DOI： 10.13718/j.cnki.xdzk.2024.06.015

唐鑫，鄒佳岐，祝詩平，等．基于太赫茲成像技術(shù)的茶葉基質(zhì)表面多菌靈農(nóng)殘分布與檢測分析 ［J］．西南大學(xué)學(xué)報(bào)（自然科學(xué)版），2024，46（6）： 176-185．

收稿日期：20230521

基金項(xiàng)目：

國家自然科學(xué)基金項(xiàng)目（62005227，31771670）； 重慶市自然科學(xué)基金面上項(xiàng)目（cstc2020jcyj-msxmX0300）； 中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金項(xiàng)目（XDJK2019C081）．

作者簡介：

唐鑫，碩士研究生，主要從事太赫茲光譜檢測技術(shù)研究．

通信作者： 周勝靈，博士，副教授．

摘要：

采用太赫茲（THz）成像技術(shù)實(shí)現(xiàn)茶葉復(fù)雜基質(zhì)上多菌靈定位及質(zhì)量濃度分析．首先提取多菌靈壓片THz光譜，得到位于1.15 THz和1.32 THz處的特征吸收峰，證明了太赫茲光譜檢測多菌靈成分的有效性．其次，對(duì)比不同茶葉基質(zhì)上多菌靈成像效果，確定最佳樣本制備條件； 制備800，1 700，2 300，3 000，3 700，4 500，5 000 mg/L 7個(gè)不同質(zhì)量濃度的茶葉農(nóng)殘樣本，采用時(shí)域切片法，選擇時(shí)間延遲為13.98 ps進(jìn)行成像，并進(jìn)行超分辨率重建，實(shí)現(xiàn)多菌靈區(qū)域精確定位．鑒于THz葉片圖像難以獲得參考圖像，采用自然圖像質(zhì)量評(píng)價(jià)（NIQE）、基于空間和光譜熵的無參考圖像評(píng)估（SSEQ）和無參考空間域質(zhì)量評(píng)估（BRISQUE） 3種評(píng)價(jià)方法對(duì)重建前后的圖像進(jìn)行質(zhì)量評(píng)估．結(jié)果表明，重建得到的圖像評(píng)分更優(yōu)，可以有效提高圖像分辨率．最后，采用圖像分割算法提取農(nóng)殘分布區(qū)域，建立光譜透射強(qiáng)度與農(nóng)藥質(zhì)量濃度的關(guān)系方程，實(shí)現(xiàn)多菌靈定量分析．

關(guān)" 鍵" 詞：

茶葉； 太赫茲； 超分辨率； 農(nóng)藥殘留； 多菌靈

中圖分類號(hào)：

TS272

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：16739868（2024）06017610

Localization and Analysis of Carbendazim Pesticide

Residues on The Surface of Tea Leaves Based

on Terahertz Spectral Imaging Technology

TANG Xin， ZOU Jiaqi， ZHU Shiping， ZHOU Shengling

College of Engineering and Technology，Southwest University，Chongqing 400715，China

Abstract：

This paper adopted terahertz （THz） imaging technology to realize the localization and concentration analysis of pesticide residues on such a complex matrix of tea sample．Firstly，the THz spectra of carbendazim compressed tablets were extracted and the characteristic absorption peaks were obtained to be located at 1.15 THz and 1.32 THz，proving that using terahertz spectral for the determination of carbendazim constituents were effective．Secondly，the imaging effect of pesticide residues on tea substrates with different water contents was compared to determine the optimal sample preparation conditions．Tea samples with different concentrations of pesticide residues were prepared at 800，1 700，2 300，3 000，3 700，4 500 and 5 000 mg/L，respectively．The time-domain slicing method was adopted and a time delay of 13.98 ps was chosen to image the samples．The samples were reconstructed with super-resolution to realize the precise localization of the pesticide residue areas．As it is difficult to obtain the reference image of the blade，this paper adopted three reference-free image evaluation methods，NIQE，SSEQ，and BRISQUE，to evaluate the quality of the images before and after reconstruction．The evaluation results showed that the scores of the reconstructed images were even better，indicating that the method was effective in improving the image quality．After extracting the distribution area of pesticide residues by using image segmentation algorithm，the correlation equation between transmittance intensity and concentration was established，and finally the quantitative analysis of pesticide residues was realized．This research demonstrated that it was feasible to visualize and quantitatively detect the distribution of pesticide residues on the surface of tea matrices based on THz imaging，and the study made a useful exploration for the localization and detection of pesticide residues on the surface of the matrices of complex crop samples．

