便携式蔬菜叶片重金属镉含量无损检测仪设计与试验

　　摘要：针对蔬菜叶片重金属镉检测传统方法存在的检测仪器体积大、检测成本高和具有破坏性等问题，提出一种基于可见光-近红外波段光谱蔬菜叶片重金属镉检测方法，并设计了一科无需预处理、检测速度快、体积小且便于携带的重金属镉检测仪，能够适用于移动式的现场检测。配置4个重金属镉胁迫梯度(0、1、3、5mg/kg)营养液，培育各镉胁迫的生菜样本，通过高光谱成像系统采集叶片反射光谱数据，利用主成分分析法(Principalcomponentanalysis，PCA)筛选出3个特征波长(550、680、800nm)，采用偏最小二乘法(Partialleastsquaresregression，PLSR)搭建重金属镉检测模型，该模型测试集相关系数Rp为0.9149，测试集均方根误差RMSEP为0.5271mg/kg。使用自制的仪器做标定试验，选择A/D采集电压做参考，用标定数据进行建模，模型训练集相关系数Rc为0.8581，训练集均方根误差RMSEC为0.4975mg/kg，测试集相关系数Rp为0.8432，测试集均方根误差RMSEP为0.5526mg/kg，模型预测效果较好。最后对便携式重金属镉无损检测仪检测精度进行验证，选取与建模无关的30组镉胁迫生菜叶片实时检测，与标准理化值对比，均方根误差为0.32mg/kg，绝对测量误差为-0.69~0.66mg/kg，平均绝对误差为0.26mg/kg，结果表明：检测仪能够实现生菜叶片镉含量的实时无损检测。

　　关键词：重金属镉;无损检测;光谱反射率;便携式

　　引言

　　镉是常见的重金属污染物之一，其高水溶性、神经毒性、诱变性和致癌性使其对活生物体具有极高的毒性[1]。近年来，污水灌溉、农用物质的不合理使用、固体废弃物的堆放及处置等造成了镉污染土壤和水环境的情况越来越严重，蔬菜等食品均受到了不同程度的污染[2]。不同蔬菜对重金属镉吸收存在差异，其中叶菜类蔬菜对重金属镉的累积效应明显[3-4]。镉可通过蔬菜入人体，引起慢性中毒[5]。

　　因此，快速有效地检测蔬菜重金属污染成为研究焦点。传统的化学检测方法步骤繁琐，耗时费力，具有一定的破坏性，而光谱具有分辨率高，波段多的优点[6-7]，为实时高效检测重金属污染提供了可能。在蔬菜中，镉能抑制光合作用，降低对水分和养分的吸收，导致根尖黄化、生长迟缓、褐变、超微结构损伤，最终导致死亡[8]。

　　当用高浓度的镉溶液胁迫蔬菜生长，会破坏蔬菜细胞叶绿体结构，导致其光合色素含量下降，光合作用强度和呼吸强度下降、碳水化合物代谢失调以及其它一系列生理代谢紊乱[9]。上述症状会影响叶片对光的吸收或反射，引起蔬菜叶片光谱反射率的变化，并且镉胁迫下光谱反射率变化较大，利用特定的光谱波段可识别出蔬菜叶片重金属镉的含量变化[10]。

　　目前，国内外学者对通过光谱检测重金属镉污染进行了研究。顾艳文等[11]利用相关分析法分别对一阶导数光谱、光谱参数与小白菜叶片镉含量进行统计分析，从叶绿素含量、含水率、细胞结构三方面筛选出6种光谱参数，分别建立回归预测模型，取得了良好的预测效果;李岚涛等[12]基于菊苣叶片一阶微分光谱(FDR)建立偏最小二乘回归(PLS)模型FDR-PLS，根据模型中各波段无量纲评价指标重要性投影(VIP)值，筛选出6个特征波长，实现了数据降维，取得了良好的预测效果;关丽等[13]分析了镉污染胁迫水稻的叶片色素含量、水分含量、细胞结构、叶面积指数等生理参数与光谱指数的响应关系，确定了MCARI(Modifiedchlorophyllabsorptioninreflectanceindex)、NDVI(Normalizeddifferencevegetationindex)、RVSI(Red-edgevegetationstressindex)和RVI(Ratiovegetationindex)作为光谱诊断指数，建立了预测模型，可快速、准确地诊断水稻镉污染胁迫。

