激光诱导击穿光谱联合UVE变量优选检测大豆油中的铬含量

孙 通，吴宜青，刘秀红，莫欣欣，刘木华*

1. 江西农业大学生物光电技术及应用重点实验室，江西 南昌 330045

2. 江西出入境检验检疫局综合技术中心，江西 南昌 330038

激光诱导击穿光谱联合UVE变量优选检测大豆油中的铬含量

孙 通1，吴宜青1，刘秀红2，莫欣欣1，刘木华1*

1. 江西农业大学生物光电技术及应用重点实验室，江西 南昌 330045

2. 江西出入境检验检疫局综合技术中心，江西 南昌 330038

利用激光诱导击穿光谱(LIBS)技术对大豆油中的重金属Cr进行检测研究。以松木木片对重金属Cr进行富集，采用AvaSpec双通道高精度光谱仪在206.28～481.77 nm波段范围内采集松木木片样本的LIBS光谱，利用无信息变量消除(UVE)方法筛选与重金属Cr相关的波长变量，应用偏最小二乘(PLS)回归建立大豆油中重金属Cr的定标模型，并与单变量及全波段PLS定标模型进行比较。结果表明，相比单变量及全波段PLS定标模型，UVE-PLS定标模型的性能更优，其相关系数、校正均方根误差、交互验证均方根误差及预测均方根误差分别为0.990，0.045，0.050及0.054 mg·g-1。经UVE变量筛选后，UVE-PLS定标模型所用的波长变量数仅为全波段PLS的2%。由此可见，UVE是一种有效的波长变量筛选方法，能有效筛选出与重金属Cr相关的波长变量。

激光诱导击穿光谱；重金属铬；无信息变量消除；偏最小二乘；大豆油

引 言

大豆油是最为常见的食用植物油之一，由于价格低廉而深受普通家庭的欢迎，每年的消耗量巨大。铬是一种毒性很大的重金属，在人体内累积过量会损伤DNA及肾、肝等内脏器官，诱发基因突变及致癌。大豆油在原料种植、加工、运输及贮存等过程中均会不同程度地引入重金属如铬(Cr)。为保护人们的身体健康，有必要对大豆油中的铬含量进行监测。

激光诱导击穿光谱(laser induced breakdown spectroscopy，LIBS)技术是一种快速、原位、绿色的新兴现代分析技术，可以用于各种元素的含量检测。目前，LIBS技术已应用于航天探测[1]、冶金[2]、矿业[3]、水体污染[4]、土壤污染[5]、果蔬污染[6]及农田营养元素等领域中的物质元素检测。对于重金属Cr的LIBS检测，相关学者已做了一些研究。陈凯等采用LIBS技术对钢液中的Cr元素进行检测，分别选用428.97和435.18 nm谱线为分析线，其定标曲线的相关系数分别为0.899和0.927。孙兰香等[7]应用LIBS技术在线半定量分析钢液中的Cr元素，比较不同特征谱线的结果，较好的定标曲线相关系数达到0.947 6以上。Huang等[8]选用357.87, 359.35, 360.53, 425.43, 427.48及428.97 nm为Cr元素的特征谱线，分别以上述特征谱线建立水中Cr元素含量的定标曲线，结果表明425.43 nm特征谱线所建立的定标曲线较优。王寅等[9]以石墨富集水中的Cr元素，选择425.435 nm谱线为分析线，建立Cr元素的定标曲线。Yu等[10]以普通打印纸富集水中的Cr元素，选用427.48 nm为其分析线，结果较好。Li等[11]对钢铁中的Cr元素含量进行检测，选用Cr元素的特征谱线及基体元素谱线作为人工神经网络的输入，建立Cr元素的定标模型，其定标模型性能得到有效改善。此外，还有其他学者也采用LIBS对Cr元素进行检测研究[12-16]。总结分析上述文献发现，大多数研究采用单变量(某一特征谱线)方法建立Cr元素的定标曲线，少部分研究则采用多元变量方法，多变量根据人为经验进行选择；而采用变量选择方法进行多元变量筛选及大豆油中Cr元素含量检测的相关研究甚少。

无信息变量消除(uninformative variable elimination，UVE)是一种新的变量选择方法，可以有效筛选出有用信息的波长变量，已应用于近红外光谱数据的波长变量筛选[17-18]。

利用LIBS光谱技术对大豆油中的Cr含量进行定量检测研究，以松木木片对重金属Cr进行富集，采用UVE方法进行变量筛选，并应用偏最小二乘(partial least squares, PLS)回归建立重金属Cr的定标模型。

1 实验部分

1.1 材料及样本配制

所用的大豆油样本购买于南昌沃尔玛超市，乙酰丙酮铬购买于国药集团化学试剂有限公司，纯度为98%。甲苯由江苏强盛化工有限公司生产。原始大豆油样本中的铬含量由国标GB 5009.123—2014方法检测，结果为未检出。

