光谱学与光谱学分析范文
时间:2023-05-16 14:58:35
导语:如何才能写好一篇光谱学与光谱学分析,这就需要搜集整理更多的资料和文献,欢迎阅读由公务员之家整理的十篇范文,供你借鉴。
篇1
关键词:关注度; 支持向量机; 期望最大化; 主动学习; 高光谱遥感图像
中图分类号:TP391.41 文献标志码:A
0引言
遥感图像分类在现实生活中有着非常广泛的应用,如地质勘探与地球资源调查、城市遥感与规划管理、环境与灾害监测、现代精细农业、测绘以及考古等遥感图像精准分类是诸多应用的基础问题,同时也是热点问题近十几年,卫星传感器技术得到了不断发展,遥感图像的光谱和空间分辨率不断提高,目前较为流行的高光谱成像系统包括AVIRIS、HYDICE、ARCHER、HYMAP和HYPERION通过这些成像系统获取的遥感图像所蕴含的信息得到了极大丰富,这为高光谱图像分类和聚类分析提供了新的契机,目前国内外学者提出了很多相关算法和方法,几乎所有经典的机器学习方法都被应用到图像分类和聚类分析中分类方面诸如基于最大似然和贝叶斯估计的方法[1]、基于核和决策树的方法[2]、基于图的方法[3],而在基于核的方法[4]中,支持向量机(Support Vector Machine,SVM)在分类中的表现较为突出;聚类方面的大多数方法都是通过像元之间的相似性,利用统计学方法对图像进行聚合[5]但是,单一使用分类或者聚类方法无法充分利用图像中所包含的光谱和空间信息,所以在文献[6]中使用监督分类方法初始化聚类分割区域的标签,再通过流域变换获取最优的分割图像,最终在分割区域内对分类图像的结果标签进行投票,分割区域将标记为投票最高的类别,其分类的最终结果优于单一的分类或聚类方法文献[7]用投票的方式对聚类结果和分类结果进行整合,最终使用分类所得的标签投票决定分割区域的类别,然后再对结果进行降噪处理,其最终精确度也比传统方法高但是,这两种方法都需要使用大量的训练样本来构造分类器,分类成本都比较高为了减少分类器对训练样本数量的需求,提高训练样本质量成为首要问题近几年,主动学习方法在寻找包含信息量较大、质量较高的训练样本时表现突出[8]
本文提出一种基于主动学习的高光谱图像分类(Hyperspectral Image Classification based on Active Learning, HICAL)方法,关注如何在减少训练集数量的同时提高分类精确度,结合了分类和聚类方法,充分利用高光谱图像的光谱和原始空间特征,找到信息量较大的分割区域,进而获取信息价值较高的训练样本,最终有效提高分类器的分类效果
1基于主动学习的高光谱图像分类方法
1.1问题描述
为了尽可能地降低高光谱图像分类精确度和所需的训练样本数量的比例,一方面需要充分利用高光谱图像所蕴含的信息,另一方面需要提高训练样本的质量
HICAL方法是以分类和聚类结果结合后所构建的框架为基础,使用本文提出的关注度计算方法对结合后的区域进行统计,以找到信息量较高的区域新的训练样本将在关注度较大的区域中产生,以此来提高训练集的质量
1.2HICAL方法
1.2.1聚类分析
本文使用期望最大化(ExpectationMaximization,EM)算法对高光谱图像进行聚类分析在统计计算中,EM是在概率模型中寻找参数最大似然估计的算法,其中概率模型依赖于无法观测的隐藏变量在使用EM算法过程中,可以假设所有的样本都是符合高斯分布
EM算法对图像进行聚类过程中,为了使算法尽快收敛,将高光谱图像的光谱波段进行分组求均值,以此来减少参与计算的光谱波段数量聚类所得到的分割图像通过四联通的方式进行区域划分,并且给这些区域唯一标号得到的带有标号的区域分割图将作为模板,在后续迭代过程中与分类结果进行整合
1.2.2监督分类
获取聚类结果之后,需要对图像进行监督分类本文在分类过程中使用支持向量机(SVM)方法SVM是目前监督分类使用较多的分类算法,是建立在统计学习理论的VC维理论和结构风险最小原理基础上的,具有较好的泛化能力和学习能力
二分的支持向量机最终目标是找到一个(d-1) 维的决策面,将测试样本分成两类在使用SVM进行图像分类时,总是将像元的特征通过一个核函数映射到一个较高维度的空间,这样使样本的区分度更大,通常使用高斯核函数(Radial Basis Function,RBF)
在二分问题中,通常将决策函数表示如下:
其中:SV表示得到的支持向量集合,对应的αi不等于0
使用SVM对多类问题进行分类时,通常采取两种策略一种是一对一(OneAgainstOne,OAO)的方式,另一种是一对多的方式(OneAgainstAll,OAA),本文采用OAO的方式
HICAL方法在第一次监督分类过程中,需要少许的训练样本,通过SVM构造分类器,且监督分类的步骤在整个分类过程中是迭代进行的,每当新的训练样本被增加到训练集时,都会重新构造分类器,对图像进行新一轮分类
1.2.3整合聚类和分类结果
在获取聚类和监督分类结果后,借鉴文献[7]中方法对两个结果进行整合,以聚类连通区域为模型对监督分类结果进行区域划分,并给出标号最终在整合结果中的每一个区域内,都包含一个或一个以上的像元,这些像元分类标记的类别可能比较集中,也可能比较分散,这些分类标记主要取决于监督分类器的预测
1.2.4获取新样本来源区域
获取整合结果之后,需要在结果所包含的区域中找到包含信息量较大的区域实验中总是更为关注那些含有较多像元,且分类标签比较分散的区域这样的区域如果分类准确度较高,将会很大程度地提高总体分类精确度因此,对区域的关注度给出如下公式定义:
其中:b为区域i包含像元个数ni的权重基数,用户可根据情况自己选择;t为迭代抽样的次数,其意义是,随着迭代的进行,在较大区域已经得到关注和抽样之后,对于这些区域的关注度将会不断下降,这样在防止大区域过分取样的同时,可以很好地兼顾到小样本区域,所以,可以很好地解决以往算法对小样本区域分类精确度不高的难题
获取不同区域的关注度值之后,为了更集中、更有效地提高请求询问的训练样本的质量,将通过设定阈值来选取需要取样的区域最终在t次迭代中将选取满足如下条件的区域作为新训练样本的来源区域:
1.2.5新样本选择
获取样本来源区域后,可以定义迭代中所需新样本的数量Ut对来源区域j∈Γt的取样数量可以表示为μj,且满足μj≥0在来源区域取样的方式有两种:S0和S1,其中S0是按照随机方式在来源区域中选择,而S1是根据来源区域中找到上一次监督分类器标记的最多标签类和次多标签类的子区域,按照两个子区域的样本比例进行抽取
1.2.6主动学习过程
本文的HICAL方法迭代过程通过主动学习方式来实现整个过程分为两个阶段:1)初始化分类器阶段,即初始监督分类阶段,在此阶段首先需要提供少量的训练集,训练初始分类器;2)循环取样阶段,也是主动学习的主要阶段,这个阶段在未标记样本中使用关注度进行查询,获取信息量较大的整合区域,从而进一步找到需要标注的样本,标注之后追加到原有的训练集中,重新对分类器进行训练,这个过程不断循环,直到达到停止条件这个停止条件可以有多种,比如新训练样本数量达到上限,或者是已经达到迭代取样的次数等
迭代结束后,将最后一次迭代所产生的分类结果和初始的聚类结果,按照聚类区域为模板,对所有分类产生的标签进行投票,区域内所有的像元将归属到得票最高的标签类最后进行降噪处理
2实验及分析
2.1实验环境
本文实验环境:中央处理器Intel Core Duo P7350 2.00GHz,内存2GB,32位Windows 7操作系统;软件平台为Matlab R2012a
2.2实验数据集
高光谱图像分类实验使用的是印第安纳州农林区域图像数据集(Indian Pines)
印第安纳州农林区域图像拍摄于1992年,使用红外成像光谱仪(AVIRIS)获取,其内容是印第安纳州西北区域的某一农业森林区的地表信息整幅图像包含145×145像元,空间分辨率为20m,有220个波段,其中20个水吸收波段将在实验前被除去图像反映了16种不同的地物信息图1(a)显示这个高光谱数据的假彩色图像;图1(b)显示了其真实的地物信息,不同的颜色代表不同的类别本次实验针对的感兴趣区域总共有10366个样本,过去相关文献中多数是在每一类别中随机抽取10%的样本作为训练样本,这样的抽样方式对样本比较少的类别来说是非常不利的为了和传统的分类方式对比,在实验中也将采取这样的抽样方式,但抽样的百分比会降低
2.3实验过程和结果分析
2.3.1HICAL方法与传统随机取样方法比较
本实验将本文的HICAL方法与传统随机取样方法进行对比表1中显示了各个算法的整体分类精确度(Overall Accuracy,OA)、平均分类精确度(Average Accuracy,AA)、Kappa系数以及每种地物的分类精确度SVM和SVM+EM算法[7]是在每一个类别中随机抽取10%的样本(1029个)作为训练集,其中SVM+EM也是结合光谱和空间特征的分类方法作为对比,本文算法将在每类随机抽取4%的训练样本(407个)上进行
通过式(2)计算出每一个分割区域的关注度值,这样就可以选出一些关注度较高的区域作为新训练样本来源区域实验中取γt=0.15,每一次迭代对样本的抽取数量做出限定,为了和传统的方法比较,实验中只进行4次迭代,每次迭代取样本数Ut=50分别使用S0和S1方法对新样本来源区域进行取样(如表1所示)
迭代起始阶段,大样本区域的关注度值会比较高,这样在开始的迭代过程中可以有部分提高分类器的分类准确度,迭代后期,关注的重心转向区域较小的分割区从表1中可以看到,在迭代4次后,训练样本总数为607,远小于随机抽取10%的1029,但Alfalfa、Grass/pasturemowed和Oats三个小样本区域的分类精确度已经得到了非常显著的提高这说明HICAL方法可以有效地解决这种小样本区域的分类难题,最终获取的分类结果无论是整体分类精确度还是平均分类精确度都得到了明显提高(如表1)
2.3.2HICAL方法和相关主动学习方法比较
本实验将HICAL方法和目前较新的且表现优秀的主动学习方法进行比较[9]实验中,初始化分类器时需要80个训练样本(每一类别5个),每一次迭代都将获取50个新样本标注为训练集,同时设定每一次迭代的阈值都为γt=015在初始取样方法和所获得的训练样本总数都相等的情况下,LORSALALMLL、MPMLBPAL两种算法使用四种不同的方式迭代获取训练样本:RS(Random Selection)、MI(Mutual Information)、BT(Breaking Ties)、MBT(Modified Breaking Ties)表2中给出了这些不同方法获取的分类结果可以看出,本文提出的方法在总体分类精度上更为出色
3结语
本文提出了一种基于主动学习的高光谱图像分类方法HICAL,能够充分利用图像的光谱特征和原始空间特征,同时使用一种新的高效的区域关注度计算方法对结合区进行统计,根据统计后的数值能够非常精确地找到信息量价值较高的区域,进而获取质量较高的未标记样本以此提高整体训练集的质量,在训练样本较少的情况下能够有效提高整体分类精确度和平均分类精确度,从而降低分类精确度和训练样本数量的比值
本文方法在分类过程中较之传统的分类方法更能解决样本失衡的问题,能够有效地解决小样本区域的分类难题;同时文中所提出的分类方法扩展性较强,在分类和聚类算法的选择上比较宽松,可以使用诸如K均值、自组织迭代技术等算法进行替代在HICAL方法迭代过程中,关注度阈值的选取和样本数量的设置,以及对区域样本的选择方法将是我们进一步研究的内容;同时我们也将关注其他分类和聚类算法,以期减少算法的时间复杂度
参考文献:
[1]LANDGREBE D A. Signal theory methods in multispectral remote sensing [M] . New York: Wiley, 2003.
[2]MOUSTAKIDIS S, MALLINIS G, KOUTSIAS N, et al. SVMbased fuzzy decision trees for classification of high spatial resolution remote sensing images [J]. IEEE Transactions on Geoscience and Remote Sensing, 2012,50(1):149-169.
[3]BAI J, XIANG S M, PAN C H. A graphbased classification method for hyperspectral images [J]. IEEE Transactions on Geoscience and Remote Sensing, 2013,51(2):803-817.
[4]LI CH, KUO BC, LIN CT, et al. A spatial contextual support vector machine for remotely sensed image classification [J]. IEEE Transactions on Geoscience and Remote Sensing, 2012,50(3):784-799.