　　HEDE等[14]构建绿波短波近红外植被指数VIGS(Vegetationindexconsideringgreennessandshortwaveinfrared)探究植被在重金属Cd、Cu、Pb和Zn胁迫下的敏感程度，与归一化植被指数对比，VIGS值对胁迫更敏感，能放大胁迫差异。以上方法说明用光谱检测蔬菜叶片重金属含量可行，但关于便携式蔬菜叶片重金属镉含量无损检测仪研究鲜见报道。本文拟基于镉胁下培育生菜获取样本数据，使用主成分分析法(Principalcomponent analysis，PCA)提取特征波段，根据所选波段使用偏最小二乘回归法(Partialleastsquaresregression，PLSR)建立预测模型，设计相匹配的硬件电路，设计出一款适用于现场检测的便携式蔬菜叶片重金属镉检测仪。

　　1波段选取

　　1.1试验材料

　　试验采用珍珠岩装袋模式在无土环境中培育，试验地点在江苏大学现代农业装备与技术省部共建重点实验室Venlo型温室，试验品种为意大利耐抽薹生菜。为了在叶片中产生不同浓度的镉，在苗期(6~7叶片)使用4种不同浓度的CdCl2溶液进行灌溉，4个梯度水平分别设置为0(空白对照，CK)、1、3、5mg/L，选用标准配方霍格兰营养液浇灌。

　　每种浓度配置的试剂剂量为500mL，每天早上(7：00)和晚上(18：00)进行营养液浇灌，中午(12:00)进行胁迫试剂浇灌，每次试剂量为70mL，连浇7d。4种不同浓度的的镉胁迫下，在莲座期从每株生菜随机选取一片生菜叶，每类镉胁迫叶片有48片，共计192个生菜叶片样本。将192个生菜叶片样本分别保存于在不同的塑料袋中，并在植物保鲜盒(温度为-7°C)中放置不同的标签，然后送至实验室进行高光谱图像采集，并对镉含量进行化学分析。

　　1.2光谱数据采集

　　使用高光谱成像系统对生菜叶片进行反射高光谱图像的采集。该系统包括高光谱图像摄像仪(ImSpector，V10E，SpectraImagingLtd.，芬兰)，光源系统(2900，lluminationTechnologiesInc.)，位移控制台(ZolixTS200AB，Zolix.Corp.，中国)，暗箱(DC1300，IsuzuOpticsCorp.，中国)，数据采集和预处理软件(SpectraCube，AutoVisionInc.，美国)和计算机。使用前先将仪器预热30min，然后进行黑白板校正，实际采集时将生菜样本放置在位移控制台上，设定摄像机曝光时间为50ms，位移台移动速度为1.25mm/s。

　　高光谱摄像头的图像分辨率为819像素×1024像素，光谱分辨率为2.8nm，光谱范围400~1000nm，采集样本478个波长下的高光谱图像，共获取192个高光谱图像。将高光谱图像导入ENVI软件选取感兴趣区域(Regionofinterest，ROI)，采用波段比结合阈值分割的方法，将整个叶片区域作为ROI，ROI内的平均光谱信息作为镉胁迫叶片的光谱信息[15]。

　　1.3重金属镉含量测量

　　按照GB5009.15-2014《食品中镉的测定》中的石墨炉原子吸收光谱法测定生菜叶片中镉的含量，其基本原理是试样经酸消解后，注入一定量样品消化液于原子吸收分光光度计石墨炉中，电热原子化后吸收228.8nm共振线，在一定浓度范围内，其吸光度值与镉含量成正比，采用标准曲线法定量[16]。方法检出限为0.001mg/kg，定量限为0.003mg/kg。