Key words：

tea； Terahertz； super-resolution； pesticide residues； carbendazim

中國是茶葉的原產(chǎn)國，茶產(chǎn)業(yè)發(fā)展歷史悠久，是世界唯一六大茶類生產(chǎn)體系完備的國家，也是世界上最大的茶葉生產(chǎn)國和消費(fèi)國．2020年，全世界茶葉種植面積820.9萬hm2，茶葉產(chǎn)量626.9萬t．其中，中國種植面積509.8萬hm2，年產(chǎn)量424.4萬t，分別占62.1%和67.7%．然而，茶葉在種植、加工和存儲(chǔ)過程中可能會(huì)積累農(nóng)藥殘留，如果農(nóng)藥殘留超過限量，會(huì)給人體帶來健康風(fēng)險(xiǎn)．多菌靈（Carbendazim）是茶樹常用的廣譜殺菌劑［1］，對(duì)多種由真菌（如半知菌、多子囊菌等）引起的病害有較好的防治效果，具有廣譜、高效、化學(xué)性質(zhì)穩(wěn)定、半衰期長等特點(diǎn)．但其殘留一般很難自然消解，長期攝入會(huì)導(dǎo)致人體急性、慢性中毒，甚至有致畸、致癌和致突變的風(fēng)險(xiǎn)．隨著經(jīng)濟(jì)的快速發(fā)展，人們對(duì)茶葉的質(zhì)量安全提出了更高的要求，對(duì)茶葉農(nóng)殘檢測技術(shù)的研究更為關(guān)注．

近年來，國內(nèi)外研究人員對(duì)茶葉農(nóng)殘檢測方法進(jìn)行了多方面的探索．有學(xué)者利用基質(zhì)固相分散法對(duì)茶葉中的多種農(nóng)藥殘留進(jìn)行了檢測［2-3］．另有學(xué)者通過將表面增強(qiáng)拉曼散射（SERS）與超材料相結(jié)合，對(duì)茶葉中吡蟲啉、氯吡磷、多菌靈等農(nóng)藥殘留進(jìn)行了定量檢測［4-7］．王書濤等［8］采用FS920穩(wěn)態(tài)熒光光譜儀采集綠茶和鐵觀音兩種不同茶葉的熒光光譜，結(jié)合遺傳算法GA進(jìn)行定量分析，提高了農(nóng)藥殘留檢測的靈敏度．

上述茶葉農(nóng)殘檢測方法多基于化學(xué)試劑結(jié)合萃取法或光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)方法進(jìn)行定量分析，試驗(yàn)預(yù)處理時(shí)間長，成本高，且僅能估算農(nóng)殘濃度值而無法觀察農(nóng)殘?jiān)谌~片上的分布，因而限制了其在農(nóng)殘檢測領(lǐng)域的應(yīng)用．針對(duì)上述問題，本文采用太赫茲（THz）光譜成像技術(shù)對(duì)茶葉農(nóng)殘進(jìn)行定位和檢測．THz光譜對(duì)固態(tài)分子的排列、振動(dòng)和轉(zhuǎn)動(dòng)非常敏感［9］，可以通過振幅和相位信息對(duì)材料的成分及其結(jié)構(gòu)的細(xì)微變化進(jìn)行有效分析［10］，是一種重要的分析檢測技術(shù)［11］．Lee等［12］利用THz成像評(píng)估了麥穗霜凍的嚴(yán)重程度與發(fā)芽活力，為霜凍災(zāi)害后是否立即進(jìn)行麥穗收割提出了準(zhǔn)確建議，避免了經(jīng)濟(jì)損失．Zhang等［13］利用太赫茲成像和高光譜成像對(duì)水稻抗枯萎病種子進(jìn)行鑒定，實(shí)現(xiàn)了快速分類．目前，THz成像技術(shù)已被廣泛用于農(nóng)業(yè)［14］、食品［15］、生物醫(yī)學(xué)［16-17］和材料學(xué)［18］等領(lǐng)域的無損檢測中，具有廣闊的應(yīng)用前景．

