CN107976428B - 水产品化学污染物的无损实时检测方法与装置 - Google Patents
水产品化学污染物的无损实时检测方法与装置 Download PDFInfo
- Publication number
- CN107976428B CN107976428B CN201711142540.3A CN201711142540A CN107976428B CN 107976428 B CN107976428 B CN 107976428B CN 201711142540 A CN201711142540 A CN 201711142540A CN 107976428 B CN107976428 B CN 107976428B
- Authority
- CN
- China
- Prior art keywords
- sample
- fluorescence
- image
- drug
- detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/645—Specially adapted constructive features of fluorimeters
- G01N21/6456—Spatial resolved fluorescence measurements; Imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N2021/6417—Spectrofluorimetric devices
- G01N2021/6419—Excitation at two or more wavelengths
Abstract
本发明公开了一种水产品化学污染物的无损实时检测方法与装置,具体公开了一种基于荧光高光谱成像技术的海产品药物残留高通量筛检及危害快速无损识别机理的检测方法与装置。所述装置,包括:检测单元和控制单元,所述检测单元由高光谱成像仪、卤素灯、光谱仪、CCD探测器、电动平移台构成;所述控制单元由数据采集分析系统、药物残留定性危害识别系统构成。
Description
技术领域
本发明涉及一种水产品化学污染物的无损实时检测方法与装置,具体涉及一种基于荧光高光谱成像技术的海产品药物残留高通量筛检及危害快速无损识别机理的检测方法与装置。
背景技术
浙江省是海洋与渔业大省,渔业资源非常丰富。根据浙江省出入境检验检疫部门的相关数据表明,2014年,我省海产品出口总量达到54.32万吨,金额20.97亿美元,同比分别增加了13.1%和7.81%。随着海产品行业比重不断加大,消费者对健康的日益关注,消费者对海产品等优质动物蛋白的需求日趋多元化,对海产品质量安全的要求也不断提高。优质安全的海产品不仅得到了消费者的普遍喜爱和接受,更是受到渔业行业的重视和推广。海产品的生产、销售及加工在我省渔业中拥有广阔的市场发展前景,并且能够为现代渔业带来巨大的经济增长效益。然而,海产品质量安全存在着许多隐患,由此引起的海洋食品安全问题也逐渐增多。一方面,鱼药在海产品养殖生产的病害防治过程中起着不可或缺的作用,另一方面,过量不当使用鱼药会造成海产品药物残留,严重危害消费者的健康安全。海产品药物残留问题,不仅制约了海洋渔业快速健康的发展,而且影响了我省海产品市场竞争力的提升。海产品的品质安全问题受到了社会的广泛关注。浙江省渔业正朝着生态、高效、健康、安全的方向发展。《浙江省渔业发展相关计划》中就指出,要积极开展以养殖产品药物残留、捕捞产品保鲜剂为重点的专项整治,要加快实施渔业环境检测、产品质量检测和水生动物防疫检疫等“三检合一”的海产品安全监管体系建设。此外,《浙江省肉品和海产品安全专项整治“百日会战”行动方案》(浙食安委〔2015〕2号)中也强调要进一步加强海产品质量安全监管,重点整治使用禁限用农药、兽药等的违法行为。由此可见,从养殖、加工到销售整个流通过程实现海产品药物残留的动态监测和实时控制,是有效保证海产品食用性、安全性和可靠性的关键环节。
对于海产品质量安全问题,在社会广泛关注的背景下,研究对海产品质量安全能够进行快速高效、无损实时的检测方法,研发能够实现对海洋产品药物残留进行高通量筛选和快速无损检测技术手段势在必行。海产品药物残留的高通量筛选和快速无损检测具有广阔的应用和推广前景。一方面,我省是海产品生产和消费大国,加之海洋食品安全事件频发,对海产品安全无损和快速检测技术装置十分渴求。在海产品养殖、生产、加工、销售、进出口等各环节,急需适用于我省无损快速检测技术和装置,以替代进口的、昂贵的生化检测技术和设备,既能增加养殖加工户的经济收入和积极性,又能提高水产加工企业的市场竞争实力。另一方面,利用智能化的无损检测方法,能够有效地解决常规检测手法所不能解决的效率较低、破坏样本、检测滞后等问题,从而保障消费者安全和我国农产品国际竞争力。因此,如何实现海产品药物残留的高通量筛选和快速无损预测评估,有效解决我省海产品质量安全问题,对于确保我省海洋渔业产品向优质化、安全化、高效化发展具有重要的现实意义。
针对海产品农药残留的高通量筛选和食用安全的实时评估这一研究热点,国内外专家学者从不同角度开展了深入的研究。常规的药物残留检测方法,如分子印迹技术、免疫分析法、生物传感器法、酶抑制法、色谱法及质谱法等,虽然具有较高的灵敏度和专一性,但是均存在样本前处理复杂、检测过程耗时长以及对样本产生不可逆转的破坏等缺点,难以满足快速高效无损的要求。光学检测技术是一项快速发展的新型无损检测技术,具有快速、无损、实时、在线等技术特征,在海产品品质安全检测方面发挥着巨大的应用潜力。