　　1.4特征波段选取

　　为了消除噪声对光谱分析带来的影响，选择S-G(Savitzky-golay)五点平滑[17]。光谱数据中有很多波段，波段之间存在信息冗余[18]。选择合适的数据降维算法可提高数据预测建模的效率和精度。本文采用主成分分析PCA对原始光谱数据进行特征波长选择，达到降维的目的[19-24]。在MatlabR2019b中运行PCA算法，所得前4个主成分的累积贡献率。前4个主成分累计贡献率已达到99.3978%，说明前4个主成分包含了原始光谱99.3978%以上的信息。为前4个主成分在波段400~1000nm光谱范围下的权重，根据主成分权重系数值波峰或波谷位置选择敏感波长，选择550、680、800nm3个特征波长。

　　波长550nm反映了叶片中叶绿素以及氮素含量的变化，叶绿素含量与波长550nm处反射率存在一个反相关关系，随着叶片中氮含量降低，叶绿素含量减少，反射率变大，叶子会从绿色变成黄绿色;波长680nm位于可见光区的“红边”范围，红边的位置是叶绿素吸收的函数，叶绿素在波长680nm及其周围有很强的吸收能力，叶绿素含量增加时，吸收区域向外扩散，红边延伸到更高波长，直观表现为波长680nm处反射率变大。

　　波长800nm处的反射率大小与叶细胞结构以及细胞内含水率有关，水分和细胞结构影响了近红外区域的能量与叶片的相互作用方式，施加在蔬菜上的不同水位将足以改变细胞的膨胀度，当水分不足，细胞的膨胀度下降，细胞间隙变大，反射的能量增加，表现为反射率变小[25-27]。在叶细胞中，镉离子会破坏细胞中的叶绿体结构，干扰叶绿素的合成，造成植物叶绿体的降解，镉胁迫还会减少植物对水分的吸收，影响植物光合作用[28]。

　　1.5数据建模

　　本文采用PLSR建模[29-35]，将192个样本划分为训练集和测试集，按照比例3:1从每种样本(4种样本)中随机选取36个样本作为训练集(144个样本)，剩余样本作为测试集(48个样本)，使用PLSR基于训练集样本数据建立预测模型为y=100.9385

　　模型性能评价结果训练集相关系数Rc为0.9271，训练集均方根误差RMSEC为0.5064农业机械学报mg/kg，测试集相关系数Rp为0.9149,测试集均方根误差RMSEP为0.5271mg/kg，说明模型对生菜叶片重金属镉含量有较好的预测能力。预测结果与真实结果误差在可接受范围内，说明波长550、680、800nm检测可行。

　　2仪器设计

　　2.1硬件设计

　　该检测仪主要由主控部分、光源部分、信号处理部分、输入输出部分、电源部分组成。主控部分负责控制其他部分并处理数据;光源部分负责发出光照强度稳定且中心波长为550、680、800nm波段的光;信号处理部分负责将光信号转换成电信号，并对信号进行放大、A/D转换等操作，便于主控部分处理;输入输出部分用于完成和用户的交互;电源部分为其他部分提供稳定供电。

　　2.1.1光源驱动电路

　　选取中心波长分别为550、680、800nm的LED，光源驱动电路采用TPS61040高频升压转换器，开关频率高达1MHz，对于电池供电，当电压变化时(3.7~4.2V)，输出端电压恒定，不受输入端的影响，保持了LED光源的稳定。

　　2.1.2信号处理电路信号处理部分包含三路AD8500放大电路以及三输入的A/D电路组成，每路放大后的信号分别输入到A/D电路的差分输入端。由于不同类型的光电二极管灵敏度不同，调节每路放大电路的增益系数，使得放大后的信号输出摆幅都等于3V，在A/D电路电压采样范围内，3个AD8500放大器同相端连接到3.15V共模电压，同时三路光电二极管阴极也连接到3.15V。3.15V共模电压同时还驱动了ADC差分输入正输入引脚，当二极管电流为0，放大后的输出信号为3.15V，此时ADC差分输入为0V，A/D输出编码为0，当满量程光强度，放大电路输出电压0.15V，ADC差分输入电压为3V，A/D输出最大编码，A/D输出码通过SPI总线传递给单片机，单片机进而计算反射率值。