[5]MAULIK U, SAHA I. Modified differential evolution based fuzzy clustering for pixel classification in remote sensing imagery [J]. Pattern Recognition, 2009,42(9):2135-2149.
[6]TARABALKA Y, CHANUSSOT J, BENEDIKTSSON J A. Segmentation and classification of hyperspectral images using watershed transformation [J]. Pattern Recognition, 2010,43(7):2367-2379.
[7]TARABALKA Y, BENEDIKTSSON J A, CHANUSSOT J. Spectralspatial classification of hyperspectral imagery based on partitional clustering techniques [J]. IEEE Transactions on Geoscience and Remote Sensing, 2009,47(8):2973-2987.
篇2
Laser Spectroscopy
Vol.2,4th Edition
2009
Hardcover
ISBN 9783540749523
W 德姆特勒德著
自1960年第一台激光器问世以来的近50年中,激光光谱学一直是研究领域的重点,并且在科学、医药以及技术的许多方面取得显著进展,得到越来越多的应用。激光光谱学的发展部份地得力于新的实验技术。这些新技术的出现,激发了激光在化学、生物、医药、大气研究、材料科学、计量学、光通讯网络以及许多其它工业领域的应用。
为了让读者了解这些新发展,新版书中增加了很多新内容,譬如:外腔倍频,稳定的连续参量振荡器,可调的窄带紫外光源,更灵敏的检测技术,可调的飞秒或次飞秒激光器,原子或分子激发的控制,能与飞秒激光器同步的频率梳,相干的物质波,以及在化学分析、医药诊断、工程中更多的应用实例。此外,对一些章节的内容如非线性光谱学、离子阱、超短激光脉冲、以及激光光谱的新发展等作了较大改进和扩充。新增的50张插图展示了最新的开发和研究结果。这些新内容需要在第三版《激光光谱学》中增加很多页面,因此著者决定将第四版的《激光光谱学》分为两卷。第一卷主要论述激光光谱学的基础。第二卷介绍了激光光谱学的各种实验技术及应用。新技术及新实验装置包括:用光梳直接测量光波的绝对频率和脉冲;可见飞秒激光高次谐波的阿秒时间分辨率;飞秒非共线光参放大器,以及用它来高速测量激发分子的快速动态过程,它也是详细研究一些重要过程如眼视网膜的视觉过程,或叶绿素分子中的光合成过程的基本工具。
本书共10章:1.激光的多普勒极限吸收光谱和荧光光谱;2.非线性光谱;3.激光喇曼光谱;4.分子束的激光光谱;5.光泵和双共振技术;6.时间分辨激光光谱;7.相干光谱;8.碰撞过程的激光光谱;9.激光光谱的新发展;10.激光光谱学的应用。每一章的末尾有练习题。书的末尾有习题答案、参考文献及主题索引。
著者任职于德国凯泽斯劳滕大学(Universitt Kaiserslautern)物理系。目前他的教学及研究的兴趣包括:实验物理学,激光光谱,原子、分子和光子,分子物理学。他曾撰写数十部著作。
本书填补了前沿研究论文与基本原理和基本实验技术之间的空白。适合于想深入了解激光光谱学的物理学家及化学家阅读;也可作为研究生的教科书。凡是学过原子物理、分子物理、电动力学和光学的学生都能阅读本书。
刘克玲,退休研究员
(中国科学院过程工程研究所)
篇3
关键词:近红外光谱 化学计量学 中药材
我国中药资源丰富,应用历史悠久。然而由于我国中药生产工艺及质量控制技术水平较低,严重制约我国中药产业现代化的发展。随着现代科学技术的发展,药物分析方法己经从传统的化学分析发展到仪器分析阶段,紫外可见分光光度法、薄层扫描色谱法、电泳法、气相和高效液相色谱法及各种联用分析技术等己经应用到中药材分析中。但这些方法都需要经过复杂的样品准备和预处理,测定成本高且效率较低,因此难以用于中药产品及其生产过程的快速分析。
近年来国际上提出了一种全新的药物非破坏快速分析法,该法是将化学计量学同近红外(NIR)光谱分析法相结合而形成的新技术。由于NIR光谱分析法操作简便、快速、能非破坏的对各种样品进行快速、精确的分析,加之分析仪器的数字化和化学计量学的发展,运用化学计量学方法已能很好的解决光谱信息的提取及背景干扰方面的影响。因此,NIR光谱在制药工业中的应用日趋广泛。随着中药产业现代化进程的逐步加快,NIR光谱分析法被引入到中药材分析领域,在中药材鉴别和有效组分定量分析等方面取得了可喜的进展,显示出NIR光谱分析技术在中药材分析中具有广阔的发展空间。
一、NIR技术简介
近红外光谱是人们发现最早的处于可见光和中红外光之间的非可见光谱区域。许多有机物在该区域有着特征性吸收,且不同光谱波段的吸收强度与该物质的分子结构及浓度之间存在一定的对应关系。它的发现已有近200年的历史,而近红外光谱分析方法却仅在最近这二十年间才得到了迅速发展和广泛应用。特别是进入90年代后,现代近红外光谱成为了发展最快、最为引人瞩目的光谱分析技术,是化学计量学与光谱测量技术的有机结合,被誉为分析的巨人。而我国对近红外光谱技术的研究及应用起步相对较晚,但逐渐受到关注,并在光谱仪器研制、配套软件开发、基础研究和应用等方面取得了丰硕的成果,并带来了极好的经济效益与社会效益。
二、常见的化学计量学方法
目前,在NIR 光谱分析中最常用的化学计量学方法为多元校正方法,主要包括:多元线性回归、主成分分析、主成分回归和偏最小二乘等。最近十几年,包括人工神经网络、遗传算法和模糊逻辑系统等软计算方法在化学中的应用得到了越来越多的关注。由于中药材化学物质体系非常复杂,待分析的药效成分多是混合体,如各种中药制剂和天然药物等。同时在中药材质量控制中,由于中药生产方式:提取、炮制、煎煮等对待测成分的影响,又存在着动态化学变化和新成分的生成,致使其内部有效成分复杂多变,难以阐明。所以,在实际的中药材分析应用中,使用常规的NIR光谱多元校正建模或模式分类等方法往往不能取得理想的定性或定量分析结果,导致其成为阻碍中药NIR光谱分析技术应用发展的瓶颈。为此,有必要进一步研究中药材的NIR光谱计算分析方法学。
三、NIR技术在中药材分析中的应用
中药材分析包括定性分析和定量分析两个方面。定性分析多为对中药材及中成药的真假鉴别、产地鉴别和来源鉴别。汤彦丰等[1]将近红外漫反射光谱分析技术与人工神经网络方法相结合, 对52种大黄样品进行了测定和鉴别, 正确率可达96%。刘沭华等[2]采用近红外光谱法结合近邻法和多类支持向量机等模式识别技术对来自4个不同产地的269个白芷样本和6个不同产地的350个野生和栽培丹参样本进行了产地鉴别。刘荔荔等[3]采用傅立叶变换近红外光谱结合聚类分析对7种红曲霉属真菌发酵制成的红曲药材进行了成功鉴别。
中药材的定量分析主要指对中药材有效成分含量的测定, 于晓辉等[4]将近红外光谱技术与径向基函数神经网络相结合,对42种大黄样品中的主要有效成分: 蒽醌类化合物、水溶性蒽甙类化合物、芪甙类化合物和鞣质类化合物进行了定量预测分析。朱向荣[5]应用近红外光谱分析技术结合化学计量学方法, 成功的测出中药清开灵注射液中间体总氮和栀子苷的含量。赵玉清等[6]采用近红外光谱建立了偏最小二乘模型,实现了对黄芪提取液中总皂苷含量的测定。
四、展望
为了更好发挥近红外光谱法在中药领域的快速分析作用,拓展各种化学计量学方法的应用范围,为其在中药材分析中的应用打下一定基础,当前必须进行中药材近红外光谱的化学计量学方法研究,特别是发展近红外光谱非线性建模方法、特征光谱信息提取、化学信息模式识别以及模糊聚类分析等方法,发展形成中药材快速分析新技术,实现中药生产全过程质量监控,这对于推进我国中药产业现代化进程具有重大理论意义和实际应用价值。
参考文献
[1]汤彦丰, 张卓勇, 范国强 光谱学与光谱分析 2004, 24 (11): 1348-1351
[2]刘沭华,张学工,周群,光谱学与光谱分析 2006,26(4)∶629-632.
[3]刘荔荔, 邢旺兴, 贾暖, 林培英, 必鹤鸣, 吴玉田 第二军医大学学报2002,23(11):1230-1232
[4] 于晓辉, 张卓勇, 马群, 范国强 光谱学与光谱分析 2007, 27 (3): 481-485
篇4
关键词 近红外光谱;茶叶;品质测定;真伪鉴别
中图分类号 O657.3 文献标识码 A 文章编号 1007-5739(2016)04-0289-02
Recent Advance on the Application of Near-infrared Spectroscopy in Tea
NIE Yu-hong ZHOU Xiao-wei ZHANG Bei
(School of Food and Bioengineering,Zhengzhou University of Light Industry,Zhengzhou Henan 450002)
Abstract The main approaches of near infrared reflectance spectroscopy were introduced in this paper. Recent advance of near infrared reflectance spectroscopy on identification and detection of tea were presented.With the recent developments reviewed,the problems encountered were also discussed.The application prospects of near infrared reflectance spectroscopy in tea detection were analyzed.