本研究基于團(tuán)隊(duì)前期搭建的THz圖像超分辨率重建及評(píng)價(jià)完整機(jī)制［19］，對(duì)制備的茶葉多菌靈農(nóng)殘樣本進(jìn)行成像、重建、分析和評(píng)價(jià)，采用圖像分割算法對(duì)茶葉超分辨率重建圖像中的多菌靈區(qū)域進(jìn)行定位，提取多菌靈分布區(qū)域，進(jìn)一步加強(qiáng)THz圖像可視化能力，并根據(jù)圖像強(qiáng)度變化分析多菌靈殘留的質(zhì)量濃度．

1" 材料與方法

1.1" 儀器與設(shè)備

試驗(yàn)采用Advanced Photonix公司生產(chǎn)的T-Ray 5000太赫茲時(shí)域光譜系統(tǒng)進(jìn)行檢測．該光譜系統(tǒng)利用近紅外飛秒激光脈沖和LT-InGaAs光導(dǎo)天線產(chǎn)生相干探測THz超短脈沖．如圖1所示，在透射模式下將待測茶葉樣本固定在X-Y二維（2-D）移動(dòng)工作臺(tái)．樣本固定夾片由在THz頻段具有低吸收性的聚乙烯制成，以保證茶葉樣本平整、無卷曲變形．光柵掃描步長為0.2 mm，掃描速度為50 mm/s，測試環(huán)境溫度（22 ± 0.1） ℃，濕度為50%±2%，以空白聚乙烯固定夾片THz透射信號(hào)為參考信號(hào)進(jìn)行參數(shù)計(jì)算．

1.2" 材料與試劑

聚乙烯（Polyethylene，PE）購于Signa-aldrich公司，樣本呈固態(tài)粉末狀，純度大于98%，使用時(shí)未進(jìn)一步提純處理．多菌靈購于網(wǎng)絡(luò)平臺(tái)，由天津施普樂農(nóng)藥技術(shù)發(fā)展有限公司生產(chǎn)，性狀為可濕性粉劑，有效成分為80%，使用時(shí)未進(jìn)一步提純處理．試驗(yàn)所用茶葉均采摘于西南大學(xué)茶園．

1.3" 樣本制備

制樣過程中，分別將PE和多菌靈樣本固體粉末置于紅外烤燈下干燥3 h，取出冷卻至室溫，然后放入研缽中研磨，過100目篩后備用，反復(fù)3次，以減少顆粒引起的散射效應(yīng)．將研磨后的多菌靈粉末與PE粉末按65∶35的質(zhì)量比混合均勻后，取適量粉末置于壓片機(jī)中，加壓30 MPa持續(xù)壓制3 min，壓制成直徑約為13 mm，厚度1.0 mm，表面光滑無裂痕、上下面平行的圓形壓片．將壓片置于T-Ray 5000太赫茲時(shí)域光譜系統(tǒng)中，改變固定樣片的二維平移臺(tái)與THz波匯聚點(diǎn)的相對(duì)位置，每隔0.2 mm采集一個(gè)樣本點(diǎn)的光譜數(shù)據(jù)，共采集到363條有效光譜數(shù)據(jù)，得到的吸收譜如圖2所示．

將多菌靈可濕性粉劑溶于純凈水中，混合充分，得到800，1 200，1 700，2 000，2 300，3 000，3 700，4 500，5 000 mg/L共9個(gè)質(zhì)量濃度的多菌靈溶液．選用表面光滑無污染、無凹陷或缺損，左半葉和右半葉面積差異小，易展平的葉片．試驗(yàn)制作了2個(gè)批次的樣本，為了減少干擾并保護(hù)葉片表面生態(tài)，制作前均使用生理鹽水進(jìn)行清洗，制備完成后自然干燥．太赫茲光譜對(duì)樣品水分非常敏感，為了確定最佳樣本檢測狀態(tài)，本文在第一批次中制備4個(gè)樣本，分別是裁剪為茶葉狀的A4紙張、新鮮葉片、壓制干燥葉片（壓制4 d后部分水分自然流失的茶葉）、烘干葉片（經(jīng)烘箱35 ℃干燥3至4 d后的茶葉）．在4份樣本表面左右兩側(cè)分別噴涂2 000 mg/L和1 200 mg/L的多菌靈溶液各300 μL．為了探討茶葉基質(zhì)上多菌靈質(zhì)量濃度變化造成的成像差異，實(shí)現(xiàn)復(fù)雜基質(zhì)表面多菌靈區(qū)域定位，制作第二批次7個(gè)樣本，在7片干燥茶葉樣本表面，分別噴涂質(zhì)量濃度為800，1 700，2 300，3 000，3 700，4 500，5 000 mg/L的多菌靈溶液各300 μL．

