基于三维荧光与GA-RBF神经网络对茶叶中氯菊酯农药残留的检测

王书涛， 苑媛媛， 王玉田， 赵 煦， 张亚吉， 牛凯增

(燕山大学 河北省测试计量技术及仪器重点实验室， 河北 秦皇岛 066000)



基于三维荧光与GA-RBF神经网络对茶叶中氯菊酯农药残留的检测

王书涛*， 苑媛媛， 王玉田， 赵 煦， 张亚吉， 牛凯增

(燕山大学 河北省测试计量技术及仪器重点实验室， 河北 秦皇岛 066000)

采用FS920稳态荧光光谱仪对绿茶和铁观音这两种不同品种茶叶的氯菊酯溶液的荧光光谱特性进行了分析,发现这两种茶叶的荧光峰均位于λex/λem=(390～410)/675 nm，氯菊酯的荧光峰λex/λem=300/330 nm。为了准确测定这两种茶叶中氯菊酯农药残留的含量，采用遗传算法优化的径向基函数神经网络对其进行了分析，当训练到74次时，均方差精度达到10-3，绿茶、铁观音的氯菊酯溶液预测样本的平均回收率分别为99.35%和98.89%，平均相对标准偏差分别为1.25%和1.21%。与建立的径向基函数神经网络模型进行了对比，结果表明三维荧光分析技术与遗传算法优化的径向基函数神经网络相结合能够较好地检测出茶叶中氯菊酯农药残留的含量，检测灵敏度大大提高，检出限范围广，可达0.004 8～24 mg/kg，远低于欧盟规定的茶叶中氯菊酯最高残留限量0.1 mg/kg，为检测农药残留提供了一种快速简便的新方法。

三维荧光光谱； 遗传算法优化的径向基函数神经网络； 浓度检测； 氯菊酯； 茶叶

1 引 言

拟除虫菊酯类农药具有高效、速效、低残留、中等毒性等特点，近年来在茶园中广泛应用。但这类农药对光、热表现稳定，在自然条件下降解速度较慢，使用不当或安全间隔期不够即采茶，容易导致其在茶叶中的残留量超标[1]。伴随着氟原子、氰基、非酯基团等的加入，其毒性效应也大大增强，对机体的免疫力和心血管有明显的毒害作用[2]。现阶段针对拟除虫菊酯类农药残留的测定方法主要有气相色谱法、高效液相色谱法、色谱-质谱联用技术、生物传感技术、分光光度法[3-7]。这些测定拟除虫菊酯类农药残留的方法操作过程都较为复杂，分析成本也较高。荧光光谱分析技术因具有操作简单、灵敏度高、分析速度快等特性[8]，已成功地应用于医学、环境、种类鉴别、食品安全[9-12]等领域。

径向基函数(RBF)神经网络是20世纪80年代末期提出的一种人工神经网络结构，由于具有结构简单、全局逼近、训练方法快速等优点，同时克服了误差反传网络(BP)算法低效且易陷入局部极值而使训练失败的缺点，成为近年来研究的热点[13]，已成功应用于预测、分类鉴别、模式识别、信号处理[14-17]等领域。本文对其用遗传算法优化并应用到茶叶中氯菊酯农药残留的定性和定量分析，具有操作简便、快速、以数学分离部分或完全取代繁琐的化学分离等优点，检测灵敏度也有所提高。

2 实 验

2.1 仪器

实验采用FS920稳态荧光光谱仪，激发光源为450 W高压连续弧氙灯，激发和发射单色器为M300型光栅单色器，以光电倍增管作为探测器，同时配有制冷器以降低探测器的热噪声，仪器光谱响应范围为190～870 nm，分辨精度可以达到0.1 nm，信噪比为6 000∶1，此外还有F900系统软件、控制硬件(包括变温系统，数据采集、分析)等[18]，结构如图1所示。