在国外,光学技术作为快速无损检测技术在海产品品质安全检测和评定的应用较为广泛,主要应用在海产品营养成分分析、新鲜度评价、品种鉴定与判别等方面。Wold等应用近红外多光谱成像系统检测干腌黑鳕鱼片15个波段的光谱图像,采取偏最小二乘方法建立样本平均光谱与相应分布的水分含量模型,并且通过该模型预测出光谱图像每个像素点的水分含量,从而实现了鱼片中水分分布的可视化。EIMasry等采集了六种不同鱼片的短波近红外多光谱图像,取样测定了鱼片中脂肪和水分的含量分布,建立偏最小二乘模型,通过模型预测鱼片中水分和脂肪的分布,从而使脂肪和水分分布可视化。Segtnan等针对大西洋鲑鱼中脂肪和盐份的含量分布做了研究,完成了鲑鱼中脂肪和盐份含量的可视化。Ottestad等通过鱼片中冰分数与鱼片的平均光谱建立偏最小二乘模型,实现了预测鱼片中冰分数的分布。Khojastehnazhand等应用不同波段的高光谱成像技术对鳟鱼的残留浓度做了鉴别。在研究中对(400~1000nm)、(1000~2500nm)两个波段所采集的光谱数据进行了主成分分析,并以聚类鉴别、偏最小二乘鉴别分析出鱼的不同残留浓度鉴别正确率分别为100%和75%。He等应用高光谱成像技术在可见/近红外波谱范围内检测了大西洋鲑鱼的嫩度分布情况。对所采集光谱数据进行连续投影算法处理,并选取了四个特征波长,建立了最小二乘支持向量机模型,通过该模型预测光谱图像上鱼的嫩度,预测相关系数为 0.905。Cheng等为了将冷冻-解冻后草鱼中挥发性盐基氮的含量分布可视化,利用高光谱成像技术在可见/近红外光谱范围采集草鱼的光谱图像,采用连续投影算法和最小二乘支持向量机建立模型。在海产品的安全性指标的评价上,主要包括鱼的表面微生物污染。 Wu等采用可见/近红外高光谱技术检测不同腐败时间大西洋鲑鱼菌落总数,通过采集光谱数据和相应位置处菌落总数建立模型,从而预测菌落总数的分布情况。
在国内,光谱技术的应用主要集中在海产品营养成分检测、品种识别与鉴定以及食用安全性能评定等。朱逢乐等利用400~1100nm和900~1700nm的可见/近红外高光谱成像技术获取大西洋鲑鱼的高光谱图像,采用竞争性自适应重加权算法(CARS)分别提取16个和15个特征波长,结合PLSR建立脂肪预测模型,预测决定系数为0.92,同时实现了鱼片脂肪定量和分布的可视化研究。王小燕等利用傅里叶变换近红外光谱采集了带鱼的光谱信息,采用多元散射校正预处理方法结合偏最小二乘回归建立了带鱼的水分和蛋白质含量的预测模型,预测相关系数分别为0.92和0.90。程旎等利用傅里叶变换近红外光谱技术,采用CARS提取了800~1100nmz最优波段处的23个变量,结合PLSR建模方法建立了鳊鱼鱼体挥发性盐基氮含量的定量预测模型,预测相关系数为0.957,对鱼体新鲜度评定的准确率达到96.67%。孟志娟等利用傅里叶变换近红外光谱采集5个产地的带鱼醇提物的近红外指纹图谱,提取了14个共有峰,利用二阶导数图谱结合主成分分析法建立了带鱼产地鉴别判别模型,判别准确率为87.3%。徐文杰等[23]应用1000~1799nm的近红外光谱技术对7个不同品种的淡水鱼进行分析,结合主成分分析和BP人工神经网络技术建立品种鉴定的最优模型,模型的鉴别准确率为96.4%。章海亮等利用380~1023nm的高光谱成像技术,提取第一主成分图像中的灰度共生矩阵纹理特征参量,结合偏最小二乘支持向量机(LS-SVM)建立模型,对鱼不同残留浓度后冻融次数进行鉴别,识别准确率达到 98%。
发明内容
以上研究表明,光学无损检测技术在海产品品质安全快速无损检测方面具有巨大的应用潜力和研究价值。因此,本发明深入研究海产品受不同药物残留影响的质构特征变化,拟通过利用荧光高光谱成像检测技术,获取氯霉素、孔雀石绿、硝基呋喃等常见违禁药物有害残留物质的图谱特征信息,分析各有害残留物质成分显示出一定的光谱特征的化学基团,确定残留药物的敏感特征波长,通过大量的实验和分析,解明海产品药物残留的光学特性,建立可靠的海产品农药残留种类定性识别和浓度定量预测模型,实现海产品药物残留高通量筛查和食用安全的快速无损实时评定。通过本发明的顺利实施,满足生产流通过程中质量监控的实际需求,对海产品药物残留的危害状态进行安全性评价和快速检测,为研发海产品品质安全的无损快速实时检测实用技术提供理论基础。
因此本发明提供了:
(1)、一种水产品药物残留的无损实时检测方法,其步骤包括:
A在电动平移台上安放待测样本;
B用紫外灯光源照射所述样本,
C移动平台速度3.0mm/s移动,同时使用光谱仪采集高光谱荧光图像;
D准备不同浓度的药品处理所述样本作为建模集样本,利用每个样本重复上述A、B、 C步骤,获取建模集样本的高光谱荧光图像;
E用建模集样本的光谱与残留浓度建立线性的偏最小二乘回归;
F用PLSR模型对预测集样本图像上每个像素点的残留浓度进行预测,结合IDL软件的图像编程技术,通个可视化的颜色对比实现残留浓度的判断。
(2)、如(1)所述的方法,所述水产品是鲳鱼。
(3)、如(2)所述的方法,所述鲳鱼在检测前,预先在眼部滴入2mol/L浓度的乙酸。
(4)、如(1)所述的方法,所述药物是甲砜霉素。
(5)、一种水产品药物残留的无损实时检测装置,包括:检测单元和控制单元,
所述检测单元由高光谱成像仪、卤素灯、光谱仪、CCD探测器、移动平台构成;
所述控制单元由数据采集和分析系统、药物残留定性危害识别系统构成,
所述数据采集分析系统控制调试曝光时间、移动平台速度、成像分辨率、执行白板校正和暗场校正、并对图像进行处理和分析,所述药物残留定性危害识别系统,基于图像可视化方法建立所述水产品中药物残留定性危害识别,
所述定性危害识别,检测水产品表面200~1100nm波段范围的荧光高光谱图像信息,提取并分割水产品样本中有效波段图像中的荧光区域,实现水产品安全信息的可视化表达,对水产品是否受到化学污染物污染进行一个定性判断,
并检测水产品残留化学污染物相关的特征谱峰和图谱带,选取有意区域叠加后取平均光谱曲线,提取光谱曲线上的荧光波峰位置、荧光强度、斯托克斯位移等残留药物的荧光特征参数,对待测样品中的药物残留进行预测。
