苹果品质安全无损检测技术研究

张美超 梁昌元 羊红斌

茂县科学技术和农业畜牧局，四川阿坝

1.1 电子鼻基本原理

电子鼻是基于人鼻的工作原理所设计，通过模拟人鼻内嗅觉细胞的传感器阵列进行样品的挥发性成分分析，然后将采集到的挥发性成分信号发送到模拟大脑功能的计算机数据识别系统[1-4]。电子鼻系统的气敏传感器阵列可以产生一种特殊的气味轮廓，以响应挥发性成分与样品之间的相互作用，通过比较获得的气味轮廓和简单的气味标准以识别混合物成分。因此，原始挥发性化合物数量的变化或新化合物的形成可能引起“指纹”图谱的变化[5]。

PEN3电子鼻(其传感器性能如表1所示)的实验条件分为三个阶段，首先，在暴露于样品挥发物之前，用新鲜的干燥空气清洁传感器室。然后，被测物质的挥发物被吸入饱和，并在整个传感器室中循环。当传感器暴露在样品挥发物中时，它们的响应会发生变化。在此期间，顶部空间气体在传感器室内循环，直到传感器的响应达到饱和。基线修整后，测量响应。传感器值被连续记录。最后，信号由模式识别子系统处理并确定输出。PEN3 电子鼻直接通过内部泵吸入空气，同时，通过使用零气体并将其与被分析样品气体的信号进行比较，减小了传感器可能漂移的影响，去除了响应中的时间变量，取传感器的稳态响应进行分析，从而简化了后续的模式识别过程[6-8]。

表1 PEN3电子鼻各传感器性能描述

1.2 样品与材料

本次研究选用同一品种、同一产地、同一批次的330个茂县红富士苹果(采摘样品信息如表2 所示)，采摘于茂县南新镇安乡村3 组，重量相近（150~200 g），大小均匀（直径7.5~8.5 cm），经过安全休药期后，按照《农药残留分析样本的采样方法》（NY/T 789-2004）进行农残快速检测，确认该批次苹果无农药残留后，于2019年10月份经人工采摘后直接送往西华大学实验室。高效氯氟氰菊酯（以下简称“菊酯”）和毒死蜱两种标准溶液由深圳市博林达科技有限公司生产，所用烧杯由四川蜀玻（集团）有限责任公司生产。运用德国Airsense 公司生产的PEN3 电子鼻开展苹果中毒死蜱与高效氯氟氰菊酯两种农药残留分析。

表2 样品信息

本次实验所选用的330个苹果样品中，随机挑选30个苹果直接用电子鼻进行气味采集，另外300个苹果被不同浓度与配比的菊酯和毒死蜱两种农药分别处理(见表3)后进行电子鼻气味采集。

表3 苹果样品分组

1.3 实验分组

根据GB 2763-2019《食品安全国家标准食品中农药最大残留限量》，苹果中高效氯氟氰菊酯和毒死蜱的最大允许残留量分别为0.2 mg/kg 和1 mg/kg[9]。在密闭、局部通风的环境下进行农药喷洒，经6 h达到最佳药效后进行后续实验，实验前，苹果表皮的农药浓度理论值达到预设值。

1）苹果在空白样本、两种农药的国家标准最大允许残留量（高效氯氟氰菊酯0.2mg/kg、毒死蜱1.0 mg/kg）、以及国家标准最大允许残留量混合农药（0.2mg/kg高效氯氟氰菊酯∶1.0 mg/kg 毒死蜱=1∶9）的情况下，分别用电子鼻采集数据，每个小组设30个苹果样本平行。

2）苹果在高效氯氟氰菊酯不同浓度(0.2、1.0、2.0、3.0、4.0 mg/kg）的情况下分别用电子鼻采集数据，每个小组设30个苹果样本平行。

3）苹果在毒死蜱不同浓度（1.0、2.0、4.0、8.0 mg/kg）的情况下分别用电子鼻采集数据，每个小组设30个苹果样本平行。

1.4 参数设置

本实验采用顶空抽吸法进行数据采集，进样针直接插入样品瓶。将苹果样品放入600 mL玻璃烧杯中，双层保鲜膜封口，在室温环境（温度25±2 ℃，相对湿度50%±5%，气压与大气压101.325 kPa一致）下放置1 h，随后使用进样针顶空取样检测。测定条件如下：预采样时间为5s，传感器自清洗时间为120 s，调零时间为10 s，测量间隔为1 s，进样流速为300ml/min，洗气流速为300 mL/min，测量时间为120 s，每次测量后下次顶空采样前，系统自动清零恢复初始状态，选用115~117 s这段时间内的实验数据。

1.5 数据分析方法

从顶部空间收集的气体由电子鼻金属氧化物半导体传感器识别，在消除噪声和数据归一化后，用于建模和分析。电子鼻输出值的相对电导率需要通过分析和处理才能达到鉴别的效果，有效的分析主要取决于能否选择到合适的分析方法。因此，我们需要根据电子鼻数据的特点选择一种恰当的分析方法，从而达到良好的降维和鉴别效果。电子鼻传感器采集原始数据后，分别通过柱形图分析、热图分析、主成分分析（PCA）、线性判别分析（LDA）和支持向量机（SVM）等方法，利用Excel 和Matplotlib 软件构建判别模型并进行数据分析。

