖信號發(fā)生器、光纖、透鏡、反射鏡、旋轉(zhuǎn)載物臺、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及321.46～481.77 nm，每通道各2 048個(gè)數(shù)據(jù)點(diǎn)。激光器為Nimma-200型Nd∶YAG激光器(鐳寶光電技術(shù)有限公司，北京)，波長為1 064 nm，脈寬為8 ns，頻率為2 Hz，最大激光能量為200 mJ。

圖1 LIBS檢測系統(tǒng)示意圖

將松木木片放置于旋轉(zhuǎn)樣品臺上，Nimma-200型Nd∶YAG激光器產(chǎn)生的激光經(jīng)反射鏡、穿孔反射鏡，再由透鏡Ⅰ匯聚于松木木片表面，對其表面物質(zhì)進(jìn)行燒蝕、電離，產(chǎn)生等離子體信號。等離子體信號經(jīng)透鏡Ⅰ匯聚，再由穿孔反射鏡反射至透鏡Ⅱ，聚集于光纖探頭，最終信號被AvaSpec雙通道高精度光譜儀獲取。對于LIBS光譜采集，其參數(shù)設(shè)置如下：積分時(shí)間為2 ms，延時(shí)時(shí)間為1.28 μs，平均次數(shù)為5，累積次數(shù)為10，激光器能量為120 mJ。對于每個(gè)松木木片，重復(fù)采集10次LIBS光譜，每次采集的光譜數(shù)據(jù)作為一條LIBS光譜。因此，每個(gè)松木木片均獲得10條LIBS光譜，7個(gè)松木木片樣本共有70條LIBS光譜。

1.3 數(shù)據(jù)處理

UVE是一種新變量選擇方法，根據(jù)變量的回歸系數(shù)穩(wěn)定性對變量進(jìn)行篩選，可以有效篩選出有用的信息變量，剔除無用或是冗余的信息變量，從而提高定標(biāo)模型的穩(wěn)定性和預(yù)測精度。UVE方法的基本分析步驟如下：將隨機(jī)噪聲矩陣加入到樣本光譜矩陣，采用PLS留一交叉驗(yàn)證進(jìn)行建模，獲得一組回歸系數(shù)，計(jì)算各個(gè)變量的回歸系數(shù)平均值與標(biāo)準(zhǔn)差的比值即變量穩(wěn)定性值[式(1)]，當(dāng)變量穩(wěn)定性值小于某一閾值時(shí)，該變量則被作為無用信息變量而剔除。UVE方法的詳細(xì)原理參見文獻(xiàn)[19]。

(1)

式中，Sj為變量j的穩(wěn)定性值，mean(Bj)為變量j的回歸系數(shù)平均值，std(Bj)為變量j的回歸系數(shù)標(biāo)準(zhǔn)差。

采用UVE方法篩選與重金屬Cr相關(guān)的波長變量，再應(yīng)用PLS方法建立大豆油中重金屬Cr的定標(biāo)模型，并與單變量定標(biāo)模型及全波段PLS定標(biāo)模型 (未經(jīng)UVE變量篩選)進(jìn)行比較。在UVE分析中，其參數(shù)如下：所加入的隨機(jī)噪聲矩陣的變量數(shù)為4 096個(gè)(與光譜矩陣的變量數(shù)一致)，變量穩(wěn)定性的閾值為99%隨機(jī)噪聲變量穩(wěn)定性的最大絕對值，PLS提取的最大主成分?jǐn)?shù)為15。

對于每個(gè)松木木片的10條LIBS光譜，按照6∶4比例隨機(jī)分配為校正集和預(yù)測集，即校正集共有42條LIBS光譜，用于建立定標(biāo)模型；預(yù)測集共有28條LIBS光譜，用于驗(yàn)證定標(biāo)模型的性能。定標(biāo)模型的性能由相關(guān)系數(shù)(r)、校正均方根誤差(root mean square error of calibration, RMSEC)、交互驗(yàn)證均方根誤差(root mean square error of cross validation, RMSECV)及預(yù)測均方根誤差(root mean square error of prediction, RMSEP)評價(jià)。相關(guān)系數(shù)越大，RMSEC，RMSECV及RMSEP越小且接近，則定標(biāo)模型的性能越好。數(shù)據(jù)處理分析在MATLAB 7.6.0(The Math Works，美國)及Unscrambler X 10.1軟件(CAMO公司，挪威)運(yùn)行完成。