附图说明
图1高通量荧光高光谱成像检测系统示意图
图2本发明试验设计的技术路线
图3平均原始吸光度光谱曲线
图4不同样本的可见/短波近红外吸光度光谱求均值
图5PLSR模型对预测集样本预测的残留浓度散点分布图
图6通过颜色预测的药物残留浓度示意图
图7本发明实施例所使用样本示例
具体实施方式
本发明以海水鱼中鲳鱼等典型鱼种为研究载体,采用光学无损检测技术,构建一套荧光高光谱成像检测系统,探索分析残留有害物质的光学异同性规律,针对导致海产品中几种常见的残留药物如甲砜霉素等,寻求残留药物与光学信号的特征的内在关联,并建立药物残留的定量检测的数学模型,分析药物残留预测模型精度以及在实际流通中的有效性,最终建立一种快速、准确、无损的海产品药物残留高通量筛查及危害实时无损识别的方法。
本发明的主要研究内容主要包括以下几点:
1.荧光高光谱成像检测系统构建及药物残留标准参照值测定
搭建并校准海产鱼药物残留快速高通量检测的荧光高光谱光学无损成像检测实验系统。该系统主要由光源系统、信号采集系统和控制软件三部分组成。采集完样本的荧光高光谱图像后,根据《动物性食品中兽药最高残留限量》标准,采用高效液相色谱法进行样本中药物残留的标准参照值检测。
2.海产鱼的荧光高光谱成像信息的高通量可视化检测
采用自主搭建的高通量荧光高光谱成像系统实验平台获取反映海产鱼药物残留污染程度的立方体荧光高光谱图像,得到被测样本空间上和光谱维上的信息,使传统的药物荧光信息具有可视化的特点,从而对被测海产鱼残留药物样本进行定量和定性的分析。采用 365nm长波UVA管式紫外灯作为线光源扫描鱼产品,将样本放置在电动平移台的载物台上,控制平移台的连续运动与相机控制软件图像采集同时进行。对不同浓度的样本进行检测,分析不同浓度兽药的特征荧光发射波长的强度,实现对海产鱼中低浓度兽药的可视化检测。
3.微量药物荧光特征参数提取及定性识别
获得某个样本不同位置的连续的300张高光谱荧光线图像,导入ENVI 4.3软件进行后续处理,提取荧光高光谱图像的感兴趣区域(ROI)的平均光谱曲线,获得甲砜霉素、孔雀石绿、硝基呋喃药物的特征荧光特征波长,从高维复杂的光谱数据中获取与海产鱼残留药物相关的特征谱峰和图谱带,提取光谱曲线上的荧光波峰位置、荧光强度、斯托克斯(stokes)位移等残留药物的荧光特征参数。采用Fisher判别法和贝叶斯判别法(Bayesiandiscriminant)进行定性危害快速无损识别。
4.海产鱼主要药物残留含量与荧光高光谱成像特征定量预测模型的建立和验证。
预测模型建模数据由两个部分组成,即海洋鱼样本药物残留的标准参照值矩阵与和与它们相对应的光谱矩阵来表示。通过大样本重复性实验,验证预测模型的精度和可靠性,发现问题并提出解决方案,完善检测手法,建立一种快速、准确、无损的海产鱼中药物残留的预测方法。药物含量越大的样本其荧光强度越强,根据这一特性,可实现对不同含量的药物样本进行定量分析。
具体的研究方法和实验手段如下所述:
(1)荧光高光谱成像检测系统构建和海产鱼光谱图像信号高通量采集
荧光高光谱成像无损检测系统组成及结构示意如图所示,由高性能CCD探测器(Sencicam QE Germany)、成像光谱仪(ImSpector V10E,Spectral Imaging Ltd.,Finland)、 2盏365nm长波UVA管式紫外灯(XX-15A,Spectronics,USA)、计算机以及由控制器控制的二维电动控制平台组成(AH-STA02200型)等部件构成。成像检测系统由计算机统一控制,并由CCD采集软件(SenciCam,The Cooke Corporation,USA)进行控制,通过设置相机的延时、曝光时间、Binning等参数以获取能反映被测海产鱼样本信息的荧光高光谱图像。整个检测范围为400~1100nm。采用365nm紫外光源对样本进行照射,采取推扫式方式,获取海产鱼样本表面每个测试点包含数百波长的荧光光谱信息。
(2)实验样本准备及药物残留标准值检测
以鲳鱼典型海产鱼鱼种为研究对象,以甲砜霉素主要海产鱼中的药物残留量为检测指标。
采集完样本的荧光高光谱图像后,根据《动物性食品中兽药最高残留限量》标准,采用高效液相色谱法进行样本中药物残留的标准参照值检测。氯霉素的检测采用酶联免疫法筛选,并按照《水产品中氯霉素残留量的测定气相色谱法》(SC/T 3018-2004)确认。孔雀石绿的检测执行《水产品中孔雀石绿及其代谢物残留量的快速筛选测定酶联免疫法》(DB34/T 1421-2011)筛选,并按照《水产品中孔雀石绿和结晶紫残留量的测定高效液相色谱荧光检测法》(GB/T 20361-2006)确认。
(3)海产鱼荧光高光谱图谱解析及残留药物荧光特征参数提取
在海产鱼荧光高光谱无损检测实验过程中,由于受光学检测系统内部和外部因素的干扰,采集的光谱图像不可避免的存在一些噪声,因此采集图像后,采用均值滤波和中值滤波两种噪声抑制方法消除荧光图像中的噪声信号,以保证图像后续处理的精度。从高维复杂的光谱数据中获取与海产鱼残留药物相关的特征谱峰和图谱带,首先提取并分割海产鱼样本所有波段图像中的荧光区域,选取感兴趣区域叠加后取平均光谱曲线,提取光谱曲线上的荧光波峰位置、荧光强度、斯托克斯(stokes)位移等残留药物的荧光特征参数。
(4)海产鱼药物残留的种类定性危害识别和浓度定量预测模型的建立和验证