2.2 样品制备

氯菊酯的标准品1支(1.5 mL，浓度100 μg/mL)，购自上海市农药研究所有限公司；正己烷溶剂2瓶(500 mL)，购自秦皇岛化学试剂厂；不发酵茶里的绿茶、半发酵茶里的铁观音，购自大型超市。

用天平称取5 g绿茶、铁观音放入锥形瓶中，分别加入200 mL正己烷溶液，浸泡2 d。将1.5 mL的100 μg/mL的氯菊酯标准品倒入10 mL量筒中，加入正己烷稀释至5 mL，再依次取出1 mL分别加5，10，15，20，25 mL正己烷溶剂稀释成6，3，2，1.5，1.2 μg/mL的氯菊酯溶液，再逐级稀释，得到6，3，2，1.5，1.2，0.6，0.3，0.2，0.15，0.12，0.06，0.03，0.02，0.015，0.012，0.006，0.003，0.002，0.001 5，0.001 2 μg/mL这20个浓度的氯菊酯的正己烷溶液。

分别取刚配好的20个浓度的氯菊酯的正己烷溶液1 mL，加入绿茶、铁观音溶液分别至10 mL，这样得到24，12，8，6，4.8，2.4，1.2，0.8，0.6，0.48，0.24，0.12，0.08，0.06，0.048，0.024，0.012，0.008，0.006，0.004 8 mg/kg的40种绿茶、铁观音的氯菊酯溶液。

2.3 样品检测

扫描0.6 μg/mL的氯菊酯的正己烷溶液和两种茶叶的正己烷溶液，根据其荧光波长特性分别将仪器的激发和发射波长扫描范围设置为200～700 nm和230～710 nm，扫描间隔均为5 nm，狭缝宽度2.78 nm，积分时间0.1 s，冷却温度-19.8 ℃，对40个不同样品按顺序进行荧光光谱的扫描。

3 结果与讨论

3.1 绿茶、铁观音氯菊酯溶液的荧光光谱分析

3.1.1 绿茶、铁观音的荧光光谱分析

绿茶、铁观音的三维荧光光谱等高线如图2所示，从图中可以看出在390～410 nm波长激发下，675 nm发射波长处存在荧光特征峰，两者荧光峰位置相似，强度也比较大，可见这两种茶叶中含有能发射荧光的强荧光物质。因茶叶中的其他干扰物质以及正己烷溶剂的存在，图中茶叶荧光峰周围的散射较为明显。

3.1.2 绿茶和铁观音的氯菊酯溶液的荧光光谱图分析

绿茶和铁观音的氯菊酯溶液浓度为0.12 mg/kg的三维荧光光谱分别如图3和图4所示，在λex/λem=(390～410)/675 nm处，茶叶的荧光强度依旧较高，分别高达5×105和5.4×105。但在激发波长为300 nm、发射波长为330 nm处出现了一个较弱的荧光峰，荧光强度为1.6×105，可判断它为氯菊酯农药的荧光峰。因荧光峰包含了大部分的荧光信息，为了对茶叶中的氯菊酯农药残留进一步分析，确定茶叶中氯菊酯的荧光特征峰位于λex/λem=300/330 nm。

Fig.3 Three dimensional fluorescence spectrum (a) and contour map of fluorescence spectrum (b) of permethrin in green tea

Fig.4 Three dimensional fluorescence spectrum (a) and contour map of fluorescence spectrum (b) of permethrin in tieguanyin

3.2 遗传算法优化径向基函数神经网络

径向基函数神经网络是具有一个隐含层的三层前反馈神经网络，如图5所示。该网络由n个输入节点、一个输出节点、m个隐含层节点组成[19]。输入变量分配给输入层的每一个节点，然后直接输入到隐含层，隐含层节点计算网络中心与输入向量间的欧氏距离，结果由一个非线性函数输出，最后输出层节点的输出是隐含层节点的线性加权组合。

图5中输入为x=(x1,x2,…,xn)T，权值为w=(w1,w2,…,wm)T，ui为隐含层里的非线性径向基函数，本文选用高斯函数，即

(1)