1.4" 數(shù)據(jù)預(yù)處理

多菌靈壓片樣本在0.2～1.5 THz波段的吸收譜如圖2所示．由圖2可知，多菌靈THz光譜在此波段有兩個(gè)明顯的波峰，處于1.15 THz到1.32 THz之間，與文獻(xiàn)所述一致［20］．該試驗(yàn)結(jié)果表明多菌靈在0.2～1.5 THz波段存在指紋譜，驗(yàn)證了基于THz光譜技術(shù)實(shí)現(xiàn)多菌靈農(nóng)殘定位、定量檢測的技術(shù)可行性．

采用時(shí)域數(shù)據(jù)，利用時(shí)域切片法對(duì)茶葉基質(zhì)表面多菌靈農(nóng)殘進(jìn)行成像分析．對(duì)時(shí)域信息取8個(gè)點(diǎn)進(jìn)行切片成像，成像效果如圖3所示．從11.88 ps至15.68 ps，隨著時(shí)間延遲的增加，茶葉內(nèi)部信息發(fā)生了明顯變化．當(dāng)時(shí)間延遲為11.88 ps時(shí)，圖像中葉片輪廓信息缺失，僅能觀察到部分邊緣，主脈信息部分呈現(xiàn)，未見葉肉和葉脈信息．時(shí)間延遲為12.18 ps時(shí)，葉肉、葉脈及葉片邊緣有明顯的表現(xiàn)，但對(duì)茶葉基質(zhì)及茶葉基質(zhì)表面多菌靈農(nóng)殘透射強(qiáng)度分布的表現(xiàn)不準(zhǔn)確．相較于時(shí)間延遲為12.68 ps的信息成像，時(shí)間延遲為13.98 ps時(shí)的圖像邊緣更加清晰，具有更高的對(duì)比度，葉脈與葉肉的細(xì)節(jié)更加飽滿，噪聲更低，對(duì)葉片基質(zhì)表面多菌靈農(nóng)殘的透射強(qiáng)度分布有更好的表現(xiàn)．時(shí)間延遲為14.38，14.78，15.08和15.68 ps時(shí)，圖像信息逐漸模糊，細(xì)節(jié)信息缺失，嚴(yán)重影響了對(duì)葉片組織的觀測和分析．因此，對(duì)比后選擇時(shí)間延遲為13.98 ps的時(shí)域信息成像，在此基礎(chǔ)上進(jìn)行后續(xù)定位、定量分析．

2" 結(jié)果與分析

2.1" 不同干燥狀態(tài)的茶葉樣本可視化分析

為了明確太赫茲光譜對(duì)多菌靈農(nóng)殘成像檢測的可行性，以裁剪為茶葉狀的A4紙作為純凈背景，對(duì)比A4紙噴涂多菌靈前、后太赫茲成像效果，結(jié)果如圖4所示．由圖4可知，未噴涂多菌靈的紙張有較高的透射強(qiáng)度，成像圖中僅對(duì)紙張邊緣有表現(xiàn)．而噴涂有多菌靈的紙張，成像圖中呈現(xiàn)了不同的透射強(qiáng)度分布，噴涂有多菌靈的區(qū)域THz輻射部分被農(nóng)殘吸收，透射強(qiáng)度較低，表現(xiàn)為藍(lán)色，與未噴涂紙張有較大差異，證明了多菌靈樣本的有效性及利用THz成像技術(shù)對(duì)多菌靈農(nóng)殘進(jìn)行可視化分析的可行性．