通过主成分分析等优化方法结合竞争性自适应重加权算法(CARS)、间隔偏最小二乘(iPLS)、无信息变量消除法(UVE)和连续投影算法(SPA)等光谱变量筛选方法优选出选取不同波长区域的特征变量。定性识别模型建模数据由两个部分组成,即海产鱼样本残留药物类别属性矩阵和与它们相对应筛选出的光谱特征变量矩阵来表示。采用Fisher 判别法和贝叶斯判别法(Bayesian discriminant)进行定性危害快速无损识别。定量预测模型建模数据由两个部分组成,即海产鱼样本残留药物的标准参照值矩阵与和与它们相对应筛选出的光谱特征变量矩阵来表示。利用偏最小二乘回归(Partial least squaresregression, PLSR)、多元线性回归(Multi-linear regression,MLR)、支持向量机回归(Support vector machine,SVM)等定量分析方法建立定量预测模型。通过大样本重复性实验,验证预测模型的精度和可靠性。具体如高通量荧光高光谱成像检测系统示意图
实施例
发明的高光谱试验系统,如图1所示的高通量荧光高光谱成像检测系统示意图。该系统主要由高性能背照明CCD相机(Sencicam QE)、行扫描高光谱摄制仪(ImSpector V10E,Spectral Imaging Ltd.,Finland)、紫外光源(佛山照明)、AH-STA02型电动平移台、 AH-STA02型运动控制器(北京安和光电仪器有限公司)、图像采集卡和控制计算机等组成。相机的分辨率为1376像素×1040像素,光谱仪的光谱范围是400~1100nm。试验中为排除外界光的干扰,使用由铝合金支架组成的暗室将系统与外界隔离。
1.2样本的制备
氯霉素类抗生素是广泛使用的兽药之一。目前主要有氯霉素(CAP)、甲砜霉素(TAP) 和氟苯尼考(FF)三种药物,其中甲砜霉素是氟苯尼考的衍生物,它们的抗菌作用与氯霉素相似。氯霉素会导致人体再生障碍性贫血,这种毒性作用与剂量和疗程无关,国际上相继禁止或严格限制使用氯霉素。氟苯尼考和甲砜霉素是氯霉素的替代物,但大量使用导致其在畜产品以及奶制品中大量残留,危害人体健康。因此,我国规定氯霉素禁止使用,甲砜霉素在各动物组织的最大残留限量为50ug/kg。
本发明使用的甲砜霉素为标准品(99.5%,德国Dr.Ehrenstorfer),用无菌水稀释成5、 10、15、20、25、30、35、40、45、50、55、60ug/kg等12个浓度,将配置好的甲砜霉素溶液放置在三角瓶中备用。作为基本的试验方法:从绍兴水产养殖中心购置鲳鱼,该鲳鱼在养殖过程中确保全程没有使用甲砜霉素。
乙酸,也叫醋酸(36%~38%)、冰醋酸(98%),化学式CH3COOH,是一种有机一元酸,为食醋主要成分。纯的无水乙酸(冰醋酸)是无色的吸湿性固体,凝固点为16.6℃ (62℉),凝固后为无色晶体,其水溶液中呈弱酸性且蚀性强,蒸汽对眼和鼻有刺激性作用。本发明所使用的醋酸溶液可以为分析纯级别的醋酸原液,配制成10mol/L浓度的醋酸溶液,可进一步用无菌水稀释后使用。
1.3高光谱荧光图像的采集
采集样本高光谱荧光图像前,首先要进行光谱仪和电动平移台的设置。光谱波段范围是380-1030nm,共有512个波段。CCD相机像素是672×512(空间维×光谱维)。2个150 W的卤素灯光源以45°的角度照射视场角。在高光谱图像数据釆集前,预先根据光源的照度设定好曝光时间以保证图像不会曝光过度,设定好镜头到样本的距离以保证获得清晰的图像,并调整好移动平台的传输速度以避免图像空间分辨率失真。经过多次调整及参数优化,最终确定曝光时间为0.08s,物距为45cm,移动平台速度为3.0mm/s。然后,进行白板校正和暗场校正以减小相机暗电流和光强变化对图像信号的影响。
1.4荧光产生的基本原理
有机分子在紫外灯的照射下,其分子就由原来的基态能级跃迁至电子激发态的各个不同振动能级。激发态的分子很不稳定,经与周围分子撞击而消耗了部分能量,迅速下降至第一电子激发态的最低振动能级,经过很短的时间(10~8s),直接以光的形式释放出多余的能量,下降至电子基态的各个不同振动能级,此时所发射的光即是荧光。产生荧光的首要条件是该物质的分子必须具有能吸收激发光的结构,荧光通常发生在那些带有延伸π电子轨道的分子或带有共轭双键体系的有机分子中。具有强烈荧光的有机分子,应具有刚性的、不饱和的、平面型的多烯体系。本研究中使用的甲砜霉素的分子结构如图2所示,可以看出它具有刚性的、不饱和的、平面型的结构,理论上具有很强的荧光特性。此外,有机物分子溶于某些溶剂中后将与溶剂中的水分子形成氢键,从而增加分子的平面性,则荧光加强。本发明中在鱼眼处加入乙酸溶液就是为了加强其荧光特性。
2鲳鱼样本的处理和高光谱图像采集
2.1鱼样本的处理
试验所用的40尾淡水金鲳鱼来自绍兴市水产中心,规格基本一致(800~900g)。鱼冰水休克,击头致死,去头尾和内脏,洗净控干。将整鱼浸泡于上述甲砜霉素溶液中10 分钟,取出每个样本分别放于塑料密封袋中,再置于装满新鲜碎冰的干净泡沫保温箱(带有滴水孔)中,于0.5~l小时内快速运至实验室。立即将全部的样本放入冰柜冷藏,温度控制在3±0.5℃。对整鱼或头部(扫描通过鱼眼部)采集可见/短波近红外高光谱图像,另外,在采集鱼眼部时,还有一组滴入2mol/L的醋酸溶液后,再采集可见/短波近红外高光谱图像,发现特征峰谱的差异特征更明显(如图4所示)。
2.2可见/短波近红外高光谱图像采集
可见/短波近红外高光谱成像系统的组成部件见图1。采集方式是反射。光谱波段范围是380-1030nm,共有512个波段。CCD相机像素是672×512(空间维×光谱维)。2个 150W的卤素灯光源以45°的角度照射视场角。在高光谱图像数据釆集前,预先根据光源的照度设定好曝光时间以保证图像不会曝光过度,设定好镜头到样本的距离以保证获得清晰的图像,并调整好移动平台的传输速度以避免图像空间分辨率失真。经过多次调整及参数优化,最终确定曝光时间为0.09s,物距为50cm,移动平台速度为3.0mm/s。然后,进行白板校正和暗场校正以减小相机暗电流和光强变化对图像信号的影响。样本高光谱图像采集时,用吸水纸擦去鱼样本表面的多余水分,置于移动平台上,通过线扫描方式获取三维高光谱图像。