其中ci=(ci1,ci2,…,cij),j=1,2,…,n是第i个隐单元的中心，bi是第i个隐单元的宽度。与输入样本对应的网络的第i个输出节点的实际输出yi为m个基函数的线性加权和，即

(2)

由上式可见，使用RBF神经网络的一个关键性问题是如何选择式中的输出权值wi、隐单元的中心ci以及隐单元的宽度bi这3个参数的最优初始值。如果选择不当，将会大大降低RBF神经网络预测的有效性和准确性。为了对茶叶中氯菊酯农药残留进行精确测量，本文采用遗传算法来优化RBF神经网络参数。

Fig.5 Structure of radial basis function (RBF) neural network

3.2.1 准备训练数据

分别选取17组绿茶和铁观音的氯菊酯溶液作为训练样本，其余3组为测试样本，在最佳激发波长对应的发射波长280～380 nm范围内每隔5 nm选取21个发射波长处所对应的荧光强度值作为输入，输出为每组样品中氯菊酯农药残留的含量，即输入节点为21×17，输出节点为1×17。根据经验公式与多次试验，我们选择隐含层节点数为10，因此RBF神经网络的结构为21×17-10-1×17。通常情况下，为了加快运行速度，需要通过线性变换将荧光强度这些数据缩小到[0,1]范围内，即

(3)

式中，x′为缩小后的值，xi为初始数据。

3.2.2 构建GA-RBF神经网络模型

遗传算法(GA)是一种依据生物自然选择和遗传变异的进化机制而产生的全局优化算法，在搜索过程中不容易陷入局部最优的状态，借助选择、交叉、变异等操作产生新一代群体，并逐步使群体进化，从而达到或接近最优解[20]。本文将RBF神经网络输出权值wi、隐单元的中心ci以及隐单元的宽度bi看做一个整体，编码成为一个染色体。选择适当的种群大小及合适的适应度函数，通过遗传迭代逐渐优化，求得最优解来作为RBF神经网络各参数的初始值。主要有以下步骤：

(1)编码

编码是为了将具体问题与遗传算法中的个体对应起来，本文是为了用遗传算法来优化RBF神经网络中高斯函数的中心ci、宽度bi、输出权值wi这3个参数，所以我们分别用长度为10的二进制编码串来表示这3个参数。

(2)种群大小

一个种群中包含了大量的个体，每个个体代表需要优化的一个变量或问题的一部分。一般来说，种群规模n为30～100之间，种群太小则精确度不高，种群太大则计算复杂。综合考虑，我们选择种群大小为50。

(3)适应度函数

为了体现每一代中个体的适应能力大小，我们引入适应度函数。RBF神经网络训练的目标是使网络精确度函数达到最小，所以我们定义目标函数如下：

(4)

其中e(i)为实际输出与理想输出之差。通常情况下，我们定义适应度函数是目标函数的倒数，即

(5)

(4)遗传操作

遗传操作主要有选择、交叉、变异这3种操作，这些操作对遗传算法的性能有着关键性的影响。

本文选择轮盘赌选择法来从群体中选择适应度高的个体，每个个体适应度值为Pi=(i=1,2,…,N)。根据Pi大小，将轮盘分为N部分，旋转轮盘，转到哪个部分就选择对应的个体。可见个体适应度值越大，被选中的概率也就越大，即适者生存。

在自然界中，子代会继承两个父代的基因，继而创造出新的个体，这种操作我们称为交叉。本文采用单点交叉并且设定交叉概率Pc=0.8，即在大小为n的种群中有Pc×n个个体需要进行交叉操作来生成新的个体。

变异是以很小的概率对群体中个体串的某些基因座上的基因值做变动[20]。本文以较小的变异概率Pm=0.005对交换后的新种群中的个体编码串上的值做改变，即二进制编码中的“0”变为“1”，“1”变为“0”，进而生成新的个体，引入新的基因信息。

(5)终止条件

终止条件通常有两种：一种是迭代次数达到预设代数，另一种是一直运行到适应度函数不再改变。本文选择第一种，将预设代数设置为100，获得3个参数的最优初始值后，再利用梯度下降法来调整它们。