2 結(jié)果與討論

2.1 單變量定標(biāo)模型

圖2為原始Cr濃度為0.4 mg·g-1的松木木片的LIBS光譜。根據(jù)美國NIST數(shù)據(jù)庫及LIBS系統(tǒng)標(biāo)定的特征波長，重金屬Cr較強(qiáng)的特征譜線主要為357.87，359.35，360.53，425.43，427.48及428.97 nm (見圖3)。

在校正集數(shù)據(jù)上，將上述6個(gè)重金屬Cr的特征譜線強(qiáng)度分別與其濃度進(jìn)行擬合，建立6個(gè)單變量定標(biāo)模型。而后，采用所建立的6個(gè)定標(biāo)模型分別對校正集及預(yù)測集數(shù)據(jù)進(jìn)行預(yù)測，其結(jié)果見表1。樣本數(shù)據(jù)的標(biāo)準(zhǔn)偏差為0.364 mg·g-1。由表1可知，6個(gè)特征譜線建立的定標(biāo)模型的相關(guān)系數(shù)均在0.97以上，RMSEC處于0.059～0.073 mg·g-1之間，RMSEP處于0.063～0.081 mg·g-1之間。對比上述6個(gè)定標(biāo)模型，357.87 nm特征譜線所建立的定標(biāo)模型性能最優(yōu)，其定標(biāo)模型的相關(guān)系數(shù)、RMSEC及RMSEP分別為0.985，0.059及0.063 mg·g-1。此外，357.87，359.35及360.53 nm特征譜線的定標(biāo)模型結(jié)果優(yōu)于425.43，427.48及428.97 nm的定標(biāo)模型，可能由于357.87，359.35及360.53 nm特征譜線的干擾較少所致。圖4為357.87 nm特征譜線建立的定標(biāo)模型對校正集及預(yù)測集數(shù)據(jù)的預(yù)測結(jié)果。

圖2 原始Cr濃度為0.4 mg·g-1的松木木片的LIBS光譜

圖3 三個(gè)不同鉻含量的松木木片的LIBS光譜

2.2 多變量定標(biāo)模型

2.2.1 UVE變量篩選

在校正集數(shù)據(jù)上，采用UVE方法篩選與重金屬Cr相關(guān)的波長變量。圖5為重金屬Cr的UVE變量穩(wěn)定性結(jié)果。圖5中，左側(cè)4 096個(gè)變量為真實(shí)的波長變量，而右側(cè)4 096個(gè)變量為所加入的隨機(jī)噪聲變量，垂直豎實(shí)線為兩者的分割線。兩條水平虛線為UVE方法的變量穩(wěn)定性的上下閾值，變量穩(wěn)定性值若處于兩水平虛線之間則該變量被作為無信息變量或冗余變量而剔除，反之則說明變量包含有用信息而被保留。經(jīng)UVE變量篩選后，共有83個(gè)波長變量的穩(wěn)定性值處于兩水平虛線之外而被保留，將近98%的波長變量被剔除。對于6個(gè)重金屬Cr的主要特征譜線(357.87，359.35，360.53，425.43，427.48，428.97 nm)，在UVE變量選擇過程中均被保留，即包含在83個(gè)波長變量中。

表1 不同特征譜線建立的重金屬Cr定標(biāo)模型的預(yù)測結(jié)果

Table 1 Predicted results of calibration models of chromium developed by different characteristic spectral lines

波長/nmrRMSEC/(mg·g-1)RMSEP/(mg·g-1)357 870 9850 0590 063359 350 9780 0710 070360 530 9830 0620 065425 430 9760 0730 080427 480 9780 0700 081428 970 9830 0610 081

