双脉冲激光诱导击穿光谱结合多元定标法定量分析大豆油中的铅

吴宜青，欧阳静怡，孙　通，莫欣欣，刘　津，刘木华

(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)



双脉冲激光诱导击穿光谱结合多元定标法定量分析大豆油中的铅

吴宜青，欧阳静怡，孙通*，莫欣欣，刘津，刘木华

(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)

应用双脉冲激光诱导击穿光谱(DP-LIBS) 对大豆油中的铅(Pb) 含量进行检测。配制9个大豆油样品，采用一定规格圆柱形桐木对样品中Pb进行富集，然后通过Ava-Spec二通道高精度光谱仪采集其LIBS光谱信号。根据样品的LIBS谱线图和美国国家标准技术研究所(NIST) 原子光谱数据库，确定选用Ca Ⅱ 393.284 nm，Ca Ⅱ 396.752 nm，N Ⅱ 399.399 nm和Pb Ⅰ 405.685 nm的特征谱线强度作为自变量，得到Pb含量的多元线性回归定量分析模型，并通过方差分析和t检验验证分析模型的可行性。结果表明，采用Pb元素直接定标法得到的平均相对误差约为16%，拟合度R2为0.981 8；采用多元线性回归模型得到的平均相对误差为7.25%，拟合度R2为0.997 1，3个检验样品的相对误差均在合理范围内。采用多元校正分析模型可以充分利用光谱中的有效信息，降低基体效应的影响，从而提高LIBS分析的准确性。

双脉冲激光诱导击穿光谱(DP-LIBS)；多元定标；定量分析；大豆油；铅

铅(Pb) 是一种常见的重金属元素，铅及其化合物对人体有毒，在人体中积累后不易排出，铅中毒主要损害人体的神经系统、造血系统、骨骼系统和肾脏[1-2]。随着工业的不断发展，许多工厂“三废”排放达不到国家标准，致使一些重金属对食用油原料(花生、玉米、大豆、菜籽等) 生长所需的土壤、水和空气造成污染[3]；含重金属农药和化肥的使用，也会使农作物积蓄一定量的重金属。另外，食用油在加工、贮藏及运输过程也可能受到重金属的污染。食用油是人们生活的日常用品，为了保护人体健康，对其重金属Pb含量的监测具有十分重大的意义。

激光诱导击穿光谱(Laser-induced breakdown spectroscopy,LIBS) 是一种通过对光谱波长进行分析，获得待测样品中元素种类及其含量信息的激光烧灼分析技术。基本原理是将激光聚焦于待测样品表面，当脉冲的能量密度大于击穿阈值时，产生高温等离子体，等离子体降温后发射出样品组分信息的光谱，最后利用光电探测器及光谱仪对其进行采集。LIBS技术具有检测周期短、样品处理简单、可同时进行多元检测等优点，目前已被广泛用于矿业[4]、冶金[5]、医药[6]、煤燃烧[7]、水和土壤污染[8-10]等领域。

由于LIBS实际应用中易受基体效应的影响，导致其直接分析结果的精确度不高。因而，越来越多的化学计量学方法被用于处理LIBS分析时产生的大量数据。沈沁梅等[11]基于遗传神经网络回归模型，对土壤进行定量分析，得到Ba和Ni的相关系数分别为0.983和0.990，平均相对误差分别为4.15%和6.06%，检测精度优于人工神经网络(BP-ANN)和常用的内标法。董美蓉等[12]对煤中的碳元素采用多元校正的分析方法，得到回归分析模型预测值与真实值之间的误差在5%之内，表明多变量校正法可得到较高的分析精度。Wang等[13]应用偏最小二乘法(PLS)模型对煤样中的碳进行定量分析，得到样品在空气和氩气中碳元素的平均相对误差分别为4.96%和2.98%，预测精度良好。邹孝恒等[14]基于遗传算法(GA) 和偏最小二乘法的回归模型对土壤成分进行定量分析，GA-PLS能够显著改善传统PLS模型的预测能力。贺文干等[15]利用3种非线性定标方法对炉渣中Ca和Mg含量进行定量分析，得到径向基函数(RBF)神经网络模型中Ca和Mg的平均相对误差为2.61%和5.94%，预测精度较多元二次函数和BP神经网络定标法得到了提高。杨友良等[16]利用粒子群优化支持向量机回归对钢液中的Mn进行定量分析，相关系数为0.997，相对标准偏差(RSD)为8.26%，分析性能较传统定标法有一定提高。上述研究表明，选择合适的化学计量学方法可以有效地降低LIBS定量分析时带来的误差，提高预测精度。