Key words near-infrared reflectance spectroscopy;tea;determination of the quality;identification
随着社会发展和消费水平的提高,人们越来越注重身体健康,而茶叶作为一种良好的保健饮品也越来越被人们喜欢。当前对茶叶质量的检测多采用感官检验评审的方式。这种方式的弊端是评审的结果受评审场地,以及评审人员的知识水平、健康状况等因素的影响[1]。随着当前茶叶产业的迅猛发展,利用科学仪器对产业品质进行检测十分必要。目前,近红外光谱分析技术在茶叶的定性和定量检测中被广发应用[2]。
1 近红外光谱分析技术背景简介与发展现状
英国天文学家William Herschel在天文观察中发现了近红外光谱(near infrared reflectance spectroscopy,NIRS)[3]。美国材料检测协会(ASTM)将近红外光谱区定义为波长780~2 526 nm(波数为12 820~3 959/cm)的光谱区。近红外光谱具有吸收频率特征性强、受分子内外环境影响小、光谱特性更稳定的特点。近红外光谱主要反映的是有机物分子中含氢基团的倍频吸收与合频吸收。NIRS技术的优点主要有以下几个:一是能够分析的对象数量较多、涵盖门类较多。二是在分析前对样品不需要进行复杂的前处理,分析的操作简单、速度较快。三是分析不破坏样品,通过光谱扫描完成。四是对环境污染较小[4]。NIRS技术使用方便、对环境污染小、检测速度快、效率高,在农业[5]、食品工业[6]、中医药[7-10]、和石油化工[11]等领域中得到了非常广泛的应用。
日本是最早利用NIRS技术对茶叶开展研究的国家,目前已研制出专用的近红外分析仪来快速检测茶叶中的水分、全氮量、粗纤维、茶多酚、咖啡碱、氨基酸等主要成分[12]。但是由于国外的茶叶种类少,因此NIRS技术在茶叶产地、真伪鉴别等定性分析方面的研究较少。
国内NIRS技术应用于茶叶检测方面,主要集中在绿茶理化成分的测定方面,茶叶、茶汤、茶提取物中的理化成分测定,茶叶品质评价的研究等。因为我国茶叶的种类繁多,所以NIRS技术在茶叶的产地、品种及真伪鉴定等方面的研究也较为广泛。
2 近红外光谱分析方法简介
近红外光谱分析中常用的数据处理计量方法主要有以下几类。
2.1 多元线性回归法(MLR)
多元线性回归是化学计量学中最基本的分析方法[4],是分析一个随机变量与多个变量之间线性关系的统计方法。当变量Y的影响因素有多个而不止1个时,可以建立多元线性回归模型:Yi=β0+β1X1+β2X2+...+βkXk+ε。利用变量Y与X的n组样本数据,按照一定准则,可求得估值b0,b1,...,bk,建立起样本回归模型:Y=b0+b1X1+b2X2+...+bkXk+ε。
2.2 主成分分析法(PCA)
数据降维后进行多元统计分析是主成分分析的基本原理[13-15]。在研究的过程中,采用多指标变量的方法,得到的结果在一定程度上出现了重叠。主成分分析法避免了多变量测定方法测定结果容易出现重叠的弊端,将原变量进行转换,使少数几个新变量成为原变量的线性组合,新变量之间互不相关。同时,这些变量也能够尽可能多地表征出原变量的数据结构特征。
2.3 偏最小二乘法(PLS)
就目前的研究情况来看,偏最小二乘法是逐渐发展,已经成为近NIRS技术中应用最多的回归方法[16]。利用非线性迭代方法对吸光度矩阵X和浓度矩阵Y进行分解,以特征向量的相关性来建立X和Y之间的内部联系。偏最小二乘法最适合运用在多组分复杂样品的分析过程中,检测速度快、结果准确度高、预测性强、能消除一定的非线性的能力。
2.4 人工神经网络法(ANN)
人工神经网络属于非线性校正算法,是由大量简单处理单元(神经元)广泛互连而成的非线性动力学系统。它不仅结构可变,还有自学习、自适应、巨量并行性、存储分布性的特点。与偏最小二乘法方法相比,人工神经网络更加准确和抗干扰[17]。
2.5 极限学习法(ELM)
极限学习机法是从单隐含层前馈神经网络发展而来的一种新型算法。随机产生输入层与隐含层的连接权值和隐含层神经元的阈值,只需要设置隐含层神经元的个数,便可以获得唯一的最优解。
3 近红外光谱分析技术在茶叶检测方面的研究
3.1 茶叶水分含量的测定
茶叶水分含量的高低对茶叶品质的影响非常大。当水分含量小于5%时,茶叶香气变化比较小;而当水分含量高于6.5%时,则茶叶品质下降得比较快。刘辉军等[18]利用径向基函数和趋势变换法,建立了绿茶的水分检测模型,预测的相关系数达到0.933。张月玲[19]利用偏最小二乘法和9阶卷积平滑结合二阶导数法,建立绿茶的含水量模型,相关系数达到了0.99以上。王胜鹏等[20]通过交叉验证和偏最小二乘法,建立了茶鲜叶的含水量近红外光谱模型,当主成分数为7时,相关系数为0.92。
3.2 茶多酚和儿茶素含量的测定
茶叶中,茶多酚的含量为18%~36%,在人体内能够清除自由基,是茶叶中最重要的成分之一。Chen Q S等[21]利用偏最小二乘法,建立茶多酚总量的检测模型,相关系数为0.93。徐立恒等[22]利用二阶导数和偏最小二乘法,建立茶多酚模型,预测的相关系数为0.989。吴瑞梅等[23]利用GA法和偏最小二乘法,建立绿茶汤中茶多酚的模型,避开了水的强吸收峰影响,模型预测集均方根误差为0.685%,相对标准差为5.26%。
儿茶素类物质是茶多酚中最主要的活性物质,占茶叶干重的12%~24%。陈华才等[24]使用偏最小二乘法和标准归一化处理的方式,建立儿茶素类物质的预测模型,相关系数达到0.997。同时,又采用径向基函数神经网络法,优化了的茶多酚总儿茶素含量的模型,相关系数达到了0.992[25]。芦永军等[26]使用偏最小二乘法和定标波长的方式(选取6 000~5 200 /cm波数范围内的光谱数据点),建立了定标精度很高的检测模型,相关系数达到0.994 7。
3.3 咖啡碱含量的测定
咖啡因是茶叶中的重要滋味物质之一,能够刺激中枢神经,起到提神醒脑的作用。孙耀国等[27]利用偏最小二乘法,直接对完整茶叶中的咖啡碱的含量建模,相关系数达到0.92。罗一帆等[28]和Chen Q S等[29]利用相同的方法构建获咖啡碱的含量的模型,相关系数也分别达到了0.96和0.968的高精确度。
3.4 氨基酸含量的测定
茶叶中的氨基酸具有降压、拮抗由咖啡碱引起的对神经系统的兴奋等作用,其组成、含量以及其降解产物和转化产物均与茶叶的香气和滋味密切相关。徐立恒等[22]使用偏最小二乘法和定标波长的方式(选取5 000~4 000/cm波数范围内的光谱数据点),建立了炒青绿茶的氨基酸模型,相关系数达到0.99。孙耀国等[27]在优化波长范围的基础上,利用二阶导数预处理方式得到不同绿茶的氨基酸模型,相关系数达到0.99。
3.5 茶叶的种类鉴定和真伪鉴别
NIRS不但能够对茶叶进行定量分析,还能够对茶叶进行定性分析,确定茶叶的种类,实现茶叶产地、品种、生产时间等信息的精确判别。赵杰文等[30]通过多元散射校正预处理方法和定标波长的方式(选取6 500~5 300/cm波数范围内的光谱数据点),结合马氏距离识别模式鉴别了龙井、碧螺春、毛峰和铁观音这4种中国名茶,就鉴别率而言,校正集样本达到了98.75%,预测集样本达到了95%。利用NIRS技术对碧螺春[31]、西湖龙井[32-33]等茶叶进行了真伪鉴定。CHEN Q S等[34]运用NIRS技术对4个地区的烘青绿茶进行了产地鉴别,选出了最优的支持向量机模型,预测率高达到100%。
4 问题与展望
目前,NIRS技术在茶叶上已经得到比较广泛的应用,但是仍然还存在一些需要解决的问题。在NIRS技术中选取代表性样品来建模时,受到建模样品生产季节、外形、产地等因素的影响。为了保证模型的全面性和完整性,在建模过程中需要大量的样品,导致模型建立需要采集的样本数量大、成本高、地域广,给模型建立设置了难题。因为我国茶叶种类繁多,建立适合所有茶类的、精确度和准确度达到检测要求的通用性模型是十分困难的。
随着光学技术、计算机技术的快速发展,NIRS技术在茶叶品质检测、茶类产地鉴别和茶叶真假鉴定等方面还会有更大的发展前景。同时,利用NIRS技术对原料生产的过程进行在线分析和实时监测也将会是一个重要的发展方向。
5 参考文献
[1] 杨丹,刘新,王川丕,等.近红外光谱技术在茶叶及茶制品上应用[J].浙江农业科学,2012(9):1290-1294.
[2] 曹干.现代近红外光谱分析技术在农业研究中的应用[J].广州农业科学,2004(3):9-10.
[3] BLANCO M,VILLARROYA I.NIR spectroscopy:a rapid-response anal-ytical tool[J].Trends in analytical chemistry,2002,21(4):240-250.
[4] 严衍禄.近红外光谱分析技术与应用[M].北京:中国轻工业出版社,2005.
[5] SUBEDI P P,WALSH K B.Assessment of potato dry matter concentration using short-wave near-infrared spectmscopy[J].Potato Research,2009,6(52):67-77.
[6] IRUDAYARAJ J,XU F,TEWARI J.Rapid detemination of invert cane sugar adulteration in honey using FTIR spectroscopy and multivariate analysis[J].Joumal of Food science,2003,6(68):2045.
[7] 曾焕俊,韩莹.维U颠茄铝胶囊Ⅱ近红外判别模型的建立[J].中国药品标准,2011,4(12):303-306.
[8] LAASONEN M,HARMIA-PULKKINEN T,SIMARD CL,et al.Fast ide-ntification of Echinacea parpareadried roots using near-infraredspectros-copy[J].Anal Chem,2002(74):2493-2499.
[9] SERGIO H,FRASSON S,CELIO P.Identification of counterfeit drugs using near infrared spectroscopy[J].Analyst,2001(126):2218-2224.
[10] HAILEY P,DOHERTY P,TAPSELL P,et al.Automated system for the on-line monitoring of powder blending processes using near-infrared spectroscopy.Part I.System development and control[J].Journal of Phar-maceutical&Biomedical Analysis,1996,14(5):551-559.
[11] 张宇佳,徐晓轩,宋宁,等.基于近红外漫反射光谱的烃源岩生烃潜量的确定[J].光谱学与光谱分析,2011,4(12):955-959.
[12] 吉川聪一郎.用近红外光光度法进行茶叶品质评价:蒸青玉露茶和锅炒玉露茶主要成分的分析[J].[日]茶叶研究报告,1997,85(增刊1):88-89.
[13] 吴建国.作物种子品质研究中近红外光谱分析模型的创建和应用[D].杭州:浙江大学,2004.
[14] 夏柏杨,任竿.近红外光谱分析技术的一些数据处理方法的讨论[J].光谱实验室,2005,22(3):629-634.
[15] BLANCO M,COELLO J,ITURRIAGA H,et al.Calibration in non-linear near infrared reflectance spectroscopy:a comparison of several methods[J].Analytica Chimica Acta,1999,384(2):207.
[16] GELADI P,KOWALSK B R.An example of 2-block predictive partiall east-squares regression with simulated data[J].Analytica Chimica Acta,1986,185:19-32.
[17] 夏贤明,丁宁.用近红外光谱法检测绿茶中品质成分的研究[J].分析化学,1991,19(8):945-948.
[18] 刘辉军,吕进,林敏,等.基于RBF网络和NIRS的绿茶水分含量分析模型[J].中国计量学院学报,2005,16(3):88-190.
[19] 张月玲.绿茶品质相关成分的近红外定标模型的初步建立[D].杭州:浙江大学,2006.
[20] 王胜鹏,宛晓春,林茂先,等.基于水分、全氮量和粗纤维含量的茶鲜叶原料质量近红外评价方法[J].茶叶科学,2011,31(1):66-71.
[21] CHEN Q S,ZHAO J W,ZHANG H D,et al.Feasibility study on qualita-tive and quantitative analysis in tea by nearinfrared spectroscopy with multivariate calibration[J].Analytica Chimica Acta,2006,572(1):77-84.
[22] 徐立恒,吕进,林敏,等.茶叶中3类主要组分的近红外光谱分析作为茶叶质量的快速评定方法[J].理化检验:化学分册,2006(5):334-336.
[23] 吴瑞梅,岳鹏翔,赵杰文,等.特征变量筛选在近红外光谱测定绿茶汤中茶多酚的应用[J].农业机械学报,2011,12(42):154-157.
[24] 陈华才,吕进,俸春红,等.近红外光谱法测定茶多酚中总儿茶素含量[J].中国计量学院学报,2005,16(1):17-20.
[25] 陈华才,吕进,陈星旦,等.基于径向基函数网络的茶多酚总儿茶素近红外光谱检测模型的研究[J].光学精密工程,2006,14(1):58-62.
[26] 芦永军,陈华才,吕进,等.茶多酚中总儿茶素的近红外光谱分析[J].分析化学研究简报,2005,33(6):835-837.
[27] 孙耀国,林敏,吕迸.近红外光谱法测定绿茶中氨基酸、咖啡碱和茶多酚的量[J].光谱实验室,2004,21(5):940-943.
[28] 罗一帆,郭振飞,朱振宇.近红外光谱测定茶叶中茶多酚和茶多糖的人工神经网络模型研究[J].光谱学与光谱分析,2005,25(8):1230-1233.
[29] CHEN Q S,ZHAO J W,HUANG X Y,et al.Simultaneous determination of total polyphenols and caffeine contents of green tea by near-infrared reflectance spectroscopy[J].Microchemical Journal,2006,83:42-47.
[30] 赵杰文,陈全胜,张海东,等.近红外光谱分析技术在茶叶鉴别中的应用研究[J].光谱学与光谱分析,2006,26(9):1601-1604.
[31] 周健,成浩,贺巍,等.基于近红外的PLS量化模型鉴定西湖龙井真伪的研究[J].光谱学与光谱分析,2009,29(5):1251-1254.
[32] 周健,成浩,叶阳,等.滇青、青饼和普洱茶(熟饼)近红外指纹图谱分析[J].核农学报,2009,23(1):110-113.