相較于表面增強(qiáng)拉曼散射（SERS）和熒光光譜，THz對(duì)樣本水分有極高的敏感性，成像質(zhì)量受此影響較大［21］，因此本研究制備了不同干燥狀態(tài)的樣品進(jìn)行成像對(duì)比，以確定最佳樣本制備方法．分別制備新鮮葉片、壓制干燥葉片（壓制4 d后部分水分自然流失的茶葉）、烘干葉片（經(jīng)烘箱35 ℃干燥3至4 d后的茶葉）共3種樣本．圖5為不同方法制備茶葉樣本的THz成像圖．由圖5a-圖5c可知，隨著葉片水分減少，葉片邊緣和葉肉部分對(duì)THz波的吸收減少，透射強(qiáng)度逐漸增加，圖像由深藍(lán)色逐漸轉(zhuǎn)為較淺的綠色和黃色．其中，圖5a和圖5d透射強(qiáng)度低，葉脈和葉肉信息對(duì)比度小，細(xì)節(jié)信息模糊，掩蓋了農(nóng)殘信息，難以用于農(nóng)殘的可視化分析．圖5b和圖5e顯示了室溫下壓制4 d，水分自然流失后的茶葉圖像，相較于新鮮葉片成像，壓制4 d后的葉片透射強(qiáng)度明顯增加，雖然受含水量的影響難以辨別農(nóng)殘信息，但葉片主脈信息較為明顯．圖5c和圖5f是烘干葉片圖像，對(duì)THz輻射表現(xiàn)出良好的透過性，葉片主脈和邊緣較為清晰，可以觀察到側(cè)脈信息．葉片表面左側(cè)透射強(qiáng)度低于右側(cè)，圖像上表現(xiàn)為顏色的深淺差異，這也與葉片左側(cè)和右側(cè)噴涂多菌靈的質(zhì)量濃度差異相符．因此，基于成像效果，選擇烘干葉片進(jìn)行后續(xù)研究．

2.2" 不同多菌靈濃度的葉片樣本可視化分析

采用時(shí)域切片法選擇13.98 ps時(shí)域信息點(diǎn)對(duì)7個(gè)不同質(zhì)量濃度的烘干茶葉農(nóng)殘樣本進(jìn)行成像，成像效果如圖6所示．烘干葉片的THz成像圖中，主脈和側(cè)脈細(xì)節(jié)豐富，邊緣清晰，有較好的成像效果．葉片邊緣呈現(xiàn)的環(huán)狀痕跡是由聚乙烯膜上下層固定夾取葉片時(shí)，葉片邊緣厚度與周圍材料厚度差異導(dǎo)致的，對(duì)茶葉表面觀察分析沒有影響．

圖6為噴涂不同質(zhì)量濃度多菌靈的茶葉樣本THz成像圖，可以看出，隨著多菌靈質(zhì)量濃度的逐漸增加，葉片表面的多菌靈對(duì)THz輻射的吸收越強(qiáng)，農(nóng)殘區(qū)域透射強(qiáng)度降低，表現(xiàn)為葉片黃色區(qū)域（農(nóng)殘分布區(qū)域）色度加深，與附近區(qū)域的色差進(jìn)一步加大，這也體現(xiàn)在了對(duì)應(yīng)的灰度圖中．受THz信號(hào)強(qiáng)度的影響，原始圖像分辨率較低，難以用于分析，通過圖像增強(qiáng)的方式重建葉片THz圖像，豐富細(xì)節(jié)信息，有助于進(jìn)一步提取多菌靈農(nóng)殘分布區(qū)域，觀察分析其質(zhì)量濃度變化．

將噴涂不同質(zhì)量濃度多菌靈的茶葉樣本的7張THz圖像納入搭建的超分辨率成像機(jī)制中，得到超分辨率重建后的圖像．圖7a為原始圖像，像素為90 px×70 px； 圖7b為圖7a紅色方框區(qū)域經(jīng)超分辨率重建后的局部放大對(duì)比圖．圖7a中亮黃色區(qū)域?yàn)槎嗑`殘留區(qū)域，顏色越黃則表明多菌靈質(zhì)量濃度越高．但受到THz信號(hào)的限制，圖像較為模糊，細(xì)節(jié)信息較少，邊緣仍不夠清晰．圖7c為超分辨率重建圖像，對(duì)比圖7b可以看出，超分辨率重建后的圖像細(xì)節(jié)信息更加豐富，顏色對(duì)比度明顯提升，原始圖像對(duì)多菌靈分布區(qū)域“粗糙”的大范圍呈現(xiàn)得到有效抑制，農(nóng)殘分布區(qū)域邊緣更加清晰，體現(xiàn)出更多的細(xì)節(jié)信息．