为获得不同铬浓度的大豆油样本，将乙酰丙酮铬溶于甲苯，再加入大豆油中，充分溶解摇匀。最终，配制的大豆油样本中的铬浓度分别为0.05，0.1，0.2，0.4，0.6，0.8及1.0 mg·g-1。为避免液体飞溅、液面扰动等因素对LIBS光谱的影响，将直径20 mm、厚度4 mm的松木木片浸泡于上述配制好的大豆油样本中，用于富集重金属铬，然后再将松木木片放入烘箱进行烘干。

1.2 仪器及光谱采集

实验所用的LIBS检测系统 (见图1)由光谱仪、激光器、DG535 数字脉冲信号发生器、光纤、透镜、反射镜、旋转载物台、计算机等组成。光谱仪为AvaSpec双通道高精度光谱仪(Avantes公司，荷兰)，一通道及二通道波段范围分别为206.28～331.41 nm及321.46～481.77 nm，每通道各2 048个数据点。激光器为Nimma-200型Nd∶YAG激光器(镭宝光电技术有限公司，北京)，波长为1 064 nm，脉宽为8 ns，频率为2 Hz，最大激光能量为200 mJ。

图1 LIBS检测系统示意图

将松木木片放置于旋转样品台上，Nimma-200型Nd∶YAG激光器产生的激光经反射镜、穿孔反射镜，再由透镜Ⅰ汇聚于松木木片表面，对其表面物质进行烧蚀、电离，产生等离子体信号。等离子体信号经透镜Ⅰ汇聚，再由穿孔反射镜反射至透镜Ⅱ，聚集于光纤探头，最终信号被AvaSpec双通道高精度光谱仪获取。对于LIBS光谱采集，其参数设置如下：积分时间为2 ms，延时时间为1.28 μs，平均次数为5，累积次数为10，激光器能量为120 mJ。对于每个松木木片，重复采集10次LIBS光谱，每次采集的光谱数据作为一条LIBS光谱。因此，每个松木木片均获得10条LIBS光谱，7个松木木片样本共有70条LIBS光谱。

1.3 数据处理

UVE是一种新变量选择方法，根据变量的回归系数稳定性对变量进行筛选，可以有效筛选出有用的信息变量，剔除无用或是冗余的信息变量，从而提高定标模型的稳定性和预测精度。UVE方法的基本分析步骤如下：将随机噪声矩阵加入到样本光谱矩阵，采用PLS留一交叉验证进行建模，获得一组回归系数，计算各个变量的回归系数平均值与标准差的比值即变量稳定性值[式(1)]，当变量稳定性值小于某一阈值时，该变量则被作为无用信息变量而剔除。UVE方法的详细原理参见文献[19]。

(1)

式中，Sj为变量j的稳定性值，mean(Bj)为变量j的回归系数平均值，std(Bj)为变量j的回归系数标准差。

采用UVE方法筛选与重金属Cr相关的波长变量，再应用PLS方法建立大豆油中重金属Cr的定标模型，并与单变量定标模型及全波段PLS定标模型 (未经UVE变量筛选)进行比较。在UVE分析中，其参数如下：所加入的随机噪声矩阵的变量数为4 096个(与光谱矩阵的变量数一致)，变量稳定性的阈值为99%随机噪声变量稳定性的最大绝对值，PLS提取的最大主成分数为15。

对于每个松木木片的10条LIBS光谱，按照6∶4比例随机分配为校正集和预测集，即校正集共有42条LIBS光谱，用于建立定标模型；预测集共有28条LIBS光谱，用于验证定标模型的性能。定标模型的性能由相关系数(r)、校正均方根误差(root mean square error of calibration, RMSEC)、交互验证均方根误差(root mean square error of cross validation, RMSECV)及预测均方根误差(root mean square error of prediction, RMSEP)评价。相关系数越大，RMSEC，RMSECV及RMSEP越小且接近，则定标模型的性能越好。数据处理分析在MATLAB 7.6.0(The Math Works，美国)及Unscrambler X 10.1软件(CAMO公司，挪威)运行完成。

2 结果与讨论

2.1 单变量定标模型

图2为原始Cr浓度为0.4 mg·g-1的松木木片的LIBS光谱。根据美国NIST数据库及LIBS系统标定的特征波长，重金属Cr较强的特征谱线主要为357.87，359.35，360.53，425.43，427.48及428.97 nm (见图3)。

在校正集数据上，将上述6个重金属Cr的特征谱线强度分别与其浓度进行拟合，建立6个单变量定标模型。而后，采用所建立的6个定标模型分别对校正集及预测集数据进行预测，其结果见表1。样本数据的标准偏差为0.364 mg·g-1。由表1可知，6个特征谱线建立的定标模型的相关系数均在0.97以上，RMSEC处于0.059～0.073 mg·g-1之间，RMSEP处于0.063～0.081 mg·g-1之间。对比上述6个定标模型，357.87 nm特征谱线所建立的定标模型性能最优，其定标模型的相关系数、RMSEC及RMSEP分别为0.985，0.059及0.063 mg·g-1。此外，357.87，359.35及360.53 nm特征谱线的定标模型结果优于425.43，427.48及428.97 nm的定标模型，可能由于357.87，359.35及360.53 nm特征谱线的干扰较少所致。图4为357.87 nm特征谱线建立的定标模型对校正集及预测集数据的预测结果。