篇5
主要介绍了微波消解原理和它在中药毒性元素分析中的应用,总结了常用的中药样品处理方法,并重点对微波消解中药样品工艺参数:取样量、样品预处理方法、溶剂的种类以及加热时间和压力作了阐述,为微波消解中药样品提供了操作依据。
【关键词】 微波消解 中药 毒性元素
中药毒性元素主要包括铅、镉、汞、铜、砷等元素,它们含量是中药重要质量控制指标,不仅影响中药、中成药和制剂的质量,还直接危及和影响患者的用药安全性和疗效。近年来随着我国对中药质量控制的重视,对中药毒性元素监测和控制的研究日渐增多[1]。
准确测定中药毒性元素的关键是中药样品的前处理,中药样品的前处理直接影响分析结果的精密度和准确度。传统的干法灰化和湿润法消化操作时间长、挥发元素易损失、易污染环境,而微波消解可以克服易挥发元素的损失,同时具有消解时间短、溶剂用量少、空白值低、以及样品消化完全等优点[2]。本文就微波消解在中药毒性元素分析中的研究进展进行论述。
1 微波消解原理
微波通常是指频率大约为3×108~3×1011Hz(波长1 m到1 mm)的电磁波[3]。它可以穿透一些介质,直接把能量辐射作用到介质上,根据介质对微波的吸收程度不同,可将介质分成导体、绝缘体和介质。导体主要为金属,如铁、铝等,微波不能进入导体,只能在其表面反射;绝缘体是指可透过微波而对微波吸收很少的材料,如玻璃、陶瓷、聚四氟乙烯等;介质可吸收微波,吸收程度与介质的介电常数有关。
微波在作用介质的过程中,使介质中的极性分子每秒产生二十五亿次以上的分子旋转和碰撞,迅速提高反应物的温度。与通常的热传导、对流等加热方式不同,微波对物质具有很强的穿透力,对被照射物具有即时深层加热作用,微波的这种热效应使微波在穿透到介质内部的同时,将微波能量转换成热能,对介质加热形成独特的介质无温度梯度整体受热方式[4]。并且,微波可使试样与试剂的接触界面不断快速更新,粒子间发生局部的内加热,引起试剂与试样间产生较大的热对流,搅动并消除已溶解的不活泼试样表层,促进试剂试样更有效的接触,因而加速了试样的消解。
2 微波消解技术
2.1 微波消解设备微波消解设备由微波炉和消解罐组成。实验室专用微波炉具有防腐蚀的排放装置和具有耐各种酸腐蚀的涂料以保护炉腔。它有压力或湿度控制系统,能实时监控消解操作中的压力或温度。消解罐的材料要用低耗散微波的材料制成,即这种材料不吸收微波能却能允许微波通过,它必须具有化学性能稳定和热稳定性,聚四氟乙烯(PTFE)、全氟烷氧基乙烯(PFA)都是制作消解罐的理想材料。
微波消解样品的方式有两种:一种是开口容器消解(常压消解)。此法消解存在不少缺陷,如样品易被沾污、挥发元素易损失,有时消解不完全而使分析结果不准确;另一种是密闭容器消解(高压消解),其最大优点是耗时大大减少、样品消解完全、几乎没有易挥发元素的损失、空白值低。因此选择适宜的消解条件极为重要。
2.2 微波消解容器选择微波是一种新颖的样品预处理技术,微波加热时,微波消解容器必须是专用的。孔祥虹等[5]试验了玻璃、石英和聚四氟乙烯3种材质的容器。将分别盛有20 ml标准溶液(含8种待测离子)的3种100 ml烧杯放入微波炉中,将微波炉加热方式设置在中高档上,加热15 min,至烧杯内只剩下不足1 ml的溶液,过滤后进行色谱分析。结果表明,在3种容器中,聚四氟乙烯烧杯对8种离子的回收率均在94.6%和105.2%之间,优于其它两种容器。因此,为获得最佳回收率,应尽可能使用聚四氟乙烯容器[6]。
3 微波消解技术在中药毒性分析中的应用
国际中含铅、镉、汞等毒性元素的中药样品,一般采用湿法消解法,但该方法存在样品空白值高,费时费力,消化效果不稳定增长,消解不完全等缺点,微波消解中药材样品可以克服湿法消解法上述不足,并取得了可喜的进展。刘灿平等[7]进行了微波消解法与国标湿法消解法的比较,结果表明:微波消解与国标湿法消解法测定结果表明无显著性差异,其准确无误度和精刻度均达到分析的要求,且微波消解具有反应时间短、试剂用量少、空白值低等优点。
由于中药样品的复杂性,针对中药组分和分析手段的不同,在确定微波消解方案时,要对所用试剂种类和浓度、消解功率和消解时间进行优选,以获得理想的微波消解效果。
3.1 中药药品消解体系的选择微波消解一般选用HNO3H2O2作为消解氧化剂,这是因为,过氧化氢与浓硝酸协同消解,产生高能态氧和大量的NO2+,具有很强的氧化能力,可完全消解有机物,将其分解成简单产物;而高氯酸与有机物在一起具有潜在爆炸危险,故一般不采用高氯酸。此外,由于硫酸容易形成炭化残渣,且易与碱土金属等形成不溶解的化合物,有可能造成微量元素损失,所以一般较少采用硫酸作为消解液。
胡林水等[8]经过大量的实验工作,比较了硝酸、盐酸、硫酸、磷酸,高氯酸、氢氟酸、过氧化氢等消解液,结果表明,通过控制适当的压力(1.5~3.0 MPa)和时间(5~20 min),采用HNO3H2O2体系能将银杏叶提取物中复杂的有机成分消解完全,且重复性好。
3.2 中药消解样品的影响在中药样品微波消解过程中,不同组分的样品显示出不同的升温升压曲线,且升温升压的规律不完全相同。一般情况下,消解压力的突变稍滞后于温度的突变,每种样品有一个特定的压力突变点和峰值,达到此峰值后,压力便开始降低。对压力或温度突变点较低的样品,其达到的压力峰值较高,故在消解时应设置较低的功率进行消解,反之亦然。实验证明,对于含糖量高的中药样品,采用小功率分多步进行消解,可以获得良好的消解效果[9]。
3.3 固液比的影响在微波消解过程中,消解试剂量太少,样品与酸不能有效接触,消解作用不完全,消解试剂 太多,空白值升高,不利于后续的成分分析和鉴定。所以对于一般中药样品采用1∶15左右的固液比较为合适,可以获得理想的消解效果[10]。
3.4 压力和消解时间的选择压力与时间对微波消解影响较大。一般来说,消解时间主要受控于设定的压力和消解样品的性质[11]。由于消解的样品种类千差万别,加入的溶剂又不同,需要的压力和加热的时间也不一样,通常单罐消解时中药样品需要2~10 min ,多罐消解时间应相应增加。对于难消解的试样,消解时间要长一些。为避免消解罐过热,大功率微波加热时间一般不要超过10 min,以确保消解过程安全性。
一般对于容易消解的中药样品,宜采用低压1.5 MPa以下加热,对于难消解样品可用高压3.0 MPa以下加热[12]。为了防止样品过冲发生因操作不当造成事故,压力设定应由小逐渐增大,避免在压力升高过程中发生压力过冲现象[13]。
3.5 中药微波消解应用概况近年来,微波消解技术已应用于部分中药样品的消解过程中,并取得了一定的研究进展。
谢美琪等[14]用微波消解六味地黄丸中成药,实验结果表明,采用微波消解法可快速、准确地测定中成药中微量有害元素As 和Hg , As和 Hg的回收率在95%~104%之间;相对标准偏差3.6%~6.8%;检出限As为0.02 μg/L,Hg为0.005 μg/L,效果令人满意。
张丽娟等[15]采用微波消解样品,对消解温度、消解试剂用量,消解程序设计、消解时间等消解条件进行研究,在测定汞时微波消解样品后样品的处理方法进行比较;在优化的微波消解实验条件下,砷的回收率在100.8%~110.6%之间,汞的回收率在97.4%~117.4%之间。孙瑞霞等[16]采用HNO3混酸消解用于治疗糖尿病的消渴丸、玉泉丸、渴乐宁、降糖舒、降糖I~V号9种中成药,用原子吸收光谱法对药物消化液中的Cu,Zn,Ni,Co,Mn,Cr,Mo,Fe,Ca,Mg,Cd,Pb共12种微量元素进行了分析测定。该方法的加标回收率为97%~105%,相对标准偏差小于5%,具有良好的准确度和精密度。
王朝晖[17]用密闭微波溶样技术对中成药阿胶样品进行了预处理,用导数火焰原子吸收法测定了其中的Cu,Zn,Mn,实验结果表明:采用微波消解法检测限大幅度降低,精密度高于常规法,加标回收率97%~100%。
杨屹等[18]应用具有压力表控制附件的MSP100D型微波样品制备系统,进行新鲜芦荟叶外皮及凝胶中Zn,Mn,Cd,Pb元素的微波消解研究,并采用原子吸收法测定其元素的含量。在微波消解最佳条件下,所得结果的相对标准偏差均在0.3%~6.2%之间,回收率在95.0%~110.0%之间,测定结果令人满意。
综上所述,微波中药样品消解过程具有快速、简便、污染少、试剂利用率高等优点,可提高中药毒性元素分析的准确度和精密度。
3.6 微波消解技术的应用前景微波消解中药样品是一门新技术,与传统方法相比具有明显的比较优势,微波在其它领域的应用尚待开发,如中药活性成分的萃取,水分的快速挥发,溶液的快速浓缩等方面,这些都是今后微波可以拓宽应用的领域。
由于微波在线技术的发展,解决了样品预处理与分析方法和手段之间不协调的矛盾,使分析速度大为提高,从而使微波仪器的改善和发展成为必然;同是由于电子技术的运算速度和控制软件技术的提高,现已研制出微波智能化在线控制技术,这将使微波应用前景更加广阔。
【参考文献】
[1]Guanqun Song,Chao Lu,JinMing Lin.Application of surfactants and microemulsinons to the extraction of pyrene and phenanthrene from soil with three different extraction methods[J].Analytica Chimica Acta,2007,569(8):312.
[2]Edzard Ernst.Toxic heavy metals and undeclared drugs in Asian herbal medicines[J].Trends in Pharmacological Sciences,2002,23(3):136.
[3] 罗方若,钱力,刘明臣,微波制样的应用[J].理化检验·化学分册,2004,40(1):59.
[4]S. Banik,S. Bandyopakhyay,S. Ganguly.Bioeffects of microwavea brief review[J].Bioresource Technology,2003,87 (2):155.
[5]孔祥虹,李建华,李蓉.微波消解技术在蔬菜微量元素测定中的应用[J].理化检验·化学分册,2004,40(2):91.
[6]王娟,陆志波.微波技术在环境样品分析预处理中的应用综述[J].环境技术,2004,12(2):11.
[7]刘灿平,方亚.微波消解技术在元素分析方面的应用[J].安徽预防医学杂志,2003,9(4):252.
[8]胡林水,何连军,郑 珺.微波消化石墨炉原子吸收法测定银杏叶提取物中铅的含量[J].中成药,2006,28(3):434.
[9]朱加叶,乙小娟,丁晓峰.微波消化石墨炉原子吸收分光光度法测定进口西洋参中的铅[J].光谱学与光谱分析,2003,23(2):380.
[10]孙玉岭,刘景振.微波溶样在元素检测方面的应用研究[J].中国公共卫生,2002,18(2):231.
[11]杨惠芬,李明元,沈 文.食品卫生理化检验标准手册[M].北京:中国标准出版社,2002:87.
[12]张源,罗文鸿,李慧.石墨炉原子吸收光谱法直接测定全血中砷[J].理化检验·化学分册,2003,39(4):217.
[13]但德忠.现代微波制样技术[M].成都:四川大学出版社,2003:41.
[14]谢美琪,崔昆燕,张卫红.中成药中微量砷和汞的微波消解氢化物发生原子荧光光谱法测定[J].分析测试学报,2001,20(2):47.
[15]张丽娟,周勇义,谷学新.微波消解法测定中成药中砷、汞元素的研究[J].现代仪器,2004,4(2):12.
[16]孙瑞霞,周玲妹,薛万刚,等.原子吸收光谱法测定中成药中微量元素[J].光谱学与光谱分析,2002,22(5):853.
篇6
关键词:近红外光谱技术;定性鉴别;肉类
Recent Progress in the Application of Near Infrared Spectroscopy in Qualitative Identification of Meat Products
HUANG Wei1, YANG Xiu-juan1,2, ZHANG Yan-ming1, HUANG Yu1, TAO Lin-li1,2,*
(1. College of Animal Science and Technology, Yunnan Agricultural University, Kunming 650201, China;
2. Key Laboratory of Animal Nutrition and Feed in Yunnan Province, Kunming 650201, China)
Abstract: Near infrared spectroscopy (NIS) has been widely used in the meat industry as a newly emerging rapid and environmental friendly detection technology. This article summarizes the recent progress in the identification of meat species by means of near infrared spectroscopy from the following aspects: grade, breed, species, geographical traceability and feeding style. Meat products are generally categorized into four grades: RFN, PFN, PSE and RSE. The accuracy of NIS in discriminating these meat grades is over 80%. Most studies concerning meats from different breeds of the same species are focused on pork and beef. Meats from the different breeds of the same species as well as from animals of different age groups have been identified by multiple quantitative calibration or discrimination analysis with an accuracy of more than 95%. Furthermore, meats from different species including pork, mutton, beef and chicken and adulterated meat have been discriminated with an accuracy above 90%. In regard to geographical traceability and feeding style, grass-fed lambs have been accurately discriminated from feed-fed ones, and ewes from artificially fed lambs; meanwhile, the geographical origins of beef and mutton from different regions have been identified with an accuracy of more than 83%. To sum up, NIS is feasible in the qualitative identification of meat.