對(duì)于THz圖像呈現(xiàn)樣本內(nèi)部信息，難以獲得參考圖像的問題，采用自然圖像質(zhì)量評(píng)價(jià)（NIQE）［22］、基于空間和光譜熵的無參考圖像評(píng)估（SSEQ）［23］和無參考空間域質(zhì)量評(píng)估（BRISQUE）［24］3種評(píng)價(jià)方法對(duì)茶葉多菌靈農(nóng)殘的原始THz圖像和重建后的圖像效果進(jìn)行客觀的評(píng)估，多種評(píng)價(jià)方式的綜合使用可以有效避免單一評(píng)價(jià)方式可能導(dǎo)致的誤差，為后續(xù)圖像分割法提取多菌靈分布區(qū)域的有效性提供依據(jù)．3種篩選方法對(duì)圖像的評(píng)估結(jié)果如表1所示．對(duì)于噴涂不同質(zhì)量濃度的多菌靈茶葉樣本成像，NIQE 和SSEQ 對(duì)重建后的圖像評(píng)估分?jǐn)?shù)均低于原始圖像，而BRISQUE對(duì)重建圖像的評(píng)分則均高于原始圖像，相較NIQE 和 SSEQ 呈現(xiàn)出不同的趨勢．這是由于BRISQUE對(duì)自然圖像有較大的偏向性，而重建后的圖像進(jìn)一步凸顯了多菌靈分布區(qū)域的邊緣信息，增強(qiáng)了亮度對(duì)比，有利于圖像的分割提取研究，但加大了對(duì)自然圖像的偏離程度．評(píng)分結(jié)果表明，重建后的圖像質(zhì)量更優(yōu)，雖然加大了失真程度，但更有效呈現(xiàn)了葉片基質(zhì)上多菌靈的圖像細(xì)節(jié)信息和多菌靈分布區(qū)域的邊緣信息，有助于對(duì)茶葉基質(zhì)上多菌靈農(nóng)殘的觀察和分析．

利用Matlab 2021b自帶圖像工具箱對(duì)茶葉多菌靈農(nóng)殘圖像進(jìn)行分割處理，提取多菌靈農(nóng)殘分布區(qū)域，結(jié)果如圖8所示．提取區(qū)域覆蓋在原始圖像上，用亮黃色表示，二值圖用黑白表示，白色為提取區(qū)域．由圖8可以看出，基于原始圖像進(jìn)行多菌靈農(nóng)殘分布區(qū)域提取，提取區(qū)域與茶葉基質(zhì)上多菌靈農(nóng)殘分布區(qū)域不符且外延至茶葉以外區(qū)域，難以體現(xiàn)正確的農(nóng)殘區(qū)域信息．相較于原始圖像，對(duì)超分辨率重建圖像進(jìn)行圖像分割提取，提取區(qū)域與實(shí)際分布區(qū)域基本相符，可以清晰地觀察到多菌靈農(nóng)殘分布．

茶葉葉片有天然的凹凸脈絡(luò)，葉片表面不平整，農(nóng)藥殘留易積聚，可能造成局部點(diǎn)位透射強(qiáng)度的不正確反饋．因此，為了對(duì)茶葉多菌靈農(nóng)殘質(zhì)量濃度進(jìn)行準(zhǔn)確分析和預(yù)測，計(jì)算800，1 700，3 000，3 700，5 000 mg/L 5個(gè)樣本的多菌靈農(nóng)殘區(qū)域透射強(qiáng)度均值，如圖9所示．由圖可見透射強(qiáng)度與多菌靈質(zhì)量濃度呈負(fù)相關(guān)，隨多菌靈農(nóng)殘濃度降低，透射強(qiáng)度增加．計(jì)算得到多菌靈質(zhì)量濃度擬合方程

c=p1x+p2

式中： p1=-1.721×105，p2=4.502×104，x為平均透射強(qiáng)度，c為多菌靈質(zhì)量濃度（mg/L）．

將2 300 mg/L和4 500 mg/L對(duì)應(yīng)的透射強(qiáng)度均值0.247 9和0.235 2代入計(jì)算得到多菌靈質(zhì)量濃度預(yù)測值為2 364 mg/L和4 542 mg/L，誤差分別為2.78%和1.16%．

相較于傳統(tǒng)化學(xué)和光譜檢測法對(duì)微量農(nóng)殘的定量檢測，本文基于THz成像結(jié)合THz超分辨率重建機(jī)制對(duì)多菌靈農(nóng)殘的分布進(jìn)行了可視化定位，并進(jìn)行了定量分析．需要特別說明的是，雖然本研究所用多菌靈質(zhì)量濃度與實(shí)際農(nóng)藥使用的質(zhì)量濃度尚有一定差距，但基于本文提出的茶葉THz圖像超分辨率重建機(jī)制，可以有效觀察農(nóng)作物農(nóng)殘分布，并進(jìn)行較為精確的質(zhì)量濃度預(yù)測，為農(nóng)作物樣本基質(zhì)表面農(nóng)殘檢測、定位做出了有益的探索．