初始种群用crtbp()创建，RBF神经网络用函数newrb()创建。如图6所示，经过74次训练后，均方差精度达到10-3。而RBF神经网络经过

194次训练才达到10-3的精度，可见用GA优化RBF神经网络可以大大提高运行速率，提高预测精度。

Fig.6 Mean square error curve of GA-RBF(a) and RBF(b)

3.3 GA-RBF与RBF网络测试

对训练好的GA-RBF神经网络进行预测，实际值为配制样品的浓度，所得的预测结果如表1、2所示。3组绿茶的氯菊酯溶液样品的预测浓度值分别为11.701 2，0.791 0，0.006 1 mg/kg，回收率分别为97.51%、98.88%、101.67%，平均回收率为99.35%，平均相对标准偏差为1.25%。3组铁观音的氯菊酯溶液样品的预测浓度值分别为2.420 9，0.078 3，0.004 7 mg/kg，回收率分别为100.87%、97.88%、97.92%，平均回收率为98.89%，平均相对标准偏差为1.21%，检测限较高，效果较为理想。对比RBF神经网络绿茶的氯菊酯溶液预测结果如表3所示，平均回收率为83.24%，平均相对标准偏差为12.98%，预测精度不高且速率较慢。

表1 绿茶的氯菊酯溶液GA-RBF预测结果

表2 铁观音的氯菊酯溶液GA-RBF预测结果

表3 绿茶的氯菊酯溶液RBF预测结果

4 结 论

通过实验对绿茶、铁观音的正己烷溶液及其氯菊酯农药残留溶液的三维荧光光谱进行分析，得出茶叶中氯菊酯的荧光峰位置为λex/λem=300/330 nm。在其最佳激发波长下，分别选取17组绿茶、铁观音的氯菊酯溶液的样品，将在发射波长为280～380 nm范围内的21个发射波长处所对应的荧光强度值作为输入，建立了GA优化的RBF神经网络的训练模型。经过74次训练后，均方差精度达到10-3，可见训练速度比较快。并分别对每种茶叶的氯菊酯溶液剩余的3组样品进行了预测，绿茶、铁观音的氯菊酯溶液预测样本的平均回收率分别高达99.35%和98.89%，平均相对标准偏差为1.25%和1.21%，结果较为理想。与RBF神经网络预测模型的对比结果表明，三维荧光分析技术与GA-RBF神经网络相结合能够较好地预测出茶叶中氯菊酯农药残留的含量，且检测灵敏度也比较高，检出限可达0.004 8～24 mg/kg，远低于中国和欧盟规定的茶叶中菊酯类农药最高残留限量，为检测茶叶中农药残留提供了一种快速简便的新方法。

[1] 刘腾飞,杨代凤,董明辉,等. 分散固相萃取-气相色谱法测定茶鲜叶中7种拟除虫菊酯类农药残留 [J]. 农药学学报, 2015, 17(5):571-578.

LIU T F, YANG D F, DONG M H,etal.. Determination of pyrethroid residues in fresh tea leaves by dispersive solid phase extraction and gas chromatography [J].Chin.J.Pest.Sci., 2015, 17(5):571-578. (in Chinese)

[2] TOUMI H, BOUMAIZA M, MILLET M,etal.. Effects of deltamethrin (pyrethroid insecticide) on growth, reproduction, embryonic development and sex differentiation in two strains of daphnia magna (crustacea, cladocera) [J].Sci.TotalEnviron., 2013, 458-460:47-53.

[3] LI B, ZENG F G, DONG Q C,etal.. Rapid determination method for 12 pyrethroid pesticide residues in tea by stir bar sorptive extraction-thermal desorption-gas chromatography [J].Phys.Proced., 2012, 25:1776-1780.

[4] BOONCHIANGMA S, NGEONTAE W, SRIJARANAI S. Determination of six pyrethroid insecticides in fruit juice samples using dispersive liquid-liquid microextraction combined with high performance liquid chromatography [J].Talanta, 2012, 88:209-215.