圖4 定標(biāo)模型(357.87 nm)對校正集 及預(yù)測集數(shù)據(jù)的預(yù)測結(jié)果

圖5 重金屬Cr的UVE變量穩(wěn)定性結(jié)果

2.2.2 定標(biāo)模型建立

經(jīng)UVE變量篩選后，采用83個(gè)波長變量應(yīng)用PLS回歸建立重金屬Cr含量的定標(biāo)模型，利用定標(biāo)模型對校正集和預(yù)測集數(shù)據(jù)進(jìn)行預(yù)測，并將結(jié)果與未經(jīng)UVE變量篩選的PLS定標(biāo)模型進(jìn)行比較。表2為重金屬Cr的PLS定標(biāo)模型預(yù)測結(jié)果。由表2結(jié)果可知，與全波段PLS定標(biāo)模型相比，UVE-PLS定標(biāo)模型的性能更優(yōu)，相關(guān)系數(shù)由0.987上升為0.990，RMSEC，RMSECV及RMSEP由0.051，0.057和0.061 mg·g-1下降為0.045，0.050和0.054 mg·g-1，而所用的波長變量數(shù)由4 096個(gè)下降為83個(gè)，僅為全波段PLS定標(biāo)模型的2.0%。由此可見，UVE方法是一種有效的波長變量篩選方法，能有效篩選出與重金屬Cr相關(guān)的波長變量，而剔除無信息或冗余的波長變量，提高重金屬Cr定標(biāo)模型的預(yù)測精度。此外，將表2與表1的結(jié)果比較發(fā)現(xiàn)，UVE-PLS及全波段PLS定標(biāo)模型性能均要優(yōu)于單變量定標(biāo)模型，表明多變量定標(biāo)模型包含更多與重金屬Cr相關(guān)的信息，更適合用于建立重金屬Cr的定標(biāo)模型。圖6為UVE-PLS定標(biāo)模型對校正集及預(yù)測集數(shù)據(jù)的預(yù)測結(jié)果。

表2 重金屬Cr的PLS定標(biāo)模型預(yù)測結(jié)果

圖6 UVE-PLS定標(biāo)模型對校正集 及預(yù)測集數(shù)據(jù)的預(yù)測結(jié)果

3 結(jié) 論

利用LIBS光譜技術(shù)聯(lián)合UVE方法對大豆油中的重金屬Cr進(jìn)行檢測研究。研究結(jié)果表明，UVE-PLS定標(biāo)模型的性能優(yōu)于全波段PLS及單變量定標(biāo)模型，其相關(guān)系數(shù)、RMSEC、RMSECV及RMSEP分別為0.990，0.045 mg·g-1，0.050 mg·g-1及0.054 mg·g-1。UVE是一種有效的波長變量篩選方法，能有效篩選出與重金屬Cr相關(guān)的波長變量。經(jīng)UVE變量篩選后，UVE-PLS定標(biāo)模型所用的波長變量數(shù)僅為全波段PLS的2%。

[1] Gaudiuso R, Dell’Aglio M, Pascale O, et al. Sensors, 2010, 10(8): 7434.

[2] LI Jun-xiang, YANG You-liang, MENG Fan-wei, et al(李俊香, 楊友良, 孟凡偉, 等). Laser & Optoelectronics Progress(激光與光電子學(xué)進(jìn)展), 2013, 50: 031406.

[3] Yuan T, Wang Z, Li Z, et al. Analytica Chimica Acta, 2014, 807: 29.

[4] Tawfik W, Bousiakou L G, Qindeel R, et al. Optoelectronics and Advanced Materials-Rapid Communications, 2015, 9(1-2): 185.

[5] Kim G, Kwak J, Kim K R, et al. Journal of Hazardous Materials, 2013, 263(2): 754.

[6] Li W, Huang L, Yao M, et al. Journal of Applied Spectroscopy, 2014, 81(5): 850.

[7] SUN Lan-xiang, YU Hai-bin, CONG Zhi-bo, et al(孫蘭香, 于海斌, 叢智博, 等). Chinese Journal of Scientific Instrument(儀器儀表學(xué)報(bào)), 2011, 32(11): 2602.

[8] Huang L, Yao M, Xu Y, et al. Applied Physics B, 2013, 111(1): 45.