3" 結(jié)論

農(nóng)作物農(nóng)藥殘留嚴(yán)重影響著人體健康，現(xiàn)有研究已經(jīng)證明了光譜檢測技術(shù)在農(nóng)作物農(nóng)殘檢測方面的潛力，但這些研究多關(guān)注于農(nóng)殘的定量研究，對(duì)于農(nóng)殘?jiān)谧魑锉砻娣植嫉亩ㄎ谎芯可袑倏瞻祝疚睦肨Hz成像技術(shù)對(duì)茶葉基質(zhì)表面多菌靈殘留進(jìn)行定位、定量研究．研究基于THz掃描成像系統(tǒng)獲得了多菌靈“指紋譜”，確定了茶葉農(nóng)殘樣本制備方法及最佳成像參數(shù)； 基于課題組搭建的生物樣本THz單圖像重建機(jī)制對(duì)茶葉多菌靈農(nóng)殘樣本進(jìn)行重建圖像可視化分析．重建圖像較原始圖像細(xì)節(jié)信息豐富，多菌靈分布區(qū)域清晰，不同質(zhì)量濃度多菌靈樣本的重建圖像顯示出明顯差異，且透射強(qiáng)度與多菌靈質(zhì)量濃度呈明顯負(fù)相關(guān)關(guān)系，多菌靈樣本預(yù)測結(jié)果與試驗(yàn)結(jié)果誤差分別為2.78%和1.16%，實(shí)現(xiàn)了多菌靈區(qū)域分布和質(zhì)量濃度變化的可視化分析．目前基于THz成像的清晰度和可透視的深度還有較大的提升空間，在后續(xù)研究中，可以考慮結(jié)合超材料和自適應(yīng)模糊核算法提升成像清晰度，豐富樣本信息．

參考文獻(xiàn)：lt;參考文獻(xiàn)起gt;

［1］

喬昕，余洋，陳杰，等．川渝地區(qū)油菜菌核病菌對(duì)多菌靈的抗性監(jiān)測及抗性機(jī)理研究 ［J］．西南大學(xué)學(xué)報(bào)（自然科學(xué)版），2016，38（5）： 26-30．

［2］" HU Y Y，ZHENG P，HE Y Z，et al．Response Surface Optimization for Determination of Pesticide Multiresidues by Matrix Solid-Phase Dispersion and Gas Chromatography ［J］．Journal of Chromatography A，2005，1098（1-2）： 188-193．

［3］" WANG F Q，LI S H，F(xiàn)ENG H，et al．An Enhanced Sensitivity and Cleanup Strategy for the Nontargeted Screening and Targeted Determination of Pesticides in Tea Using Modified Dispersive Solid-Phase Extraction and Cold-Induced Acetonitrile Aqueous Two-Phase Systems Coupled with Liquid Chromatography-High Resolution Mass Spectrometry ［J］．Food Chemistry，2019，275： 530-538．

［4］" CHEN Q S，HASSAN M M，XU J，et al．Fast Sensing of Imidacloprid Residue in Tea Using Surface-Enhanced Raman Scattering by Comparative Multivariate Calibration ［J］．Spectrochimica Acta Part A： Molecular and Biomolecular Spectroscopy，2019，211： 86-93．

［5］" ZHU X Y，LI W J，WU R M，et al．Rapid Detection of Chlorpyrifos Pesticide Residue in Tea Using Surface-Enhanced Raman Spectroscopy Combined with Chemometrics ［J］．Spectrochimica Acta Part A： Molecular and Biomolecular Spectroscopy，2021，250： 119366．

［6］" CHEN X，LIN M S，SUN L，et al．Detection and Quantification of Carbendazim in Oolong Tea by Surface-Enhanced Raman Spectroscopy and Gold Nanoparticle Substrates ［J］．Food Chemistry，2019，293： 271-277．

［7］" HASSAN M M，CHEN Q S，KUTSANEDZIE F Y H，et al．RGO-NSSERS-Based Coupled Chemometric Prediction of Acetamiprid Residue in Green Tea ［J］．Journal of Food and Drug Analysis，2019，27（1）： 145-153．