[6] FERENTINOS K P, YIALOURIS C P, BLOUCHOS P,etal.. The use of artificial neural networks as a component of a cell-based biosensor device for the detection of pesticides [J].Proced.Eng., 2012, 47:989-992.

[7] HIROSAWA N, UEYAMA J, KONDO T,etal.. Effect of DDVP on urinary excretion levels of pyrethroid metabolite 3-phenoxybenzoic acid in rats [J].Toxicol.Lett., 2011, 203(1):28-32.

[8] 杨丽丽,王玉田,鲁信琼. 三维荧光光谱结合二阶校正法用于石油类污染物的识别和检测 [J]. 中国激光, 2013, 40(6):0615002-1-6.

YANG L L, WANG Y T, LU X Q. Identification and measurement of petroleum pollutant by three-dimensional matrix fluorescence with second-order calibration methods [J].Chin.J.Lasers, 2013, 40(6):0615002-1-6. (in Chinese)

[9] 马君,毛伟征,李颖,等. 自体荧光光谱检测胃浆膜识别胃癌组织 [J]. 中国激光医学杂志, 2005, 14(2):74-79.

MA J, MAO W Z, LI Y,etal.. Identification of gastric cancer by autofluorescence spectrum in gastric serosa [J].Chin.J.LaserMed.Surg., 2005, 14(2):74-79. (in Chinese)

[10] 余晓娅,张玉钧,殷高方,等. 基于偏最小二乘回归的藻类荧光光谱特征波长选取 [J]. 光学学报, 2014, 34(9):0930002-1-6.

YU X Y, ZHANG Y J, YIN G F,etal.. Feature wavelength selection of phytoplankton fluorescence spectra based on partial least squares [J].ActaOpt.Sinica, 2014, 34(9):0930002-1-6. (in Chinese)

[11] 朱焯炜,阙立志,吴亚敏,等. 三维荧光光谱结合PARAFAC和GA对中国白酒品牌的鉴别 [J]. 中国激光, 2015, 42(6):0615002-1-6.

ZHU Z W, QUE L Z, WU Y M,etal.. Identification of Chinese liquors by three-dimensional fluorescence spectra combined with PARAFAC and genetic algorithm [J].Chin.J.Lasers, 2015, 42(6):0615002-1-6. (in Chinese)

[12] 王书涛,陈东营,魏蒙,等. 荧光光谱法和PSO-BP神经网络在山梨酸钾浓度检测中的应用 [J]. 中国激光, 2015, 42(5):0515004.

WANG S T, CHEN D Y, WEI M,etal.. Application of fluorescence spectroscopy and PSO-BP neural network in the detection of potassium sorbate concentration [J].Chin.J.Lasers, 2015, 42(5):0515004. (in Chinese)

[13] 刘银,付广伟,张燕君,等. 基于径向基函数神经网络的传感布里渊散射谱特征提取 [J]. 光学学报, 2012, 32(2):0206002-1-7.

LIU Y, FU G W, ZHANG Y J,etal.. A novel method for brillouin scattering spectrum of distributed sensing systems based on radial basis function neural networks to extract features [J].ActaOpt.Sinica, 2012, 32(2):0206002-1-7. (in Chinese)

[14] 张健,杨锐. 基于径向基函数神经网络的脉冲激光薄板焊接变形预测 [J]. 中国激光, 2011, 38(11):1103002-1-4.

ZHANG J, YANG R. Prediction of pulsed laser welding of thin plate based on radial basis function neural network [J].Chin.J.Lasers, 2011, 38(11):1103002-1-4. (in Chinese)

[15] 刘倩倩,王春艳,史晓凤,等. 基于RBF神经网络的较低浓度下同步荧光光谱的溢油鉴别 [J]. 光谱学与光谱分析, 2012, 32(4):1012-1015.