Key words: near infrared spectroscopy (NIS);qualitative identification;meat
中图分类号:TS207.3 文献标志码:A 文章编号:1001-8123(2014)01-0031-04
近红外光是指波长在780~2526 nm范围内的电磁波,具有波粒二重性[1]。近红外光是由于分子振动的非谐振性使分子振动从低能级向高能级跃迁时产生的,主要反映含氢基团(C-H、N-H、O-H等)振动的倍频和组合频吸收,几乎包括了有机物中所有含氢的信息,蕴涵着分子结构、组成状态等信息,信息量极为丰富[2]。而肉类中含有大量的蛋白质、脂肪、有机酸、碳水化合物等有机物,通过对肉的光谱分析就能够得到大量的信息[3-4]。
1 近红外光谱定性分析原理及过程
1.1 近红外光谱定性分析原理
近红外光谱或其压缩的变量组成一个多维的变量空间;同类物质在该多维空间位于相近的位置;未知样品的分析过程就是考察其光谱是否位于某类物质所在的空间[1]。
1.2 近红外光谱定性分析过程
近红外定性分析的主要过程如图1。近红外光谱对微量物质不敏感,因此如果微量物质的存在影响物质分类,在这种情况下,很难用近红外分析方法进行定性分析。由于不同类样品的谱图差别不大,导致不同类样品不能完全分开但是近红外光谱定性分析在肉类鉴别中,取得了较好的效果[1]。
图 1 近红外光谱定性分析过程
Fig.1 The process of qualitative analysis by near infrared spectroscopy
2 近红外光谱分析技术在肉类鉴别中的应用研究
近年来,随着人们生活水平的提高,对肉及肉制品消费量不断增加。肉类及肉制品不仅仅是蛋白质、脂肪等营养成分的来源,人们更加追求美味和享受,更加注重肉品质量与安全[5]。传统的化学检测一般通过化学分析、仪器分析、感官评定、筛选分析等损坏性检测手段来完成,不能满足大批量快速、无损等检测的需求。近红外光谱分析技术作为一种绿色分析技术,具有客观、快速、无损、精确、多指标、可再现、易操作、经济等优点[6-8]。目前,近红外光谱分析技术在肉中脂肪、蛋白、水分、脂肪酸等成分测量以及肉类鉴别中有较广泛的应用。在肉类的鉴别过程中,主要应用于等级鉴别[9-10]、不同品种肉的鉴别[11-12]、不同物种之间的鉴别[13-15]、以及不同饲喂方式[16-18]、产地溯源的鉴别[19-21]。
2.1 近红外光谱在肉的等级鉴别中的应用
肉的等级一般人工分为RFN(reddish pink,firm and non-exudative)、PFN (pale,firm and non-exudative)、PSE(pale pinkish gray,very soft and exudative)、RSE(reddish,soft and exudative )4类,近红外光谱对肉的等级鉴别正确率在80%以上,对肉类等级鉴别具有一定的可行性。Liu等[22]通过色泽、pH值、滴水损失判断猪肉等级,人工分为RFN、PFN、PSE、RSE四类,选择40个鲜猪肉的背最长肌样品,每类猪肉选10个样品,在400~1000 nm处获取光谱。通过主成分分析,建立在无监督模式识别中的K-均值聚类方法和有监督模式识别方法,以及线性判别分析(linear discriminant analysis,LDA)方法来评估猪肉的品质等级。结果表明,通过图像结构特征能够100%判定猪肉属于哪个等级,为猪肉等级鉴定提供了有用信息,但没能挑选出最优波长范围。Barbin等[23]也通过色泽、pH值、滴水损失将猪肉人工分成PSE、RFN、DFD(dark,firm and dry muscle)三个等级,不同等级的肉在891~1752 nm范围内扫描光谱,实际分析范围910~1700 nm,因为其余段噪音较高,通过二阶导数处理光谱,研究表明不同谱段有不同吸收峰。如图2表明,在900 nm处,DFD肉有较高的吸收值,PSE肉有较低吸收值,RFN肉吸收值位于DFD肉和PSE肉之间,色泽的不同会导致不同的吸收值,能够更好地区分肉的光谱对应了哪种等级肉。此项研究证明了无损鉴别猪肉等级的可能性。Monroy等[24]通过食物专家,人工分成了RFN、RSE、PFN、PSE四个等级,选择宰后24h的新鲜猪肉样,每个等级样品60 个。光谱扫描范围350~2500 nm,1 nm间距,因为350~399、1851~2500 nm具有较高噪音,实际分析范围400~1850 nm,如图3所示,鉴别模型使用判别分析方法和2种不同的交叉效度分析来评价模型的鉴别能力,样品识别率79%。结果表明可见光/近红外光谱在猪肉等级分类应用的可能性。
图 2 不同等级肉的近红外光谱图[23]
Fig.2 Mean reflectance spectra of pork samples from different
quality grades [23]
图 3 2006年3月采集的四种等级肉的光谱图[24]
Fig.3 Measured spectral response for four classes of pork meat quality, assessed from samples collected in March 2006[24]
前人研究结果表明,利用近红外光谱技术能够鉴别猪肉的等级,为肉类工业提供了较好的检测途径。
2.2 近红外光谱对不同品种肉的鉴别应用
近红外光谱对于同一物种不同品种肉的研究主要是在猪肉和牛肉上,主要通过多元定量校正方法如偏最小二乘法(partial least squares,PLS)或判别分析如人工神经网络法、支持向量机算法来鉴别同一物种不同品种、不同年龄阶段的肉,鉴别正确率大于95%。Del Moral等[25]选择15头6月龄、85kg的杜洛克猪和15头12~14月龄、125kg的伊伯利亚猪,在350~2500 nm处采集光谱,数据采用人工神经网络方法处理,结果表明对于两个品种猪的判别正确率大于95%。Guillen等[26]使用径向基函数神经网络法和支持向量机算法等来鉴别不同猪肉品种,最终的目的是寻找一种能够快速、无损区别伊伯利亚猪和大白猪的技术方法。因为伊伯利亚猪比杜洛克猪的价格高很多,这种技术能够确保消费者买到真正的伊伯利亚猪,提供监督平台。该试验采集了较多的精确样本,在350~2500 nm能够提取出鉴别的相关信息,准确鉴别不同品种的猪肉。Prieto等[27]选择53 个4 岁成年牛的肉样和67 个14月龄以下青年牛的肉样,肉样通过磨碎、均质化处理,在1100~2500 nm范围内进行光谱扫描,得到光谱使用偏最小二乘法处理挑选特征光谱,建立两种肉样的鉴别模型,对于2种肉样的鉴别率为100%,可能是由于肌间脂肪和水分的含量不同。
2.3 近红外光谱在不同物种之间的鉴别应用
近红外光谱在不同物种之间的鉴别主要应用于鉴别猪肉、羊肉、牛肉、鸡肉等不同物种以及掺假肉,鉴别正确率在90%以上,能够应用于肉类工业的物种鉴定。Cozzolino等[28]选择牛肉、羊肉、猪肉、鸡肉样品分别100、140、44、48 个,肉样经过匀质处理,在400~2500 nm处使用可见光和近红外光谱扫描,对于光谱使用PCA和PLS处理,建立鉴别模型,结果表明可见光和近红外光能够客观、快速的鉴别不同物种的肉。Mamani-Linares等[29]选择牛肉、驼羊肉、马肉样品分别31、21、27 个,肉样经过匀质处理,在400~2500 nm处扫描肉糜样和肉汁的可见光/近红外光谱,对于光谱使用主成分回归法(principal component regression,PCA)和PLS处理建立鉴别模型,除了3 个牛肉糜样、1 个驼羊糜样,1 个牛肉汁样、1 个马肉汁样不能准确识别,其他全部能够识别,说明了近红外光谱是识别牛、驼羊、马肉糜和肉汁的有效工具。赵红波等[13]以近红外光谱分析技术结合模式判别方法建立一种鉴别猪肉和牛肉的方法,采用近红外漫反射光谱法,获取原始光谱,通过多元散射校正(multiplicative scatter correction,MSC)、一阶导数加Norris导数平滑点(5,3)处理光谱,二阶导数处理光谱,然后利用TQ Analyst光谱分析软件中的马氏距离设为1,建立判别分析模型。结果表明(表1),一阶导数处理光谱后,鉴别效果较好。由表2可知,此鉴别模型能够准确鉴别猪肉、牛肉,此项研究为近红外光谱技术用于猪肉、牛肉鉴别分析提供了可行性,可以为肉类工业提供快速、有效的鉴别方法。杨志敏等[14]针对原料肉和猪肉与水、卡拉胶、氯化钠混合制作的三种掺假肉,首先采用近红外结合主成分与Fisher两类判别,建立原料肉与掺假肉的判别函数,20个验证集样本有2个被误判,总正确判别率达到90%;然后,利用近红外结合主成分与乘法线性回归(multiplicative linear regression,MLP)神经网络建立原料肉和3种掺假肉的3层神经网络识别模型,对预测集52 个样本的正确识别率达到94.2%,说明利用近红外结合化学计量学方法对原料肉是否掺假及掺假种类进行鉴别是可行的。
表 1 光谱预处理方法对模型的影响[13]
Table 1 Effect of spectral preprocessing methods on the model[13]
%
光谱预处理 猪肉判别率 牛肉判别率 总判别率
原始光谱
一阶导数+Norris导数平滑点(5,3)
二阶导数+Norris导数平滑点(5,3) 95
100
100 90
100
95 92.5
100
97.5
表 2 猪肉、牛肉定性分析模型的预测结果[13]
Table 2 Predicted results from the qualitative analysis models for pork and beef[13]
验证样品 选定模
型判别 模型预测
马氏距离 通过状
态P或F 验证
样品 选定模
型判别 模型预测
马氏距离 通过状
态P或F
猪肉
猪肉
猪肉
牛肉
牛肉
牛肉 猪肉
猪肉
猪肉
猪肉
猪肉
猪肉 0.589
0.764
0.957
1.875
1.234
1.435 P
P
P
F
F
F 牛肉
牛肉
牛肉
猪肉
猪肉
猪肉 牛肉
牛肉
牛肉
牛肉
牛肉
牛肉 0.668
0.579
0.858
1.674
1.234
1.027 P
P
P
F
F
F
2.4 近红外光谱在产地溯源、不同饲喂方式之间的鉴别应用
近红外光谱能够应用于不同产地,不同饲喂方式的羊、牛等动物,鉴别正确率大于83%,能够正确鉴别牧草和浓缩料饲喂的羔羊;母羊和人工饲喂的羔羊;不同地区的牛肉以及羊肉的产地溯源等。Dian等[16]使用可见光/近红外光谱区分牧草和浓缩料饲喂的羔羊,选择120只牧草饲喂的羔羊和139只浓缩料饲喂的羔羊,对于得到的光谱采用主成分分析法和偏最小二乘判别分析法对光谱数据进行了分析,提取有效的光谱特征,建立判别模型,在波长480~510、400~700、400~2500 nm对于牧草饲喂组鉴别正确率为89.1%、90.8%、97.5%,在400~2500 nm效果最好;对于浓缩饲料组判别正确率分别是98.6%、98.6% 、97.8%。利用可见光和近红外光谱对于牧草组和浓缩饲料组的鉴别率分别为97.8%、97.5%,能够应用于不同饲喂方式的鉴别。Teresa Osorio等[17]选择母羊饲喂和人工饲喂奶的羔羊,在1100~2500 nm光谱范围内扫描,通过偏最小二乘法处理分析光谱,实验表明,近红外光谱通过奶的来源不同,能够100%鉴别母羊和人工饲喂的羔羊。李勇等[19]在中国4 个地区的牛肉屠宰场采集40 个肉牛肉样品,进行脱脂、干燥、粉碎处理,利用近红外光谱分析技术对牛肉样品的近红外光谱进行10000~4000cm-1光谱扫描,分辨率4cm-1,扫描次数64次,对光谱采用主成分分析、聚类分析和判别分析相结合,能从光谱中提取有用的信息,使数据降维,建立了判别牛肉产地来源的傅里叶变换红外光谱定性分析模型,又选择4 个地区的18 个模型进行验证,识别率达到100%;光谱预处理方法对于主成分分析影响显著,主成分分析对4 个地区的牛肉有一定的聚类作用,可以对来自不同地区的牛肉进行定性分析。张宁等[20]
采用近红外光谱法结合簇类独立软模式法溯源羊肉产地,建立了羊肉产地的溯源模型,在11995~3999cm-1波长范围内,光谱经5点平滑与MSC方法处理,采用簇类独立软模式识别方法建立了稳健的羊肉产地溯源模型;在1%的显著水平下,4个产地校正集模型对未知样本的识别率分别为95%、100%、100%、100%,拒绝率均为100%;对于验证集模型的识别率分别为100%、83%、100%、92%,拒绝率均为100%。研究表明,近红外光谱技术作为一种羊肉产地的溯源方法切实可行。孙淑敏等[21]选择中国3个地区99份羊肉样品进行近红外光谱扫描,利用主成分分析结合线性判别分析,以及偏最小二乘判别分析法对光谱数据进行了分析,建立了羊肉产地来源的定性判别模型。结果表明,在全光谱范围(950~1650 nm)内,经二阶求导和MSC预处理后,5 个地区羊肉的近红外光谱有显著差异,近红外光谱指纹技术结合化学计量学方法可以低廉、快速、有效的对羊肉产地来源进行鉴别。
3 结 语
近红外光谱技术作为一项快速、无损的绿色环保技术,必将有一个好的应用前景。在肉的等级鉴别、不同品种鉴别、不同物种鉴别以及不同饲喂方式、不同产地的鉴别研究可行,并且预测效果较好。但近红外光谱技术对于不同等级、品种、物种、产地在测量前需要建立模型。一个应用预测模型的应用,必须与建模前所用的基质相一致,否则不能得到较好预测。在今后的研究中,扩大建模范围,增加模型覆盖面以及研究领域,近红外光谱应用将会更加广泛。
参考文献:
[1] 陆婉珍. 现代近红外光谱分析技术[M]. 2版. 北京: 中国石化出版社, 2010: 13.