2.3不同浓度药物处理的鱼的可见/短波近红外光谱
在校正后的高光谱图像内,选取尽可能大的不包含背景信息的多边形感兴趣区域(ROI),提取ROI内所有像素点的反射率光谱,并求得其平均光谱。由于样本光谱曲线在首尾均有较大的噪音,所以只采用波段56到495(对应445~1001nm)的光谱用于后续分析。依次提取每个样本图像的平均光谱,得到440(波段数)×160(样本数)的光谱数据矩阵。平均光谱的提取是基于ENVI软件。
所有鱼样本的平均原始吸光度光谱曲线如图3所示。鱼光谱曲线在980nm和730nm左右的吸收波段分别是水分子中0-H键的二级和三级倍频吸收带;在930nm和760nm附近的吸收波段分别是有机物中C-H键的三级和四级倍频吸收带;在547nm处的波峰是由于血红蛋白(Hb)和肌红蛋白(Mb)分子上血红素的吸收,在507nm附近的波谷是由于高铁血红蛋白(metHb)和高铁肌红蛋白(metMb)分子上氧化血红素的吸收。鱼在冷藏过程中,Hb 和Mb逐渐被氧化为metHb和metMb,所以547nm处Hb和Mb的吸收与507nm处metHb 和metMb的吸收负相关。
为了更清楚地展示不同浓度处理的鱼光谱的不同,将每个浓度处理的20个鱼样本的可见/短波近红外吸光度光谱求均。不同浓度处理鱼的光谱曲线的变化趋势基本相同,然而随着浓度处理的增加,吸光度逐渐降低。除了鱼厚度的差异导致的基线漂移外,不同浓度处理鱼的光谱差异主要与药物残留浓度的变化相关。另外,经过乙酸处理后再测吸光度时,发现其特征峰谱的差异更为明显,因此本发明优选在预测药物残留时,可先用乙酸进行处理样品。优选使用2mol/L浓度乙酸处理,另外,从对样品的无损保护角度出发,更优选用乙酸处理样品的头部,进一步优选处理鱼的眼部。乙酸可使用食用醋,如图4所示。
虽然不同浓度处理鱼的吸光度强度不同,在上述几个官能团的吸收也存在差异,但不同时间鱼的光谱曲线趋势基本相同,难以直观地从图上区别不同的残留浓度,必须通过对光谱曲线的分析和建模来检测鱼的不同残留浓度。
2.4药物残留浓度的预测
本研究共有12个不同的浓度处理,将所有的240个样本划分为建模集和预测集,建模集样本用于建立可靠稳定的模型,预测集样本不参与建模过程,用于检验所建模型的性能。从每种处理浓度的20个样本中随机抽取15个样本,共180个样本作为建模集,其余每种5个,共60个样本作为预测集。建模集样本的平均吸光度光谱445~1001nm作为自变量Z,因变量是鱼的残留浓度,采用偏最小二乘回归(Partial Least Squares Regression, PLSR)、BP人工神经网络(BP-ANN)和最小二乘支持向量机(LS-SVM)建立Z与I"的相关性模型。建模过程中,采用全交互验证(fiill cross validation)检验模型是否出现过拟合现象。一般而言,所建模型对建模集和验证集样本的预测性能相当,则说明所建模型较好,未出现过拟合;若模型对建模集样本预测很好,而验证集样本的预测效果较差,说明模型存在过拟合,所建模型缺乏适用性。预测集样本用于外部验证所建模型的性能,对预测集样本的残留浓度进行预测,并与真实值比较,以两者之间的相关系数和预测均方根误差(Root MeanSquare Error of Prediction,RMSEP)作为模型的主要评价标准。模型的相关系数越接近1,均方根误差越接近0,则模型的预测性能越好,精度越高。建模相关系数和建模均方根误差(Root Mean Square Error of Calibration,RMSEC),交互验证相关系数和交互验证均方根误差(Root Mean Square Error of Cross Validation,RMSECV)为辅助评价标准。PLSR、BP-ANN和LS-SVM模型的建立分别是基于Unscrambler、Weka和MATLAB软件。3个模型的建模、交互验证与预测结果如表1所示。
表1:PLSR,BP-ANN和LS-SVM模型对药物处理浓度建模与现测结果的参数统计
在表1中,PLSR模型取得了很好的结果,建模集和交互验证集的结果相近,及C和分别为0.9786和0.9654。预测集的结果与建模集、交互验证集的结果相近,及P为0.9852,RMSEP为0.6814。图5为PLSR模型对预测集样本预测的残留浓度散点分布图,横坐标为真实残留浓度,纵坐标为预测时间,样本均分布于理想预测直线(Ideal Prediction Line) 周围,且距直线比较近,说明可见/短波近红外光谱结合PLSR算法可以准确地预测鱼的残留浓度。
LS-SVM模型的结果与PLSR相似,建模集和交互验证集的.结果很相近,R都较高,RMSE都较低。模型对预测集样本预测的残留浓度散点分布均显示模型取得了较好的预测结果。考虑到线性PLSR比非线性的LS-SVM模型更简单、省时,釆用PLSR进行下一步的药物残留浓度的可视化。
2.5药物残留浓度的可视化
高光谱图像上每个像素点都有一条光谱曲线。用建立的PLSR模型预测40个预测集样本的高光谱图像上每个像素点的药物残留浓度,再在IDL软件中釆用图像编程技术将不同的时间用不同的颜色表示,最终得到残留浓度的预测伪彩图,如图5所示。成图的过程中釆用阈值400分割背景,将背景设为黑色。从图6中右下角的线性颜色条可以看出,深蓝色代表药物残留值0,深红色代表最高浓度60,从深蓝到深红的渐变代表药物残留浓度逐渐增加,不同的颜色代表了不同的浓度。图中从上往下分别是0、5、10、20、30、40、 50、60ug/kg的8个预测样本,颜色从深蓝逐渐变化到深红,且真实残留浓度与图中颜色对应的预测残留浓度基本相符,说明用平均光谱建立的模型能准确预测未知样本上每个像素点的残留浓度。由图6可见,0~10ug/kg鱼的图像中蓝色和绿色像素点较多,且随时间的推移变化比较慢。20ug/kg残留的鱼样本图像中绿色像素点居多,黄色和橙色像素点开始增多。40、50ug/kg残留的鱼样本的图像中黄色和红色像素点明显增多,蓝色像素点已较少。60ug/kg残留的鱼样本的图像中已基本是红色像素点。因此,图6显示的是成功预测药物残留浓度的预测图。