LIU Q Q, WANG C Y, SHI X F,etal.. Identification of spill oil species based on low concentration synchronous fluorescence spectra and RBF neural network [J].Spectrosc.Spect.Anal., 2012, 32(4):1012-1015. (in Chinese)

[16] 朱树先,张仁杰. BP和RBF神经网络在人脸识别中的比较 [J]. 仪器仪表学报, 2007, 28(2):375-379.

ZHU S X, ZHANG R J. Comparison with BP and RBF neural network used in face recognition [J].Chin.J.Sci.Instrum., 2007, 28(2):375-379. (in Chinese)

[17] POULTANGARI I, SHAHNAZI R, SHEIKHAN M. RBF neural network based PI pitch controller for a class of 5-MW wind turbines using particle swarm optimization algorithm [J].ISATrans., 2012, 51(5):641-648.

[18] 潘钊. 基于荧光光谱分析的石油类污染物识别测量方法及其实验研究 [D]. 秦皇岛:燕山大学, 2012.

PAN Z.MethodandExperimentalStudyonIdentificationandMeasurementofPetroleumPollutantBasedonFluorescenceSpectroscopy[D]. Qinhuangdao: Yanshan University, 2012. (in Chinese)

[19] 乔俊飞,韩红桂. RBF神经网络的结构动态优化设计 [J]. 自动化学报, 2010, 36(6):865-872.

QIAO J F, HAN H G. Optimal structure design for RBFNN structure [J].ActaAutom.Sinica, 2010, 36(6):865-872. (in Chinese)

[20] 许兆美,周建忠,黄舒,等. 基于遗传算法优化反向传播神经网络的激光铣削层质量预测 [J]. 中国激光, 2013, 40(6):0603004-1-5.

XU Z M, ZHOU J Z, HUANG S,etal.. Quality prediction of laser milling based on optimized back propagation networks by genetic algorithms [J].Chin.J.Lasers, 2013, 40(6):0603004-1-5. (in Chinese)

王书涛(1978-)，男，河北秦皇岛人，博士，教授，2006年于哈尔滨工业大学获得博士学位，主要从事光电检测、光谱分析、环境检测等方面的研究。

E-mail： wangshutao@ysu.edu.cn

Detection of Permethrin Pesticide Residue in Teas Based on Spectrum Fuorescence and GA-RBF Neural Network

WANG Shu-tao*, YUAN Yuan-yuan, WANG Yu-tian, ZHAO Xu, ZHANG Ya-ji, NIU Kai-zeng

(KeyLabofMeasurementTechnologyandInstrumentationofHebeiProvince,YanshanUniversity,Qinhuangdao066004,China)

*CorrespondingAuthor,E-mail:wangshutao@ysu.edu.cn

The fluorescence spectra of permethrin in green tea and tieguanyin were studied. The fluorescence characteristic peaks of green tea and tieguanyin existed atλex/λem=(390-410)/675 nm, while the permethrin fluorescence characteristic peak existed atλex/λem=300/330 nm. To determine the content of permethrin in teas, a new method of a radial basis function (RBF) neural network based on a genetic algorithm (GA) was proposed. When the training is to 74, the precision of the mean square deviation reaches 10-3. The average forecast recovery rates of permethrin in green tea and tieguanyin are 99.35% and 98.89%, the average relative standard deviation are 1.25% and 1.21%, and the detection limit range is from 0.004 8 to 24 mg/kg, which is far lower than that of the EU rules of permethrin in tea maximum residue limits standards. Through the contrast of the RBF neural network model, it is found that the three-dimensional fluorescence analysis technology combined with GA-RBF neural network can predict the content of permethrin pesticide residue in teas quickly and easily, the detection sensitivity and the precision are higher.

three-dimensional fluorescence spectra; genetic algorithm optimize the radial basis function neural network; concentration detection; permethrin; teas

1000-7032(2016)10-1267-08

2016-04-22；

2016-06-15

国家自然科学基金(61471312)； 河北省自然科学基金(F2015203240)资助项目

O433.4

A

10.3788/fgxb20163710.1267