[2] 杰尔•沃克曼, 洛伊斯•文依. 近红外光谱解析实用指南[M]. 褚小立, 许育鹏, 田高友, 译. 北京: 化学工业出版社, 2009: 8.
[3] Prieto N, Roehe R, LavÍn P, et al. Application of near infrared reflectance spectroscopy to predict meat and meat products quality: a review[J]. Meat Science, 2009, 83: 175-186.
[4] 陶琳丽, 杨秀娟, 邓君明, 等. 畜禽化学成分近红外光谱检测技术研究进展[J]. 光谱学与光谱分析, 2013, 33(11): 3002-3009.
[5] 凌静, 向洋. 近红外光谱分析技术及其在肉类制品中的应用[J]. 肉类研究, 2008, 22(1): 52-55.
[6] 徐霞, 成芳, 应义斌. 近红外光谱技术在肉品检测中的应用和研究进展[J]. 光谱学与光谱分析, 2009, 29(7): 1876-1880.
[7] 于红樱, 祁慧娜, 臧勇军. 近红外分析技术在肉与肉制品分析中的应用[J]. 肉类工业, 2006(11): 8-9.
[8] 开晗, 孔保华. 近红外光谱检测技术在肉类工业中的应用[J]. 肉类研究, 2011, 25(9): 35-37.
[9] RØdbotten R, Nilsen B N, Hildrum K I. Prediction of beef quality attributesfrom early post mortern near infrared reflectance spectra[J]. Food Chemistry, 2000, 69: 427-436.
[10] Savenije B, Geesink G H, van der Palen J G P, et al. Prediction of pork quality using visible/near-infrared reflectance spectroscopy[J]. Meat Science, 2006, 73: 181-184.
[11] Destefanis G, Barge M T, Brugiapaglia A,et al. The use of principal component analysis (PCA) to characterize beef[J]. Meat Science, 2000, 56: 255-259.
[12] Josell Å S A, Martinsson L, Borggaard C, et al. Determination of RN-phenotype in pigs at slaughter line using visual and near-infrared spectroscopy[J]. Meat Science, 2000, 55: 273-278.
[13] 赵红波, 谭红, 史会兵, 等. 近红外光谱技术鉴别猪肉和牛肉的研究[J]. 中国农学通报, 2011, 27(26): 151-155.
[14] 杨志敏, 丁武. 近红外光谱技术快速鉴别原料肉掺假的可行性研究[J]. 肉类研究, 2011, 25(2): 25-28.
[15] 杨红菊, 姜艳彬, 候东军, 等. 注胶肉的近红外光谱快速判别分析[J]. 肉类研究, 2008, 22(11): 62-64.
[16] Dian P H M, Andueza D, Jestin M, et al. Comparison of visible and near infrared reflectance spectroscopy to discriminate between pasture-fed and concentrate-fed lamb carcasses[J]. Meat Science, 2008, 80: 1157-1164.
[17] Teresa Osorio M, ZumalacÁrregui J M, Prieto N, et al. Differentiation between carcasses from suckling lambs reared with ewe milk or milk replacers by near infrared reflectance spectroscopy of perirenal fat[J]. Small Ruminant Research, 2007, 72: 221-226.
[18] Osorio M T, ZumalacÁrregui J M, Alaiz-RodrÍguez R, et al. Differentiation of perirenal and omental fat quality of suckling lambs according to the rearing system from Fourier transforms mid-infrared spectra using partial least squares and artificial neural networks analysis[J]. Meat Science, 2009, 83: 140-147.
[19] 李勇, 魏益民, 潘家荣, 等. 基于FTIR指纹光谱的牛肉产地溯源技术研究[J]. 光谱学与光谱分析, 2009, 29(3): 647-651.
[20] 张宁, 张德权, 李淑荣, 等. 近红外光谱结合SIMCA法溯源羊肉产地的初步研究[J]. 农业工程学报, 2008, 24(12): 309-312.
[21] 孙淑敏, 郭波莉, 魏益民, 等. 近红外光谱指纹分析在羊肉产地溯源中的应用[J]. 光谱学与光谱分析, 2011, 31(4): 937-941.
[22] Liu L, Ngacd M O, Prasher S O, et al. Categorization of pork quality using Gabor filter-based hyper-spectral imaging technology[J]. Journal of Food Engineering, 2010, 99: 284-293.
[23] Barbin D, Elmasry G, Sun D W, et al. Near-infrared hyperspectral imaging for grading and classification of pork[J]. Meat Science, 2012, 90: 259-268.
[24] Monroy M, Prasher S, Ngadi M O, et al. Pork meat quality classification using Visible/Near-Infrared spectroscopic data[J]. Biosystems Engineering, 2010, 107: 271- 276.
[25] Del MORAL F G, GuillÉn A, del MORAL L G, et al. Duroc and Iberian pork neural network classification by visible and near infrared reflectance spectroscopy[J]. Journal of Food Engineering, 2009, 90: 540-547.
[26] GuillÉn A, del Moral F G, Herrera L J, et al. Using near-infrared spectroscopy in the classification of white and iberian pork with neural networks[J]. Neural Computing and Applications, 2010, 19: 465-470.
[27] Prieto N, AndrÉs S, GirÁldez F J, et al. Discrimination ofsteers(oxen) and young cattle ground meat samples by near infrared reflectance spectroscopy (NIRS)[J]. Meat Science, 2008, 79: 198-201.
篇7
本文建立了一种直接固体进样-石墨炉原子吸收光V法测定纺织品中重金属元素镍、铜、钴的方法;检测了棉纤维、腈纶纤维、粘胶纤维三种材质的纺织品中的镍、铜、钴的含量;研究了该方法的回收率、检出限和重复性相对标准偏差RSD。相比传统测试方法,该方法无需消解样品,操作简便,结果准确,避免样品消解带来的污染及安全性等问题。
关键词:固体进样分析;石墨炉原子吸收法;纺织品;重金属元素
1 引言
纺织品中重金属的来源可能是原料、生产过程、使用过程中的任何一个环节。大部分来源于纺织品后加工期,如使用某些染料和助剂。金属络合染料和使用添加剂的染料以及催化剂、固色剂、阻燃剂、后整理剂、金属络合剂等都会在纺织品中残留重金属[1-2]。重金属元素在体内积蓄量超过阈值则会对人体产生毒性,有时甚至危及生命。国标GB/T 18885―2009[3]以及生态纺织品标准OEKO-TEX Standard 100(2015)[4]对多种重金属元素进行了限定以防止其对人体造成伤害。
对于纺织品中镍、铜、钴等重金属元素总量的测定,目前的测定方法有等离子体原子发射光谱法(ICP-OES)[5]及原子吸收光谱法(AAS)[5,6],这些方法都是先通过微波消解或湿法消解对样品进行前处理。消解过程操作时间冗长,且易造成交叉污染,同时,强酸的使用会对环境造成污染。
直接固体进样-石墨炉原子吸收光谱法(SS-GF AAS)是一种快速、高效、环保的新兴检测技术。该方法是将少量的样品装入石墨舟中通过固体进样装置直接送入石墨炉中进行测试,由于直接用固体样品进行测试,无需对样品进行消解处理,大大缩短了前处理时间,同时省去了溶剂的使用。目前该方法已在农业、食品、地质、生物等方面有一定的应用[7-15]。
本研究通过直接固体进样-石墨炉原子吸收光谱法建立了一种快速检测纺织品中镍、铜、钴元素总量的方法。
2 试验部分
2.1 仪器和试剂
高分辨连续光源原子吸收光谱仪(contrAA700,德国耶拿分析仪器股份公司);固体自动进样器(SSA600,德国耶拿分析仪器股份公司);电子天平[XS105DU,精度0.01mg,梅特勒-托利多仪器(上海)有限公司]。
硝酸(德国CNW公司):痕量金属级;5%(体积分数)的硝酸:准确移取5mL硝酸至容量瓶中,用超纯水定容至100mL;镍、铜、钴、镍元素标准储备溶液各1000mg/L(国家有色金属及电子材料测试中心);镍元素标准工作溶液:用5%(体积分数)的硝酸水溶液稀释1000mg/L的标准溶液,配成浓度为1.0μg/mL的Ni工作溶液;铜、钴元素标准工作溶液:用5%(体积分数)的硝酸水溶液稀释1000mg/L的标准溶液,分别配成浓度为1.0μg/mL的Cu工作溶液和浓度为0.1μg/mL的Co工作溶液。
2.2 试验方法
取代表性样品,剪碎成5mm×5mm,用离心粉碎机粉碎至粉末状,称取约0.2mg样品放至固体进样石墨舟中,送入横向加热石墨炉中,按1.3所述的仪器条件进行样品测试,同时做空白试验。
2.3 仪器条件
镍、铜、钴的测定波长分别为337.0nm、249.1nm和240.7nm。
读出方式均为峰面积,采用塞曼效应背景校正。石墨炉升温程序如表1所示。
3 结果与讨论
3.1 标准曲线
采用直接固体进样技术时,可采用标准参考物或者标准溶液进行标准曲线的绘制,可使用相同或不同重量的参考物,也可使用相同或不同浓度的标准溶液,为操作简便,本文使用相同浓度的标准溶液,用移液枪分别移取不同体积至石墨舟中测试,进行标准曲线的绘制。
与样品相同测试条件下,对镍、铜、钴元素,移取0μL、4μL、8μL、12μL、16μL、20μL、24μL浓度分别为1.0μg/mL、1.0μg/mL、0.1μg/mL的标准工作溶液进行测试。以标准溶液中重金属元素含量为横坐标,吸光度为纵坐标,得到标准曲线如图1~图3所示。
对于镍元素,在0~24ng的范围内,标准曲线线性方程为y=0.0168x+0.0081,线性相关系数r为0.9998;对于铜元素,在0~20ng的范围内,标准曲线线性方程为y=0.0140x+0.0099,线性相关系数r为0.9993;对于钴元素,在0~2.0ng的范围内,标准曲线线性方程为y=0.0936x+0.0032,线性相关系数r为0.997。
3.2 重复性、回收率与检出限
取棉纤维、腈纶纤维、粘胶纤维材质的阳性样品进行重复性测试,分别平行测定6次,所得的结果如表2~表4所示。由结果可知,该方法的重复性好,测试结果相对标准偏差小于10%。
称取约0.2mg的空白样品(白色棉布),对于镍、铜、钴元素,分别加入12μL浓度为1.0μg/mL、1.0μg/mL、0.1μg/mL的标准工作溶液进行加标回收率试验,结果表明,该方法中镍的回收率在97.1%~105.3%之间,铜的回收率在99.4%~108.8%之间,钴的回收率在91.9%~106.4%之间,说明该方法重复性好,准确度高。按试验方法将固体进样石墨舟空烧11次,以吸光度3倍的标准偏差除以标准曲线的斜率计算得到检出限,镍元素为0.43ng,铜元素为0.75ng,钴元素为0.13ng。
3.3 与传统方法的比较
参考国标GB/T 30157―2013[7]的方法,对样品中Ni、Cu、Co含量进行测试,同时用SS-GF AAS方法对同一样品进行测试。两种方法的测试结果见表5。测定结果值相近,说明本方法测试结果准确可靠。与ICP-OES方法相比,SS-GF AAS方法无需对样品进行消解,操作简便,测试时间短,且无需使用强酸,对环境友好。
4 结论
本试验采用固体进样-石墨炉原子吸收光谱法(SS-GF AAS)建立了一种快速测定纺织品中的重金属元素镍、铜、钴含量的分析方法。结果表明对于镍元素,在0~24 ng范围内,线性相关系数为0.9998,回收率在97.1%~105.3%之间,重复性相对标准偏差RSD在4.0%~5.4%之间,检出限为0.43ng;对于铜元素,在0~20ng范围内,线性相关系数为0.9993,回收率在99.4%~108.8%之间,重复性相对标准偏差RSD在5.5%~6.0%之间,检出限为0.75ng;对于钴元素,在0~2.0 ng范围内,线性相关系数为0.997,回收率在91.9%~106.4%之g,重复性相对标准偏差RSD在4.3%~6.9%之间,检出限为0.13ng。固体进样-石墨炉原子吸收光谱法,无需对样品进行消解,不使用强酸,只需少量样品即可进行测试,因此分析速度快,操作简便,绿色环保,为纺织品中重金属元素的检测提供了新方法。
参考文献:
[1] 千建平, 陈荣圻, 吴岚. REACH 法规与生态纺织品[M]. 中国纺织出版社, 2009.