　　2.2光路设计

　　光路包含发射部分和接收部分。发射部分由LED灯珠、滤光片、反光杯和光学窗口片组成。3个LED灯珠中心波长分别为550、680、800nm，LED围绕接收部分呈环行排列，3个LED分别与接收部分中心夹角120°，LED前端放置有滤光片，光谱带宽10nm，滤光片顶端套有反光杯，反光杯起到聚光的作用，选用光亮铝灯杯，聚光效果更佳，能有效降低光损，提高光效[36]，光源与叶片呈45°夹角，探测器与叶片间有光学窗口片，避免了探测器内部与叶片直接接触。接收部分由聚焦透镜和光电二极管组成，反射光经由聚焦透镜后被光电二极管接收，光电二极管距离待测叶片15mm，光电二极管集成在PCB上。

　　2.3整体结构设计

　　检测仪整体结构采用SolidWorks软件设计，尺寸为50mm×70mm×60mm，外壳采用3D打印技术制作，材料为树脂。将壳体内部涂成黑色，消除外界环境光干扰以及内部漏光的影响。检测时，将蔬菜叶片平放仪器检测区域。

　　2.4软件设计

　　检测装置的控制软件在KeilMDK中采用C语言编写，主要包括主函数、按键子函数、光源驱动子函数、A/D驱动子函数、数据处理子函数和显示子函数等。主函数主要完成系统初始化，并协调其他各个子函数的运行;光源驱动子函数主要用于控制光源驱动电路的工作，进而控制LED的亮灭;按键子函数接收用户的输入;A/D驱动子函数主要用于A/D初始化的配置，并实时读取输入口的电压;数据处理子函数根据光传感器采集到的数据计算叶片的反射率，并代入模型得出叶片重金属镉含量;显示子函数负责显示计算得到的光谱反射率和重金属镉含量。

　　3数据分析

　　3.1蔬菜叶片反射率测量

　　打开自制的重金属镉检测仪电源，将反射率为99.9%的标准白板置于检测区域，按下检测键，读取放置白板时光传感器输出光照强度W550、W680和W800，将反射率为0的标准黑板置于检测区域，按下检测键，读取放置黑板时光传感器输出光照强度D550、D680和D800，农业机械学报随后，将叶片放置于检测区域，按下检测键，读取光通过蔬菜叶片反射后光传感器的输出光照强度I550、I680、I800[37]。

　　3.2系统标定

　　用试验获得的生菜样本做标定试验，选择A/D采集电压做参考。用标准白板采集数据，获取最大A/D采集电压，再用标准黑板采集数据，获取最小A/D采集电压，完成黑白校正。对于4个梯度的样本，分别用仪器测量得到A/D采集电压，根据式(2)~(4)得到蔬菜叶片反射率，每个叶片取4个点，取平均值作为最终反射率值，共得到192个标定数据。

　　4性能测试与验证

　　4.1稳定性测试

　　4.1.1光源稳定性

　　光源稳定性对蔬菜叶片的反射率影响较大，需要对光源的稳定性进行测试[38]。由LED的伏安特曲线可知，流过LED两端的电压和电流是非线性关系，当电压发生微小变化时，电流会产生很大的变化，因此选择LED的电流作为LED光源稳定性的参考。另外，LED发出光强与LED两端的电流输出也是非线性的关系，驱动电路电流的稳定输出才能保证LED光强的稳定。将万用表调到电流档串接到驱动电路中，连续测量550、680、800nm的光源电流1h，每6min读取一次示数，计算得550、680、800nm光源电流均方差分别为0.04633、0.101020、0.077878mA，误差分别为0.1388%、0.2205%和0.1821%。

　　4.1.2蔬菜叶片反射率测量结果稳定性

　　测量位置、环境光、光源强度等因素都会对最终读出的叶片反射率有影响。为了验证仪器反射率测量的稳定性，取4组不同镉含量的叶片，每个叶片均匀取4个点，每个点分别测量5次，分析测量结果，选取标准差和变异系数作为评价指标，变异系数小于10%为弱变异，小于100%为中等强度变异，大于100%为强变异，变异系数越小，数据的离散性越小[39]。标准差足够小，变异系数变化范围为1.5%~5.9%，平均值约为3.5%，属于弱变异，数据离散程度较小，表明仪器反射率测量结果比较稳定。