[9] WANG Yin, ZHAO Nan-jing, MA Ming-jun, et al(王 寅, 趙南京, 馬明俊, 等). Laser Technology(激光技術(shù)), 2013, 37(6): 808.

[10] Yu Y L, Zhou W D, Qian G, et al. Plasma Science & Technology, 2014, 16(7): 683.

[11] Li K, Guo L, Li C, et al. Journal of Analytical Atomic Spectrometry, 2015, 30(7): 1623.

[12] GU Yan-hong, LI Ying, TIAN Ye, et al(谷艷紅, 李 穎, 田 野, 等). Spectroscopy and Spectral Analysis(光譜學(xué)與光譜分析), 2014, 34(8): 2244.

[13] SHEN Qin-mei, ZHOU Wei-dong, LI Ke-xue(沈沁梅, 周衛(wèi)東, 李科學(xué)). Acta Photonica Sinica(光子學(xué)報(bào)), 2010, 39(12): 2134.

[14] GUO Rui, SONG Hai-yan(郭 銳, 宋海燕). Journal of Taiyuan University of Technology(太原理工大學(xué)學(xué)報(bào)), 2014, 45(9): 679.

[15] Wen G H, Sun D X, Su M G, et al. Plasma Science & Technology, 2014, 16(6): 598.

[16] ZHANG Da-cheng, MA Xin-wen, ZHAO Dong-mei, et al(張大成, 馬新文, 趙冬梅, 等). Chinese Journal of Pharmaceutical Analysis(藥物分析雜志), 2013, 33(12): 2070.

[17] Wu D, Chen X J, Zhu X G, et al. Analytical Methods, 2011, 3(8): 1790.

[18] LIU Xue-mei, LIU Jian-she(劉雪梅, 柳建設(shè)). Transactions of the Chinese Society for Agricultural Machinery(農(nóng)業(yè)機(jī)械學(xué)報(bào)), 2013, 44(3): 88.

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

(Received Aug. 11, 2015; accepted Dec. 9, 2015)

*Corresponding author

Detection of Chromium Content in Soybean Oil by Laser Induced Breakdown Spectroscopy and UVE Method

SUN Tong1，WU Yi-qing1，LIU Xiu-hong2，MO Xin-xin1，LIU Mu-hua1*

1. Optics-Electronics Application of Biomaterials Lab，Jiangxi Agricultural University，Nanchang 330045，China

2. Technical Center of Inspection and Quarantine，Jiangxi Entry-Exit Inspection and Quarantine Bureau, Nanchang 330038，China

In order to monitor chromium (Cr) content in soybean oil, laser induced breakdown spectroscopy (LIBS) was used to detect Cr content in this research. Pine wood chips was used to enrich heavy metal of Cr, and the spectra of pine wood chips were acquired in the wavelength range of 206.28～481.77 nm by a two-channel high-precision spectrometer. Then, uninformative variable elimination (UVE) method was used to select sensitive wavelength variables for heavy metal of Cr, and calibration model of Cr in soybean oil was developed with partial least squares (PLS) regression, the performance of the calibration model was compared to univariate and full PLS calibration models. The results indicate that the performance of UVE-PLS calibration model is better than that of univariate and full PLS calibration models, the correlation coefficient, root mean square error of calibration (RMSEC), root mean square error of cross validation (RMSECV), root mean square error of prediction (RMSEP) are 0.990, 0.045 mg·g-1, 0.050 mg·g-1and 0.054 mg·g-1, respectively. After UVE variable selection, the number of wavelength variables in UVE-PLS calibration model is about 2% of wavelength variables in full PLS calibration model. This means UVE is an effective variable selection method which can select correlative variables for heavy metal of Cr.

Laser induced breakdown spectroscopy; Chromium; Uninformative variable elimination; Partial least squares; Soybean oil

2015-08-11，

2015-12-09

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(20132BAB214010，20151BAB204025)資助

孫 通，1983年生，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)室講師 e-mail：suntong980@163.com *通訊聯(lián)系人 e-mail：suikelmh@sohu.com

S123

A

10.3964/j.issn.1000-0593(2016)10-3341-05