［8］" 王書濤，苑媛媛，王玉田，等．基于三維熒光與GA-RBF神經(jīng)網(wǎng)絡(luò)對(duì)茶葉中氯菊酯農(nóng)藥殘留的檢測 ［J］．發(fā)光學(xué)報(bào)，2016，37（10）： 1267-1274．

［9］" 鄭轉(zhuǎn)平，李愛東，董軍，等．馬來酰肼多形態(tài)的太赫茲光譜研究 ［J］．光譜學(xué)與光譜分析，2022，42（4）： 1104-1108．

［10］唐鑫，周勝靈，祝詩平，等．基于密度泛函理論與自舉軟縮減法的酒石酸太赫茲光譜特征譜區(qū)分析指認(rèn) ［J］．光譜學(xué)與光譜分析，2022，42（9）： 2740-2745．

［11］QIN J Y，YING Y B，XIE L J．The Detection of Agricultural Products and Food Using Terahertz Spectroscopy： A Review ［J］．Applied Spectroscopy Reviews，2013，48（6）： 439-457．

［12］LEE W S L，F(xiàn)ERRANTE A，WITHAYACHUMNANKUL W，et al．Assessing Frost Damage in Barley Using Terahertz Imaging ［J］．Optics Express，2020，28（21）： 30644-30655．

［13］ZHANG J N，YANG Y，F(xiàn)ENG X P，et al．Identification of Bacterial Blight Resistant Rice Seeds Using Terahertz Imaging and Hyperspectral Imaging Combined with Convolutional Neural Network ［J］．Frontiers in Plant Science，2020，11： 821．

［14］XU W D，WANG S，LI W，et al．Pesticide Detection with Covalent-Organic-Framework Nanofilms at Terahertz Band ［J］．Biosensors amp; Bioelectronics，2022，209： 114274．

［15］REN A F，ZAHID A，F(xiàn)AN D，et al．State-of-the-Art in Terahertz Sensing for Food and Water Security-A Comprehensive Review ［J］．Trends in Food Science amp; Technology，2019，85： 241-251．

［16］HOU D B，LI X，CAI J H，et al．Terahertz Spectroscopic Investigation of Human Gastric Normal and Tumor Tissues ［J］．Physics in Medicine and Biology，2014，59（18）： 5423-5440．

［17］MENG K，CHEN T N，CHEN T，et al．Terahertz Pulsed Spectroscopy of Paraffin-Embedded Brain Glioma ［J］．Journal of Biomedical Optics，2014，19（7）： 077001．

［18］PITCHAPPA P，KUMAR A，PRAKASH S，et al．Chalcogenide Phase Change Material for Active Terahertz Photonics ［J］．Advanced Materials，2019，31（12）： 1808157．

［19］TANG X，ZHOU S L，ZHU S P，et al．Development of a Mechanism for Reconstruction of Terahertz Single-Frequency Images of Biological Samples ［J］．Applied Optics，2022，61（35）： 10345-10351．

［20］HUA Y F，ZHANG H J，ZHOU H L．Quantitative Determination of Cyfluthrin in N-Hexane by Terahertz Time-Domain Spectroscopy with Chemometrics Methods ［J］．IEEE Transactions on Instrumentation and Measurement，2010，59（5）： 1414-1423．

［21］SONGZ Y，YANS H，ZANGZ Y，et al．Temporal and Spatial Variability of Water Status in Plant Leaves by Terahertz Imaging ［J］．IEEE Transactions on Terahertz Science and Technology，2018，8（5）： 520-527．

［22］MITTAL A，SOUNDARARAJAN R，BOVIK A C．Making a “Completely Blind”Image Quality Analyzer ［J］．IEEE Signal Processing Letters，2013，20（3）： 209-212．

［23］LIU L X，LIU B，HUANG H，et al．No-Reference Image Quality Assessment Based on Spatial and Spectral Entropies ［J］．Signal Processing： Image Communication，2014，29（8）： 856-863．

［24］MITTAL A，MOORTHY A K，BOVIK A C．No-Reference Image Quality Assessment in the Spatial Domain ［J］．IEEE Transactions on Image Processing： A Publication of the IEEE Signal Processing Society，2012，21（12）： 4695-4708．

責(zé)任編輯" 孫文靜

崔玉潔