　　4.2测量精度测试

　　选取与建模无关的30组生菜叶片，分别用重金属镉检测仪测试叶片镉含量，用石墨炉原子吸收分光光度计测量叶片镉的实际含量，测量结果均匀分布在45°线的附近，叶片重金属镉含量在0~4mg/kg范围内，设计的镉含量检测仪预测值与真实值绝对测量误差为-0.69~0.66mg/kg，平均绝对误差为0.26mg/kg，误差在可接受范围内。结果表明，该仪器可以实现生菜叶片重金属镉的实时无损检测。

　　5结论

　　(1)选取生菜为研究对象，重金属镉为检测指标，设置4个镉胁迫梯度(0、1、3、5mg/kg)的生菜胁迫试验，采集光谱数据，使用主成分分析法得到550、680、800nm3个敏感特征波长，基于PLSR建立预测模型，模型训练集相关系数Rc为0.9271，训练集均方根误差RMSEC为0.5064mg/kg，测试集相关系数Rp为0.9149,测试集均方根误差RMSEP为0.5271mg/kg,模型预测效果较好，说明三波段检测可行。

　　(2)基于三个敏感特征波段，设计一款便携式生菜叶片重金属镉无损检测仪器，该仪器硬件系统主要包含了光源部分、信号处理部分、显示部分、电源部分和控制部分，仪器尺寸为50mm×70mm×60mm。

　　(3)采用自制的仪器做标定，使用A/D采集电压做参考，4个梯度共计192个样本，每个样本下按照3:1的比例随机划分训练集与测试集，采用PLSR拟合模型，模型训练集相关系数Rc为0.8581，训练集均方根误差RMSEC为0.4975mg/kg，测试集相关系数Rp为0.8432，测试集均方根误差RMSEP为0.5526mg/kg，表明模型有较好的预测效果，根据模型编写相应的控制程序，可实现仪器对生菜叶片重金属镉的实时检测。

　　(4)选取与建模无关的30组重金属镉胁迫生菜叶片，用自制的便携式仪器检测生菜叶片重金属镉含量，与标准理化值对比，仪器预测值与真实值相关系数0.92，均方根误差为0.32mg/kg，镉含量在0~4mg/kg测量范围内，测量的绝对误差为-0.69~0.66mg/kg，平均绝对误差为0.26mg/kg，表明检测仪对生菜叶片重金属镉含量有较好的预测精度。

　　参考文献：

　　[1]TOPPIL,LAMBARDIM,PECCHIONN,etal.EffectsofCadmiumStressonHairyRootsofDaucuscarota[J].JournalofPlantPhysiology,1999,154(3):385–391.

　　[2]杨丽,李杉,袁蒲,等.2013—2014年河南省新鲜蔬菜中重金属污染状况调查[J].中国卫生产业,2019,16(2):143-147.

　　[3]ALEXANDERPD,ALLOWAYBJ,DOURADOAM.GenotypicvariationsintheaccumulationofCd,Cu,PbandZnexhibitedbysixcommonlygrownvegetables[J].EnvironmentalPollution,2006,144(3):736-745.

　　[4]SARIMR.Theoreticalandpracticalapproachestothegeneticspecificityofmineralnutritionofplants[J].PlantandSoil,1983,72(2-3):137-150.

　　[5]黄飞飞,王瑛,张宁.苏州市地产大米重金属污染状况及人群膳食暴露风险评估[J].食品安全质量检测学报,2020,11(23):9039-9045.

　　[6]张瑶,崔云天,邓秋卓,吴孟璇,李民赞,田泽众.基于光谱数据降维的农田土壤-作物全氮含量协同检测[J].农业机械学报,2021,52(S0):310-315.

　　作者：孙俊胡双齐周鑫张林武小红戴春霞