应用可见/短波近红外(380~1030nm)高光谱成像技术对鲳鱼的药物残留进行快速无损检测和可视化。釆集不同残留浓度的鱼高光谱图像,提取样本的平均光谱,用建模集样本的光谱与残留浓度建立线性的偏最小二乘回归(PLSR),非线性的BP人工神经网络(BP-ANN)和最小二乘支持向量机(LS-SVM)模型,再对预测集样本的残留浓度进行预测。PLSR与LS-SVM模型的结果相近,均取得了较高的建模和预测精度。用PLSR模型对预测集样本图像上每个像素点的残留浓度进行预测,结合IDL软件的图像编程技术,以伪彩图的形式实现了预测残留浓度的可视化,是本发明的技术效果。
Claims (3)
1.一种水产品药物残留的无损实时检测方法,其步骤包括:
A在电动平移台上安放待测样本;
B用紫外灯光源照射所述样本,
C移动平台速度3.0mm/s移动,同时使用光谱仪采集高光谱荧光图像;
D准备不同浓度的药品处理所述样本作为建模集样本,利用每个样本重复上述A、B、C步骤,获取建模集样本的高光谱荧光图像;
E用建模集样本的光谱与残留浓度建立线性的偏最小二乘回归;
F用PLSR模型对预测集样本图像上每个像素点的残留浓度进行预测,结合IDL软件的图像编程技术,通个可视化的颜色对比实现残留浓度的判断,
所述水产品是淡水金鲳鱼,
所述淡水金鲳鱼在检测前,预先在眼部滴入2mol/L浓度的乙酸进行预处理。
2.如权利要求1所述的方法,所述药物是甲砜霉素。
3.一种淡水金鲳鱼药物残留的无损实时检测装置,包括:检测单元和控制单元,
所述检测单元由高光谱成像仪、卤素灯、光谱仪、CCD探测器、电动平移台构成;
所述控制单元由数据采集分析系统、药物残留定性危害识别系统构成,
所述数据采集分析系统控制调试曝光时间、移动平台速度、成像分辨率、执行白板校正和暗场校正、并对图像进行处理和分析,
所述药物残留定性危害识别系统,基于图像可视化方法建立所述淡水金鲳鱼中药物残留定性危害识别,
所述定性危害识别,检测淡水金鲳鱼表面200~1100nm波段范围的荧光高光谱图像信息,提取并分割淡水金鲳鱼样本中有效波段图像中的荧光区域,实现淡水金鲳鱼安全信息的可视化表达,对淡水金鲳鱼是否受到化学污染物污染进行一个定性判断,
并检测淡水金鲳鱼残留化学污染物相关的特征谱峰和图谱带,选取有意区域叠加后取平均光谱曲线,提取光谱曲线上的荧光波峰位置、荧光强度、斯托克斯位移等残留药物的荧光特征参数,对待测样品中的药物残留进行预测,
用建模集样本的光谱与残留浓度建立线性的偏最小二乘回归;
用PLSR模型对预测集样本图像上每个像素点的残留浓度进行预测,结合IDL软件的图像编程技术,通个可视化的颜色对比实现残留浓度的判断,
所述待测样品在检测前预先在眼部滴入2mol/L浓度的乙酸进行预处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711142540.3A CN107976428B (zh) | 2017-11-17 | 2017-11-17 | 水产品化学污染物的无损实时检测方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711142540.3A CN107976428B (zh) | 2017-11-17 | 2017-11-17 | 水产品化学污染物的无损实时检测方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107976428A CN107976428A (zh) | 2018-05-01 |
CN107976428B true CN107976428B (zh) | 2020-09-11 |
Family
ID=62010225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711142540.3A Active CN107976428B (zh) | 2017-11-17 | 2017-11-17 | 水产品化学污染物的无损实时检测方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107976428B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109211803B (zh) * | 2018-09-17 | 2020-10-09 | 中国科学院生态环境研究中心 | 一种基于显微多光谱技术对微塑料进行快速识别的装置 |
CN110346305B (zh) * | 2019-07-17 | 2021-04-13 | 浙江大学 | 一种测量植物叶片氮含量的方法和装置 |
CN110376167A (zh) * | 2019-07-29 | 2019-10-25 | 北京麦飞科技有限公司 | 基于无人机高光谱的水稻叶片氮含量监测方法 |
CN110243805B (zh) * | 2019-07-30 | 2020-05-22 | 江南大学 | 基于拉曼高光谱成像技术的鱼刺检测方法 |
CN110702648B (zh) * | 2019-09-09 | 2020-11-13 | 浙江大学 | 基于非下采样轮廓波变换的荧光光谱污染物分类方法 |
CN110929944A (zh) * | 2019-11-28 | 2020-03-27 | 安徽大学 | 基于高光谱图像与光谱特征相融合技术的小麦赤霉病病情严重度预测方法 |