[2] 卫敏. 纺织品中重金属残留及其检测标准[J]. 中国纤检, 2011 (4):50-53.
[3] GB/T 18885―2009 生态纺织品技术要求[S].
[4] OEKO-TEX Standard 100(2016) [S].
[5] SN/T 3339―2012 进出口纺织品中重金属总量的测定 电感耦合等离子体发射光谱法[S].
[6] Haixiang C. Determination of Heavy Metals in Natural Textiles by Microwave Sample Digestion-AAS [J]. Advanced Textile Technology, 2006(2):19.
[7] 张荣, 姬丁坤, 杨英桂. 固体进样-石墨炉原子吸收法测定沙棘维生素 P 粉中镉含量的研究[J]. 现代科学仪器, 2012(4):31.
[8] 孙普兵, 刘建宇, 刘文丽, 等. 直接固体进样-石墨炉原子吸收光谱法测定食品包装纸中铅镉[J]. 检验检疫科学, 2007, 17(5):24-26.
[9] 孙普兵, 刘文丽, 刘建宇, 等. 固体进样-石墨炉原子吸收光谱法直接测定玉米中的铅[J]. 化学分析计量, 2007, 16(6):37-39.
[10] 汪素萍. 直接固体进样石墨炉原子吸收分析技术在农产品检测中的应用[J]. 现代科学仪器, 2006, 1:39-40.
[11] 苏补拽, 马建疆. 石墨炉原子吸收固体进样测定土壤中重金属[J]. 内蒙古石油化工, 2015, 41(4):14-15.
[12] 徐鹏, 王青柏, 姜雅红. 固体进样-石墨炉原子吸收光谱法测定土壤中重金属[J]. 分析试验室, 2015, 34(5):554-557.
[13] 张巽, 李彬贤, 周德昌, 等. 固体进样石墨炉原子吸收法测定岩矿样品中微量银[J]. 光谱学与光谱分析, 1992(5):25.
篇8
关键词:小麦子粒;近红外光谱;数学模型;粗蛋白含量
中图分类号 S512.1 文献标识码 A 文章编号 1007-7731(2015)03-04-22-02
Abstract:Bruker fourier transform near-infrared spectroscopy (FT-NIRS) used 113 seeds to establish math model of crude protein. The result on this model showed that the Rank was 6 and the RMSECV was 0.377 and R2 was 96.89. 54 samples were used to test this model,The result on model validation showed that the RMSEP was 0.950 and the RSEP(%) was 8.40.
Key words:Wheat;FT-NIRS;Math model;Crude protein
近红外光谱分析技术具有快速、方便、简单、准确以及同时可分析多种成分的优点,是一种非破坏性的“瞬间分析”技术,它能够为小麦品质育种快速和准确地提供有关品质参数。目前该技术已广泛应用于农业[1-4]、工业[5-6]、食品业[7-8]等行业,在小麦[9-15]、果蔬[16-18]、油菜种子[19]等不同作物的品质检测中得到了运用。用近红外光谱法分析小麦子粒粗蛋白含量,难点在于近红外光谱法要从复杂、重叠、变动的背景中提取弱信息,建立数学模型。而要建立优秀的数学模型,就需要拥有大量品质资源,从大量样品中选择代表性样品,从而建立准确、稳定的数学模型。为此,笔者收集了216份小麦子粒样品进行粗蛋白含量的分析,结果筛选出113份材料初步建立了粗蛋白FT-NIRS分析数学模型。
1 材料与方法
1.1 供试材料 小麦子粒样品216份。
1.2 化学分析 粗蛋白含量分析:采用凯氏定氮法测试小麦子粒的粗蛋白含量。
1.3 近红外分析
1.3.1 仪器 近红外光谱品质分析仪为德国Bruker公司MATRIX-I型傅立叶变换近红外光谱品质分析仪。
1.3.2 实验条件 运用OPUS系统建立模型时,在Measurement状态下的Advanced 工作页选择参数如下:Resolution为16cm-1,Sample Scan Time为64,Background Scan为64,Save Date From 为12 000~4 000cm-1,Result Spectrum 为Absorbance。其余工作页设定正确的参数。定量建模算法:偏最小二乘法。
1.4 模型建立 利用OPUS/QUANT软件优化、建立小麦子粒粗蛋白的近红外分析模型。
2 结果与分析
2.1 建小麦粗蛋白FT-NIRS定量分析模型的样品光谱集 小麦子粒样品的近红外光谱图集(图1)。
2.3 评价校正方程 为了验证模型的可靠性,对预测集样品进行预测(表1),结果粗蛋白的预测均方差(RMSEP)=0.950;相对偏差(RSEP,%)=8.40。
3 结论与讨论
(1)用近红外仪采集数据,选择113份建立了数学模型。结果:最佳主成分数(Rank)=6,内部交叉验证均方差(RMSECV)=0.377,决定系数(R2)=96.89。为了验证模型的可靠性,对预测集样品进行预测,结果粗蛋白的预测均方差(RMSEP)=0.950;相对偏差(RSEP,%)=8.40。
(2)FT-NIRS的方法测定小麦子粒的粗蛋白含量与采用凯氏定氮法测试小麦子粒的粗蛋白含量相比,快速、无损,预测结果比较准确,通过适量的校正样品建立起来的数学模型之后,可快速准确地测试未知样品的相关指标,特别适用于大批样品的分析测定,为FT-NIRS技术应用于农作物育种筛选材料提供了可能。
(3)建模时样品数量和样品代表性直接影响分析结果。本研究样品数量虽有113个来建模,但样品的代表性方面有待进一步完善。
参考文献
[1]文婷,张翔,张浩勤,等.近红外光谱在农业中的应用[J].农业技术与装备,2009(20):20,22.
[2]林新,牛智有.基于近红外光谱茶叶种类的快速识别[J].华中农业大学学报,2008,27(2):326-330.
[3]高洪智,卢启鹏,丁海泉,等.基于连续投影算法的土壤总氮近红外特征波长的选取[J].光谱学与光谱分析,2009,29(11):2951-2954.
[4]段焰青,陶鹰,者为,等.近红外光谱分析技术在烟叶产地鉴别中的应用[J].云南大学学报(自然科学版),2011,33(1):77-82.
[5]柴金朝,金尚忠.近红外光谱技术在纺织品定性检测中的应用[J].纺织学报,2009,30(4):55-58.
[6]欧阳爱国,刘军.基于近红外与拉曼光谱的甲醇汽油定量分析[J].西南师范大学学报(自然科学版),2012,37(9):98-101.
[7]穆同娜,吴燕青,冰婷.近红外光谱分析技术在食品质量安全检测分析中的应用[J].现代仪器,2010(2):20-23.
[8]齐龙,朱克卫,马旭,等.近红外光谱技术在大米检测中的应用[J].农机化研究,2011(7):18-21.
[9]刘宁涛.利用近红外光谱仪测定小麦品质指标曲线的准确性分析[J].黑龙江农业科学,2010(1):21-24.
[10]高居荣,樊广华,李圣福,等.近红外光谱技术分析小麦品质的应用研究[J].实验技术与管理,2009,26(3):42-44.
[11]金华丽,王金水.近红外光谱法检测小麦粉中灰分含量的研究[J].河南工业大学学报(自然科学版),2010,31(1):14-17,21.
[12]孙来军,王乐凯,钱海波,等.基于近红外透射光谱分析技术的小麦蛋白质含量测定[J].中国农学通报,2011,27(3):35-39.
[13]钱海波,孙来军,王乐凯,等.基于连续投影算法的小麦湿面筋近红外校正模型优化[J].中国农学通报,2011,27(18):51-56.
[14]朱大洲,黄文江,马智宏,等.基于近红外网络的小麦品质监测[J].中国农业科学,2011,44(9):1806-1814.
[15]赵海燕,郭波莉,魏益民,等.近红外光谱对小麦产地来源的判别分析[J].中国农业科学,2011,44(7):1451-1456.
[16]马兰,夏俊芳,张战锋,等.光谱预处理对近红外光谱无损检测番茄可溶性固形物含量的影响[J].华中农业大学学报,2008,27(5):672-675.
[17]刘,万辉,朱焕庭.近红外光谱分析技术在果品品质无损检测中的应用[J].广东农业科学,2009(3):157-158,163.
[18] 郭蕊,王金水,金华丽,等.近红外光谱分析技术测定芝麻水分含量的研究[J].现代食品科技,2011,27(3):366-369.
篇9
关键词:光电专业;光学元件组装;实训
1 引言
为适应时代及社会发展的需求,提升自己的竞争实力,对于光电相关专业的学生来说,不仅要具备较扎实的理论基础,而且要具备相应的专业技能和素养,如掌握光电子器件和光电子信息系统开发所必需的基本技能和专业技能。光学元件是所有光电仪器的基础[1-2],针对光学元件开展的系列检测会综合应用到工程光学、物理光学、信息光学等基本原理与知识[3-4]。通过开展光学元件组装实训,可以训练学生综合应用基础知识、综合应用光学实验仪器的能力,并提高学生光学元件装配动手能力。为此在光电信息科学与工程开设“光学元件组装实训”课程具有重要意义[5]。
2 具体实训项目
结合光电信息专业的学科特点,具体开展了以下几项实训内容。
1)光学元件清洁包装与光洁度检测
在日常使用中,光学元件会接触灰尘,水和皮肤油脂等污染物。这些污染物增加了光学表面的散射和对入射光的吸收,这会在光学表面形成热点和腐蚀点,造成永久性的损伤。由于光学元件的材料,尺寸,精度等因素不同,使用正确的处理和清洁方法非常重要。
本实习工位内容涵盖了光学元件的拿取、清洁、包装、光洁度检验。实训中,学生学习光学元件的拿取、清洁、包装方法及注意事项,并进行操作实习;在自己动手对待测光学元件进行清洁后,用三目显微镜对光学元件的光洁度进行检测,对光学窗口、透镜、棱镜、反射镜、滤光片、分划板的光洁度进行检测与分级,并对给定的光学元件进行崩边检查。
2)光学元件外形与面型检测
该实训工位要求学生了解、学习光学元件外形尺寸检测的注意事项,学习光学元件图纸标注外形尺寸的检测方法,并进行光学元件检测操作实习。实训时采用数显游标卡尺,千分尺,高度仪,对光学透镜、光学棱镜以及光学窗口的的外形尺寸和面型进行检测。充分锻炼学生的识图和动手测试能力。
3)光学元件抛光面形位公差检测
自准直仪是一种光学测角仪器它是利用光学自准直原理来观测目标位置的变化,广泛应用于直线度和平面度的测量。它和多面棱镜、标准量块等配合可以检测分度机构的分度误差,此外还可以测量零部件的垂直度、平行度等。
“光学元件抛光面形位公差检测”实训工位要求学生学会光学自准直仪的使用方法,用自准直仪检测平面光学窗口的平行度误差,对分光棱镜的分光角度、直角棱镜90°角、直角光学元件塔差进行误差测量。通过该工位的实训练习,使学生对前期所学光学光路知识得到巩固,让学生在掌握光学原理的基础上,锻炼学生动手调试仪器、认真观察读数、并对实验数据进行分析处理的能力。
4)分光、偏振、衍射光学元件检测
光在传播过程中有不同的振动方向,即光在振动方向上具有偏向性,亦被后来称为“偏振光”。光在传播过程中的不同振动方向增加了一个可被控制的自由度,我们可以通过适当的光路安排或者特殊材料、镀膜等光学元件进一步将偏振状态的改变按一定的规律转换成传播方向、位相、频率以及光强的改变,进而分析一些光参量;反之我们通过光强变化和光参量来测量一些特殊光学元件的分光比和消光比。
本实训工位旨在让学生认知常用的光学分光、偏振光学元件;学习分光元件的分光比检测,并进行操作实习;学习偏振元件的消光比检测,并进行操作实习;以及学习光学元件的衍射现象及衍射效率测试。相关实验通过激光器配合激光功率计进行结果测量。该工位对光电专业的学生来讲,是对其专业知识的进一步形象化普及和巩固,将平时学生在课堂上和书本上学到的光学元件和光学原理实际展现在眼前手边,通过观察和自己动手操作,对这些知识进一步理解。
5)光学镜头组装
光学镜头是机器视觉系统中必不可少的部件,直接影响成像质量的优劣,影响算法的实现和效果。光学镜头组装工位主要锻炼学生的动手操作和调节能力,使学生在理解光学镜头种类和基本光路原理的前提下,对准直镜、远心成像镜头以及变倍镜头等几组光学镜头进行动手拆装,并配合激光器对组装后的光学镜头进行相应的检测校准及参数测量。
6)镜片镀膜检测
使用光学方法测量薄膜厚度有多种方式,例如:棱镜耦合法、光谱法和椭偏法。本实验所使用的是光谱法,利用白光干涉的原理测量薄膜厚度,具有设备成本低,易于搭建光路的优点,是目前在线测量薄膜厚度的主流光学方法之一。
本实训工位要求学生学习和掌握白光干涉测定薄膜厚度的基本原理,通过使用拟合算法和快速傅立叶变换算法来测量薄膜厚度,测量多种类型滤光片的透射光谱并对其参数进行计算。
7)原子发射光谱测量
原子发射光谱法,是依据各种元素的原子或离子在热激发或电激发下,发射特征的电磁辐射,而进行元素的定性与定量分析的方法,是光谱学各个分支中最为古老的一种,在发现新元素和推进原子结构理论方面作出过重要贡献。
本实验使用光谱管组来观测多种气体的原子发射光谱。光谱管组是一种低气压放电管,共包括五支直形光谱管,每支光谱管两端均装有电极。实验时,通过在光谱管的两端加以高压,使管内的气体产生辉光放电,发出一定颜色的光。原子不同,发射的明线光谱也不同,每种元素的原子都有一定的明线光谱。每种原子只能发出具有本身特征的某些波长的光,因此,明线光谱的谱线叫做原子的特征谱线,据此可对元素进行定性分析。实训时,学生使用光谱仪对发射光谱进行采集,通过谱线的条数、位置、颜色来识别出它是由哪种元素发出的,并对相应光管进行标定。
3总结
《光学元件组装实训》是光电信息科学与工程专业重要独立实践课程之一,是一门综合性的实验选修课程。教学目的在于通过课程学习及实际动手操作,使学生能够识别光学元件、知道其光学作用、掌握光学元件的组装和调试等技能,提高学生的综合素质。
课程涉及的学习内容需要学生将所学的理论知识综合应用到实践操作中,注重理论与实践相结合,对学生的动手操作能力及综合素质将有很大的提升。
参考文献:
[1]郁道银,谈恒英. 工程光学[M]. 北京: 机械工业出版社,2006.
[2]梁铨廷,刘翠红. 物理光学简明教程[M]. 北京:电子工I出版社,2010.
[3]郑国经. 原子发射光谱分析技术及应用[M]. 北京:化学工业出版社,2009.
篇10
关键词 咪唑基离子液体; 荧光性能; 烷基; 卤素阴离子; 蛋白质; 传感
1 引 言
离子液体(Ionic liquids, ILs)是由有机阳离子和无机/有机阴离子构成、在室温或室温附近呈液体状态的盐类。20世纪80年代,Wilkes等发现1,3二烷基咪唑氯铝酸盐比N烷基吡啶盐具有更负的电化学还原电位,并在此基础上合成了1,3二烷基咪唑类离子液体[1]。1992年,该课题组合成了第一个对水和空气均稳定的咪唑基离子液体1乙基3甲基咪唑四氟硼酸盐EMimBF4[2]。自此,基于咪唑阳离子的新型离子液体相继被合成,在催化[3]、分离分析[4,5]、电化学[6~8]和有机合成[9]等领域获得了广泛应用。
随着对离子液体的性质及其应用研究的深入,人们也开始逐渐从分子水平上对离子液体的本质和性质进行研究,主要研究方法包括广延X射线吸收、X射线衍射、中子衍射、光谱学分析等。早期的研究结果认为,离子液体在近紫外可见光区基本不产生光吸收,但Paul等发现咪唑基离子液体EMimBF4、1丁基3甲基咪唑四氟硼酸盐BMimBF4和1丁基3甲基咪唑六氟硼酸盐BMimPF6由于其结构中咪唑环的存在,使得其在整个紫外可见区都表现出明显的吸收[10],但其吸收光谱受杂质(如水、无机阴离子、有色物质等)的影响较大[11]。
咪唑基离子液体EMimBF4、BMimBF4和BMimPF6在受紫外光激发后能发射出荧光,由于离子液体结构内存在不同的缔合形式,其荧光强度与激发波长之间存在较强的依赖关系[12],但这些咪唑基离子液体共轭性较弱,荧光效率较低,其量子产率多在0.005~0.02之间。本课题组在前期研究中以N丁基咪唑和氯代正丁烷为原料制备了一种结构对称的咪唑基离子液体1,3二丁基咪唑氯代盐BBimCl,在咪唑环上引入了对称的丁基基团。离子液体的对称结构使其ππ*共轭性能极大增强,因此其荧光量子产率显著提高,达到0.523[13]。这种结构对称型离子液体的优良亲水性及强荧光性能使其有望成为高灵敏、高选择性传感检测生物大分子的新型荧光探针。
本研究在前期工作的基础上,进一步考察了对称型卤代咪唑基离子液体分子中咪唑环上取代烷基碳链长度(n=2, 4, 6, 8)和不同卤素阴离子(Cl Br )
对其光谱性能的影响,通过光谱表征的方法确定离子液体的结构及其内部的相互作用,并探讨了该类咪唑基离子液体在蛋白质分析检测中的性能。
2 实验部分
2.1 仪器与试剂
F7000荧光分光光度计,U3900型紫外可见分光光度计(日本日立公司)。
咪唑基离子液体1,3二丁基咪唑卤代盐(X=Cl、I)和溴代咪唑离子液体1,3二乙基咪唑溴代盐EEimBr、1,3二丁基咪唑溴代盐BBimBr、1,3二己基咪唑溴代盐HHimBr和1,3二辛基咪唑溴代盐OOimBr均购于上海成捷化学有限公司;血红蛋白(Hb)、细胞色素C(Cytc)、溶菌酶(Lys)、肌红蛋白(Mb)、转铁蛋白(Trf)、卵清蛋白(OVA)、辣根过氧化酶(HRP)和牛血清白蛋白(BSA)购自美国Sigma公司,硫酸奎宁等购自国药集团;所用试剂(除特别声明外)为分析纯,实验用水为二次去离子水(18 MΩ cm)。
2.2 实验方法
2.2.1 紫外可见吸收光谱测定
配制0.001 mol/L 离子液体溶液,移取2 mL于光程为10 mm的石英比色皿中,在200~500 nm波长范围内扫描其吸收光谱。
2.2.2 荧光光谱测定
配制0.01 mol/L 离子液体溶液,移取500 μL于10 mm石英比色皿中测定其荧光光谱。电压600 V,扫描速度1200 nm/min,激发/发射狭缝均为5 nm。
4 结 论
离子液体的结构可以进行人为的设计和改造,赋予离子液体一些独特的性质,具有广阔的应用前景。通过研究离子液体本身结构与其光谱性能之间的构效关系,深入了解有关离子液体结构和其它分子间相互作用方面的信息,可为离子液体的功能化设计和制备以及实际应用提供理论依据和指导,以进一步拓展离子液体的应用范围。离子液体与蛋白质之间的相互作用及其对离子液体的光谱性能影响为其在蛋白质分析中的应用提供了基础,如离子液体能进入蛋白质的结构域III中[24],但其详细作用机理仍需进一步深入探讨。基于离子液体构建的荧光阵列传感器对多组份蛋白质样品具有一定识别能力,但其识别能力受荧光量子产率的限制,因此可考虑设计多种功能化离子液体及其复合物,增强或改善离子液体与生物大分子之间的相互作用,拓展其在生命分析中的应用范畴。
References
1 Wilkes J S, Levisky J A, Wilson R A, Hussey C L. Inorgan. Chem., 1982, 21(3): 1263-1264
2 Wilkes J S, Zaworotko M J. Chem. Commun., 1992, 13: 965-966
3 Zhang B, Yan N. Catalysts, 2013, 3: 543-562
4 TrujilloRodriguez M J, RocioBautista P, Pino V, Afonso A M. TRACTrend. Anal. Chem., 2014, 51: 87-106
5 HUO JiangBo, WANG XiaoYi, SUN DongLing, ZHAO JingQiang, LIN XingTao. Chinese J. Anal. Chem., 2014, 42(4): 531-535
霍江波, 王小逸, 孙东玲, 赵靖强, 林兴桃. 分析化学, 2014, 42(4): 531-535
6 Niedermeyer H, Hallett J P, VillarGarcia I J, Hunt P A, Welton T. Chem. Soc. Rev., 2012, 41: 7780-7802
7 WANG Huan, YE XiaoHe, CHEN LiMing, LU JiaXing, HE MingYuan. Chem. J. Chinese Universities, 2005, 26(2): 326-329
王 欢, 叶小鹤, 陈黎明, 陆嘉星, 何鸣元. 高等学校化学学报, 2005, 26(2): 326-329
8 FU HaiYing, WANG JianXiu, DENG Liu. Chinese J. Anal. Chem., 2014, 42(3): 441-445
付海莹, 王建秀, 邓 留. 分析化学, 2014, 42(3): 441-445
9 Quveshi Z S, Deshmukh K M, Bhanage B M. Clean. Techn. Environ. Policy, 2014, 16: 1487-1513
10 Paul A, Mandal P K, Samanta A. Chem. Phys. Lett., 2005, 402: 375-379
11 Shen Y F, Zhang Y J, Han D X, Wang Z J, Kuehner D, Niu L. Talanta, 2009, 78: 805-808
12 Mandal P K, Paul A, Samanta A. J. Photochem. Photobiol. A, 2006, 182: 113-120
13 Chen X W, Liu J W, Wang J H. J. Phys. Chem. B, 2011, 115: 1524-1530
14 ZHAO YanLai, HE SenLiang, XU ChangDe. An Introduction to the Chemistry of Heterocyclic Compounds, Beijing: Higher Education Press, 1992: 210-230
赵雁来, 何森良, 徐长德. 杂环化学导论, 北京: 高等教育出版社, 1992: 210-230
15 Joseph B L, Herbert F S, David A L. Organic Structural Spectroscopy, New Jersey, PrenticeHall Inc, 1998
16 Samanta A. J. Phys. Chem. B, 2006, 110: 13704-13716
17 Paul A, Mandal P K, Samanta A. J. Phys. Chem. B, 2005, 109: 9148-9153
18 CHEN GuoZhen, HUANG ZhiXian, ZHEN ZhuZi, XU JinGou, WANG ZunBen. Fluorimetry(Third Edition), Beijing: Science Press: 1990
陈国珍, 黄智贤, 郑朱梓, 许金钩, 王尊本. 荧光分析法 (第3版), 北京: 科学出版社, 1990
19 Zhou H C, Baldini L, Hong J, Wilson A J, Hamilton A D. J. Am. Chem. Soc., 2006, 128: 2421-2425
20 Li H, Bazan G C. Adv. Mater., 2009, 21: 964-967
21 CHEN XuWei, MAO QuanXing, WANG JianHua. Prog. Chem., 2013, 25(5): 661-668
陈旭伟, 毛全兴, 王建华. 化学进展, 2013, 25(5): 661-668
22 Mao Q X, Wang H, Shu Y, Chen X W, Wang J H. RSC Adv., 2014, 4: 8177-8182