图2 原始Cr浓度为0.4 mg·g-1的松木木片的LIBS光谱

图3 三个不同铬含量的松木木片的LIBS光谱

2.2 多变量定标模型

2.2.1 UVE变量筛选

在校正集数据上，采用UVE方法筛选与重金属Cr相关的波长变量。图5为重金属Cr的UVE变量稳定性结果。图5中，左侧4 096个变量为真实的波长变量，而右侧4 096个变量为所加入的随机噪声变量，垂直竖实线为两者的分割线。两条水平虚线为UVE方法的变量稳定性的上下阈值，变量稳定性值若处于两水平虚线之间则该变量被作为无信息变量或冗余变量而剔除，反之则说明变量包含有用信息而被保留。经UVE变量筛选后，共有83个波长变量的稳定性值处于两水平虚线之外而被保留，将近98%的波长变量被剔除。对于6个重金属Cr的主要特征谱线(357.87，359.35，360.53，425.43，427.48，428.97 nm)，在UVE变量选择过程中均被保留，即包含在83个波长变量中。

表1 不同特征谱线建立的重金属Cr定标模型的预测结果

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

波长/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

图4 定标模型(357.87 nm)对校正集 及预测集数据的预测结果

图5 重金属Cr的UVE变量稳定性结果

2.2.2 定标模型建立

经UVE变量筛选后，采用83个波长变量应用PLS回归建立重金属Cr含量的定标模型，利用定标模型对校正集和预测集数据进行预测，并将结果与未经UVE变量筛选的PLS定标模型进行比较。表2为重金属Cr的PLS定标模型预测结果。由表2结果可知，与全波段PLS定标模型相比，UVE-PLS定标模型的性能更优，相关系数由0.987上升为0.990，RMSEC，RMSECV及RMSEP由0.051，0.057和0.061 mg·g-1下降为0.045，0.050和0.054 mg·g-1，而所用的波长变量数由4 096个下降为83个，仅为全波段PLS定标模型的2.0%。由此可见，UVE方法是一种有效的波长变量筛选方法，能有效筛选出与重金属Cr相关的波长变量，而剔除无信息或冗余的波长变量，提高重金属Cr定标模型的预测精度。此外，将表2与表1的结果比较发现，UVE-PLS及全波段PLS定标模型性能均要优于单变量定标模型，表明多变量定标模型包含更多与重金属Cr相关的信息，更适合用于建立重金属Cr的定标模型。图6为UVE-PLS定标模型对校正集及预测集数据的预测结果。

表2 重金属Cr的PLS定标模型预测结果

图6 UVE-PLS定标模型对校正集 及预测集数据的预测结果

3 结 论

利用LIBS光谱技术联合UVE方法对大豆油中的重金属Cr进行检测研究。研究结果表明，UVE-PLS定标模型的性能优于全波段PLS及单变量定标模型，其相关系数、RMSEC、RMSECV及RMSEP分别为0.990，0.045 mg·g-1，0.050 mg·g-1及0.054 mg·g-1。UVE是一种有效的波长变量筛选方法，能有效筛选出与重金属Cr相关的波长变量。经UVE变量筛选后，UVE-PLS定标模型所用的波长变量数仅为全波段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, 杨友良, 孟凡伟, 等). Laser & Optoelectronics Progress(激光与光电子学进展), 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(孙兰香, 于海斌, 丛智博, 等). Chinese Journal of Scientific Instrument(仪器仪表学报), 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, 赵南京, 马明俊, 等). Laser Technology(激光技术), 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(谷艳红, 李 颖, 田 野, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2014, 34(8): 2244.

[13] SHEN Qin-mei, ZHOU Wei-dong, LI Ke-xue(沈沁梅, 周卫东, 李科学). Acta Photonica Sinica(光子学报), 2010, 39(12): 2134.

[14] GUO Rui, SONG Hai-yan(郭 锐, 宋海燕). Journal of Taiyuan University of Technology(太原理工大学学报), 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(张大成, 马新文, 赵冬梅, 等). Chinese Journal of Pharmaceutical Analysis(药物分析杂志), 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(刘雪梅, 柳建设). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 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

国家自然科学基金项目(31271612)，江西省自然科学基金项目(20132BAB214010，20151BAB204025)资助

孙 通，1983年生，江西农业大学生物光电技术及应用重点实验室讲师 e-mail：suntong980@163.com *通讯联系人 e-mail：suikelmh@sohu.com

S123

A

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