BR112022005580A2 (pt) | 2020-03-26 | 2022-10-04 | Tata Consultancy Services Ltd | Sistema e método de detecção de concentração de pluralidade de resíduos químicos em um produto agrícola |
CN111595781B (zh) * | 2020-05-15 | 2023-06-27 | 北京建筑大学 | 一种曲面拟合的地面高光谱影像反射率校正方法 |
CN112525869A (zh) * | 2020-07-13 | 2021-03-19 | 淮阴工学院 | 一种农药残留的分段式检测方法 |
CN113177544A (zh) * | 2021-04-27 | 2021-07-27 | 大连工业大学 | 一种罗非鱼加工过程损伤、血污残留的检测方法 |
CN114371149B (zh) * | 2022-01-20 | 2024-02-23 | 池州市农产品质量安全监测中心 | 一种农产品质量安全检测系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103411973A (zh) * | 2013-09-03 | 2013-11-27 | 西北农林科技大学 | 一种基于高光谱的酿酒葡萄果皮中花色苷含量测定的方法 |
CN103822879A (zh) * | 2014-02-24 | 2014-05-28 | 西北农林科技大学 | 一种基于高光谱成像技术的猕猴桃膨大果无损检测方法 |
CN104931470A (zh) * | 2015-06-02 | 2015-09-23 | 江苏大学 | 一种基于荧光高光谱技术的农药残留检测装置及检测方法 |
-
2017
- 2017-11-17 CN CN201711142540.3A patent/CN107976428B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103411973A (zh) * | 2013-09-03 | 2013-11-27 | 西北农林科技大学 | 一种基于高光谱的酿酒葡萄果皮中花色苷含量测定的方法 |
CN103822879A (zh) * | 2014-02-24 | 2014-05-28 | 西北农林科技大学 | 一种基于高光谱成像技术的猕猴桃膨大果无损检测方法 |
CN104931470A (zh) * | 2015-06-02 | 2015-09-23 | 江苏大学 | 一种基于荧光高光谱技术的农药残留检测装置及检测方法 |
Non-Patent Citations (3)
Title |
---|
基于高光谱荧光技术的叶菜农药残留快速检测;陈菁菁 等;《农业工程学报》;20101231;第26卷;第1.1-3节,图1-6 * |
水生动物中甲砜霉素的药理学作用及检测技术研究进展;李兆新 等;《食品安全质量检测学报》;20170430;第8卷(第4期);1212-1219 * |
用荧光技术检测蔬菜中的残留农药;娄志再 等;《激光生物学报》;20081231;第17卷(第6期);807-811 * |
Also Published As
Publication number | Publication date |
---|---|
CN107976428A (zh) | 2018-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107976428B (zh) | 水产品化学污染物的无损实时检测方法与装置 | |
Xiong et al. | Non-destructive prediction of thiobarbituric acid reactive substances (TBARS) value for freshness evaluation of chicken meat using hyperspectral imaging | |
Li et al. | Recent advances in nondestructive analytical techniques for determining the total soluble solids in fruits: a review | |
Chandrasekaran et al. | Potential of near-infrared (NIR) spectroscopy and hyperspectral imaging for quality and safety assessment of fruits: An overview | |
Li et al. | Detection of common defects on oranges using hyperspectral reflectance imaging | |
Kamruzzaman et al. | Parsimonious model development for real-time monitoring of moisture in red meat using hyperspectral imaging | |
Chen et al. | Machine vision technology for agricultural applications | |
Gowen et al. | Hyperspectral imaging–an emerging process analytical tool for food quality and safety control | |