2.1 传感器响应强度分析

根据图1~3，传感器对W1W、W5S、W2W、W2S 有不同程度的反应，说明传感器能识别出苹果样品上的硫化物、氮氧化物、芳香成分、有机硫化物、乙醇成分。从图1 中可以明显看出，传感器对空白苹果样品的响应小于对施用农药的苹果样品的响应，W1W 传感器的响应强度最大，其次是W5S传感器，可以明显识别出硫化物和氮氧化物。从图2 和图3 中可以看出，传感器对不同浓度农药的响应值是不同的，虽然W5S传感器和W1W 响应值均较为强烈，但是没有明显的规律。因此，样品之间的浓度差异不容易通过柱形图表示来区分，需要结合其他算法进一步计算分析。

图1 带有国家允许最高残留量的两种农药及其复配农药的苹果样本

图2 带有不同浓度高效氯氟氰菊酯的苹果样本

图3 带有不同浓度毒死蜱的苹果样本

2.2 主成分分析（PCA）

图4 中，每组样品都区分明显没有重叠，PC1 方差贡献率为89.37%，PC2 方差贡献率为10.52%，累计方差贡献率为99.89%。图5中，有无农药样本区别明显，2.0 mg/kg和3.0 mg/kg 有轻微重叠，PC1 方差贡献率为 87.37%，PC2方差贡献率为8.02%，累计方差贡献率为95.39%。图6 中，有无农药样本区别明显，2.0 mg/kg和4.0 mg/kg有轻微重叠，PC1 方差贡献率为90.87%，PC2 方差贡献率为5.76%，累计方差贡献率为96.63%。三个图中，第一主成分的方差贡献率均大于85.00%，说明第一主成分在区分不同苹果样品气味的过程中起着关键作用[10-11]。

图4 带有国家允许最高残留量的两种农药及其复配农药的苹果样本

图5 带有不同浓度高效氯氟氰菊酯的苹果样本

图6 带有不同浓度毒死蜱的苹果样本

2.3 线性分析（LDA）

图7 中，有无农药样本区别明显，LDA-1方差贡献率为60.21%，LDA-2 方差贡献率为31.07%，累计方差贡献率为91.28%。所有苹果样品分布在三个不同象限内，且相隔距离较远，彼此之间无重叠[12-13]。图8 中，除了2.0 mg/kg 和3.0 mg/kg 有较轻重叠外，其他几组样本区别明显，LDA-1方差贡献率为77.12%，LDA-2 方差贡献率为11.14%，累计方差贡献率为88.26%。图9 与PCA 不同，LDA 每种浓度的样品均完全区分，方差贡献率为67.95%与14.24%，累计方差贡献率为82.19%。图7~9 中，LDA-1 与LDA-2 累计方差贡献率均大于80%，表明这两种主成分包含了样本的大部分信息，因此，可作为苹果样本分析的两个主要成分。

图7 带有国家允许最高残留量的两种农药及其复配农药的苹果样本

图8 带有不同浓度高效氯氟氰菊酯的苹果样本

图9 带有不同浓度毒死蜱的苹果样本

2.4 支持向量机分析（SVM）

为了识别苹果样品并进行结果评价，330个苹果样品均用来做SVM 的训练集与测试集分组，每组30个平行样品均取115~117 s 的响应值，取平均数后输入SVM 体系中建立模型，苹果样品的农药浓度是分析的输出值[14-15]。每组中，随机选择70%的样品作为训练集，剩余的30%作为测试集（即每组21个样品用于训练集，9个样品用于测试集）。使用RBF核函数的分类类型为C-SVM，惩罚系数C值设为 2，γ 值设为 0.25，330个样品中，训练集有 231个样品，预测集有99个样品，SVM 模型中带有不同浓度农药的苹果分析结果如表4所示。

表4 SVM模型中带有不同浓度农药的苹果分析结果

C- SVM 模型输出结果显示，Ⅰ组的准确率最高，以不同农药空白样本和国家允许最高残留量的苹果样本进行分类的训练集苹果中，训练集84个样本中有2个样本判断错误；
测试集36个样本中有2个样本识别错误，训练集与测试集准确率可以分别达到97.62%与94.44%。Ⅱ组是以带有不同浓度菊酯的苹果样本进行分类，训练集126个样本中有6个样本识别错误，训练集准确率为95.24%；
测试集54个样本中有5个样本识别错误，测试集准确率为90.74%。Ⅲ组是以带有不同浓度毒死蜱的苹果样本进行分类，训练集105个样本中4个样本识别错误，训练集准确率为96.19%；
测试集45个样本中有4个样本识别错误，测试集准确率为91.11%。

实验研究结果表明，电子鼻采集农药气味后，通过合适算法进行分析，可以有效鉴别不同农药。通过电子鼻采集到的原始气味图谱，利用Excel 进行响应值分析，生成柱状图表明，传感器对不同浓度农药的响应值是不同的，W1W 传感器的响应强度最大，其次是W5S 传感器，说明可以明显识别出硫化物和氮氧化物。通过PCA 模型分析，各组样品第一主成分的方差贡献率均大于85%，说明第一主成分在区分不同苹果样品气味的过程中起着关键作用。通过LDA 模型分析，各组样品的两种主成分累计方差贡献率均大于80%，表明这两种主成分包含了样本的大部分信息，因此，可作为苹果样本分析的两个主要成分。通过SVM 分析并建立模型，结果表明，测试集与训练集准确率均大于90%，可以准确识别苹果样本上的农药。综上，电子鼻技术可以作为在水果与蔬菜上分析检测不同种类农药残留的手段之一。目前市场存在的水果与蔬菜种类繁多，仅凭外观很难区分其品质好坏，运用现有的定量检测或以生物检测法为基础的农残快速检测仪均需要破坏样品且各有其局限性，如果将电子鼻技术应用于水果与蔬菜农残质量安全管控，将有利于减轻农产品质量监督难度，为食品安全提供保障。