多元回归方法是一种简便而实用的定量分析方法，具有计算简单快捷、允许样品容量小、统计特性良好及可充分利用光谱数据中的有效信息等优点，在LIBS检测领域得到应用。如余洋等[17]采用单变量和多变量分析方法对污染土壤中的Cr进行了定量分析。陈添兵[18]、姚顺春[19]等分别采用多元线性回归对脐橙中的Pb以及未燃碳含量进行了定量分析。本实验以大豆油样品中的Pb为研究对象，以一定规格圆柱形桐木对样品中的Pb进行富集，并在相同实验条件下对大豆油样品进行双脉冲激光诱导击穿光谱实验，然后采用直接定标法和多元定标法对样品中的Pb进行定量分析。

1　实验部分

1.1实验装置

LIBS检测系统示意图如图1所示。主要部件为：波长为1 064 nm，脉冲宽度为8 ns，频率为2 Hz，最高激光能量值为300 mJ的调Q纳秒Nd:YAG共轴双脉冲激光器(Vlite-200型，北京Beamtech公司)。AvaSpec双通道高精度光谱仪(Avantes公司，荷兰),一通道和二通道波段范围分别为206.28～331.41 nm以及321.46～481.77 nm，每个通道有2 048个数据点。SC300-1A型二维旋转载物台(卓立汉光，北京) 、DG645数字脉冲信号发生器(Stanford Research Systems,USA) 以及各种光学镜片等。

1.2实验材料及样品制备

实验所用五湖大豆油样品购于南昌沃尔玛超市，产地为江西省九江市，原始大豆油按国标GB 5009.12-2010未检出Pb。甲苯(分析纯)由上海润捷化学试剂有限公司制造，纯度为99.5%。异辛酸铅(纯度95.0%，西亚试剂网)。圆柱形桐木(曹县黑森木业有限公司)。

将异辛酸铅溶于甲苯，配制成浓度为1.01×104μg/g的溶液，然后加入甲苯和大豆油稀释，得到1#～9#大豆油样品中Pb含量分别为17.63，27.84，48.57，100.38，203.36，383.56，481.13，579.33，770.73 μg/g。为克服LIBS技术直接分析液体样品时灵敏度低和稳定性差等缺点，实验采用一种圆柱形桐木对Pb进行富集，将木片浸泡于大豆油样品中一段时间后，取出放置于恒温烘箱内烘干，对其进行LIBS光谱采集。

选取1#，3#，5#，6#，8# 和9#大豆油样品作为模型建立的定标样品，2#，4# 和7#大豆油样品作为验证样品，用于检验定标模型的性能。

1.3LIBS光谱采集

将样品置于二维旋转载物台上，波长为1 064 nm的激光光束经过角度为45°的反射镜反射穿过穿孔反射镜，再垂直穿过焦距为100 mm的水平透镜，最后入射到样品表面；产生的激光诱导等离子体信号经水平透镜汇聚，通过穿孔反射镜的反射，经垂直透镜汇聚到光纤探头然后进入二通道高精度光谱仪，从而获得样品的LIBS光谱。

为提高LIBS对样品检测的稳定性和精确度，对两束激光脉冲能量、采集延迟时间和两束激光相对延时等参数进行了优化。优化后的实验参数如下：激光单束脉冲能量值为120 mJ，两束激光相对延时为40 ns，采集延时为1.8 μs，积分时间为2 ms，激光频率为2 Hz。实验每次采集10幅光谱图，每幅光谱图为平均击打5次所得的实验结果，同一样品重复测量2次，因此，后续处理的每幅光谱图是激光作用于样品表面100个不同点的平均结果。

2　结果与讨论

2.1特征谱线的确定

在上述实验条件下，对4#大豆油样品进行LIBS实验。图2为4#大豆油样品在391～407 nm波长范围内的激光诱导击穿光谱。

由图2可知，波长393.284，396.752，399.399，405.685 nm处独立的光谱清晰可见，根据美国国家标准技术研究所(NIST)原子光谱数据库，对上述特征谱线进行了标识和比对(见表1，其中Aki为自发跃迁几率)，确定了上述谱线所对应的元素，实验元素的激发波长与美国原子数据库的波长有一定的偏差。

表1　Ca，N和Pb的发射谱线Table 1　Spectral lines of Ca,N and Pb

2.2Pb元素直接定标

将Pb Ⅰ 405.685 nm谱线的强度与其真实含量进行关联，建立Pb的直接定标曲线，得到定标曲线方程为y=5.686x+429.34，拟合度R2=0.981 8，Pb的直接定标曲线拟合效果一般，部分数据点与定标曲线有较大的偏离。Pb的预测结果见表2，可以看出，直接定标模型的预测值与真实值之间的相对误差严重偏大，Pb含量较低的1# 定标样品和2# 检验样品的相对误差高达30%多，定标样品和检验样品的平均相对误差也在16%以上，预测结果的精确度不理想。由此说明，单因素建立的模型预测准确性较低，对低浓度样品的预测效果更差，这是由于样品中Pb的有效光谱信息未得到充分利用所致。

表2　直接定标法Pb的相对误差Table 2　Relative error of Pb in direct calibration method

2.3Pb元素多元线性回归

分析元素特征谱线除了与自身浓度变化有关外，还受到样品中其它基体元素的影响，可认为分析元素k的浓度Ck是样品中某些元素特征光谱强度的函数，表示为[20]:

Ck=f(I1，I2，I3，…，In)

(1)

而对于一个多元共存的复杂体系，某一信息的测量结果往往与多个因素有关，假设因变量为y，自变量为x1，x2，x3，…，xm，yi为某一测量值，则可用公式表示为[12]：

yi=b0+b1×xi1+b2×xi2+b3×xi3+…+bm×xim+§i(i=1，2，…，n)

(2)

式中，b0为常数项，bm称为yi对xi的偏回归系数，i为第i次测量，m为变量个数，§i为残差或剩余。

由表2结果可知，单因素建立模型的预测效果不佳。造成这种结果的原因可能是基体元素N,Ca与Pb的分析谱线相邻，并且Ca的谱线峰值强度较高(见图2)，存在此消彼涨的情况，严重影响了Pb的峰值强度。因此本文选择Ca，N以及Pb的谱线强度作为多元回归的自变量，结合公式(1) 和(2) 得到Pb定量分析的定标模型如下：

CPb=b0+b1×ICa Ⅱ 393.284+b2×ICa Ⅱ 396.752+b3×IN Ⅱ 399.399+b4×IPb I 405.685

(3)

将LIBS实验数据代入公式(3) 进行回归分析，得到回归模型的定标系数依次为 {-60.435，0.103，-0.147，0.057，0.270} 。为检验回归模型的可靠性，对回归模型进行方差分析和t检验，其结果见表3～4。

表3　回归模型的方差分析结果Table 3　Variance analysis results of regression model

由表3可知，F≫F0.05(4,4)，回归方程的显著性F统计量的P值为0.020 2，小于显著性水平α=0.05，回归相关系数R=0.998，说明回归方程高度显著；由表4可知，ICa Ⅱ 393.284，ICa Ⅱ 396.752，IN Ⅱ 399.399，IPb I 405.685的系数t检验显著性统计量的P值分别为0.010，0.009，0.019，0.005，均在0.05以内，说明各个系数的显著性水平较高，影响Pb元素分析的显著性大小关系依次为IPb I 405.685>ICa Ⅱ 396.752>ICa Ⅱ 393.284>IN Ⅱ 399.399。综上可知，依据上述确定的影响因素所建立的回归模型可行，最终得到回归方程为：

CPb=-60.435+0.103×ICa Ⅱ 393.284-0.147×ICa Ⅱ 396.752+0.057×IN Ⅱ 399.399+0.270×IPb I 405.685

表4　回归系数的t检验结果Table 4　t-test results of regression coefficient

根据上述回归方程对6个定标样品及3个检验样品中的Pb含量进行回归预测，得到样品的预测值与真实值之间的关系如表5所示。其中1# 和3# 样品的相对误差较高，分别为13.08%和15.84%，其它样品的相对误差均在可接受范围内，平均相对误差为7.25%，较直接定标法减小2倍多，并且定标样品真实值与预测值之间的拟合效果好，拟合度R2= 0.997 1，拟合方程为y=0.992x+8.238，式中x,y分别为定标样品中Pb含量的真实值与预测值。另外，3个检验样品的预测相对误差分别为5.05%，5.75%，0.13%，均在合理范围内，皆优于直接定标模型的预测值。由上述结果可知，多元回归校正模型的实验结果优于直接定标模型，表明采用多元线性回归的定量方法能有效地减弱Ca和N元素对Pb元素分析的影响，提高样品的预测精度，多元变量分析方法可用于复杂基体样品的LIBS检测。

表5　多元回归预测值与真实值之间的相对误差Table 5　Relative error of predicted value and true value in multiple regression

3　结　论

本文利用双脉冲LIBS技术对大豆油中的Pb含量进行检测，并以桐木为基体对样品中的Pb进行富集，然后建立Pb的直接定标模型和多元定标模型。Pb的直接定标模型得到的平均相对误差为16%左右，定标曲线的拟合度R2为0.981 8；采用多元线性回归模型得到的平均相对误差为7.25%，回归方程的拟合度R2为0.997 1，3个检验样品的相对误差在合理范围内。由此说明，采用多元校正分析模型可以充分降低基体效应的影响，提高LIBS分析的准确性。本研究结果为大豆油中金属元素的检测提供了一定的理论依据。

[1]Yao Z Q.StudiesofTraceElementsandHealth(姚智卿.微量元素与健康研究),2011,28(5):67-68.

[2]Yang T,Wang W R.WordLatestMedicineInformation(杨田,王文瑞.世界最新医学信息文摘),2014,14(7):44-46.

[3]Zhang T,Cai W T,Liu J W,Cao Y T.J.Instrum.Anal.(张涛,蔡五田,刘金巍,曹月婷.分析测试学报)，2013,32(11):1384-1387.

[4]Chen X L,Dong F Z,Tao G Q,Li Y J,She M J,Fu H B,Ni Z B,Wang J G,He W G,Tang Y Q,Rao R Z.Chin.J.Lasers(陈兴龙,董凤忠,陶国强,李油建,佘明军,付洪波,倪志波,王静鸽,贺文干,汤玉泉,饶瑞中.中国激光),2013,40(12):243-248.

[5]Cabalín L M,González A,Lazic V,Laserna J.Appl.Spectrosc.,2011,65(7):797-805.

[6]Li Z F,Wang R W,Deng H,Shang L P.Chin.J.Lumin.(李占锋,王芮雯，邓琥,尚丽平.发光学报),2016,37(1):100-105.

[7]Yao S C,Lu J D,Pan S H,Jiang M C,Li P,Xie C L,Li J.Chin.J.Lasers(姚顺春,陆继东,潘圣华,蒋梅城,李娉,谢承利,李捷.中国激光),2010,37(4):1114-1117.

[8]Lee Y,Oh S W,Han S H.Appl.Spectrosc.,2012,66(12):1385-1396.

[9]Li Y,Lu J D,Lin Z X,Xie C L,Li J,Li P Y.J.Appl.Optics(李勇,陆继东,林兆祥,谢承利,李捷,李鹏艳.应用光学),2008,29(5):789-792.

[10]Zhang X,Huang L,Yao M Y,Liu M H.ActaAgric.Univ.Jiangxiensis(张旭,黄乐,姚明印,刘木华.江西农业大学学报),2013,35(3):631-634.

[11]Shen Q M,Zhou W D,Li K X.Chin.J.Lasers(沈沁梅,周卫东,李科学.中国激光),2011,38(3):247-252.

[12]Dong M R,Lu J D,Yao S C,Chen K,Li J,Li J Y.J.Eng.Thermophys.(董美蓉,陆继东,姚顺春,陈凯,李军,李俊彦.工程热物理学报),2012,33(1):175-179.

[13]Wang Z,Yuan T B,Lui S L,Hou Z Y,Li X W,Li Z,Ni W D.Front.Phys.,2012,7(6):708-713.

[14]Zou X H,Hao Z Q,Yi R X,Guo L B,Shen M,Li X Y,Wang Z M,Zeng X Y,Lu Y F.Chin.J.Anal.Chem.(邹孝恒,郝中骐,易荣兴,郭连波,沈萌,李祥友,王泽敏,曾晓雁,陆永枫.分析化学),2015,43(2):181-186.[15]He W G,Dong F Z,Chen X L,Yu R H,Fu H B,Ni Z B,Wang J G,Tang Y Q.Chin.J.QuantumElectron.(贺文干,董凤忠,陈兴龙,余嵘华,付洪波,倪志波,王静鸽,汤玉泉.量子电子学报),2014,31(2):213-221.[16]Yang Y L,Wang P,Ma C H.LaserOptoelectron.Prog.(杨友良,王鹏,马翠红.激光与光电子学进展),2015,52(7):289-294.

[17]Yu Y,Zhao N J,Wang Y,Fang L,Meng S D,Hu L,Gu Y H,Wang Y Y,Ma M J,Liu J G,Liu W Q.LaserOptoelectron.Prog.(余洋,赵南京,王寅,方丽,孟硕德,胡丽,谷艳红,王园园,马明俊,刘建国,刘文清.激光与光电子学进展),2015,52(9):321-326.

[18]Chen T B,Yao M Y,Liu M H,Lin Y Z,Li W B,Zheng M L,Zhou H M.ActaPhys.Sin.(陈添兵,姚明印,刘木华,林永增,黎文兵,郑美兰,周华茂.物理学报),2014,63(10):203-208.

[19]Yao S C.TheApplicationofLaserInducedBreakdownSpectroscopyforDiagnosisofPowerStation.Guangzhou:South China University of Technology(姚顺春.激光诱导击穿光谱技术在电站运行诊断中的应用研究.广州：华南理工大学),2011：49-56.

[20]Li Y.QuantitativeAnalysisofMetalElementsUsingLIBSandItsRelevantImpactFactors.Qingdao:Ocean University of China(李颖.LIBS在金属元素定量分析中的应用及其影响因素研究.青岛：中国海洋大学 ),2011:15-19.

Quantitative Analysis of Lead in Soybean Oil by Double Pulse Laser-induced Breakdown Spectroscopy and Multivariate Calibration Method

WU Yi-qing，OUYANG Jing-yi，SUN Tong*，MO Xin-xin，LIU Jin，LIU Mu-hua

(Key Laboratory of Biological Optics-Electric Technique and Application,Jiangxi Agricultural University,Nanchang330045,China)

Double pulse laser-induced breakdown spectroscopy(DP-LIBS) was used to detect lead(Pb) content in soybean oil.For nine prepared soybean oil samples in the experiment,cylindrical paulownia wood with a certain size was used to enrich Pb in samples,and LIBS spectrum was collected by an Ava-Spec two-channel high precision spectrometer.According to LIBS spectrum of the sample and the National Institute of Standards and Technology(NIST) atomic spectrum database,the characteristic spectral line intensties of Ca Ⅱ 393.284 nm,Ca Ⅱ 396.752 nm,N Ⅱ 399.399 nm and Pb Ⅰ 405.685 nm were selected as independent variables,and multivariate linear regression was used to develop a quantitative analysis model for Pb content.The methods of variance analysis andt-test were used to verify the feasibility of analysis model.The results indicated that the average relative error of Pb was about 16%,and the fitting degreeR2was 0.981 8 in the direct calibration method.While in the multiple linear regression model,the average relative error of Pb was 7.25%,and the fitting degreeR2was 0.997 1,the relative errors of three validated samples were within a reasonable range.It is showed that the multivariate calibration analysis model could make full use of the effective information in the spectrum and reduce the influence of matrix effect,thereby improving the accuracy of LIBS analysis.

double pulse LIBS；multivariate calibration；quantitative analysis；soybean oil；lead

2016-03-17；

2016-04-22

国家自然科学青年基金(31401278)；江西省自然科学基金(20132BAB214010)

孙通，博士，副教授，研究方向：农产品、食品质量光学无损检测,Tel:0791-83813184,E-mail：suntong980@163.com

10.3969/j.issn.1004-4957.2016.08.015

O657.72；O614.433

A

1004-4957(2016)08-1015-06