Cheng et al. | Non-destructive and rapid determination of TVB-N content for freshness evaluation of grass carp (Ctenopharyngodon idella) by hyperspectral imaging | |
Huang et al. | A data fusion detection method for fish freshness based on computer vision and near-infrared spectroscopy | |
Wang et al. | Spectral detection techniques for non-destructively monitoring the quality, safety, and classification of fresh red meat | |
Sivertsen et al. | Automatic nematode detection in cod fillets (Gadus morhua) by transillumination hyperspectral imaging | |
Xiong et al. | Applications of hyperspectral imaging in chicken meat safety and quality detection and evaluation: A review | |
Tian et al. | Detection of early decay on citrus using hyperspectral transmittance imaging technology coupled with principal component analysis and improved watershed segmentation algorithms | |
Xiong et al. | Potential of hyperspectral imaging for rapid prediction of hydroxyproline content in chicken meat | |
Zhang et al. | Quality and safety assessment of food and agricultural products by hyperspectral fluorescence imaging | |
Iqbal et al. | An overview on principle, techniques and application of hyperspectral imaging with special reference to ham quality evaluation and control | |
Xiong et al. | Application of visible hyperspectral imaging for prediction of springiness of fresh chicken meat | |
Xu et al. | Efficient integration of particle analysis in hyperspectral imaging for rapid assessment of oxidative degradation in salmon fillet | |
Barbin et al. | Tenderness prediction in porcine longissimus dorsi muscles using instrumental measurements along with NIR hyperspectral and computer vision imagery | |
Zhou et al. | Detection of heavy metal lead in lettuce leaves based on fluorescence hyperspectral technology combined with deep learning algorithm | |
Chao et al. | High throughput spectral imaging system for wholesomeness inspection of chicken | |
Yang et al. | Detection of total viable count in spiced beef using hyperspectral imaging combined with wavelet transform and multiway partial least squares algorithm | |
Chen et al. | Hyperspectral imaging and chemometrics for nondestructive quantification of total volatile basic nitrogen in pacific oysters (Crassostrea gigas) | |
Wan et al. | Fusion of spectra and texture data of hyperspectral imaging for prediction of myoglobin content in nitrite-cured mutton |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |