采用表面增強拉曼光譜技術快速檢測臍橙果皮中抑霉唑殘留

張莎 劉木華 陳金印 趙進輝

摘要：由于采后處理過程中臍橙保鮮劑抑霉唑易通過果皮滲進果肉中殘留，不慎食用后會對人體產生危害。因此，本研究探索一種基于表面增強拉曼光譜技術（Surface-Enhanced Raman Spectroscopy ，SERS）的臍橙果皮中抑霉唑殘留的快速檢測方法。首先對SERS 檢測條件進行優化，分別確定了最優的檢測條件為反應時間2 min ，金膠加入量400μL ，NaBr作為電解質溶液且加入量為25μL ?；谝陨献顑灆z測條件，以自適應迭代懲罰最小二乘法（Adaptive Iterative Reweighted Penalized Least Squares ，air PLS）、air PLS+歸一化、 air PLS+基線校正、air PLS+一階導數、air PLS+標準正態變量（Standard Normal Distribution ，SNV）和 air? PLS+多元散射校正（Multiplicative Scatter Correction ，MSC）處理后的6組光譜數據為研究對象，分別采用這 6種光譜預處理法建立支持向量回歸（Support Vector Regression ，SVR）模型并對預測性能進行比較后發現， air PLS 方法所建立模型的預測集相關系數（Coefficient of the Determinant for the Prediction Set ，RP ）最大，預測集均方根誤差（Root-Mean-Square Error of Prediction ，RMSEP）最小。對光譜數據進行主成分分析（Prin?cipal Component Analysis ，PCA）特征提取，選擇前7個主成分得分作為 SVR 預測模型的輸入值。采用 SVR、多元線性回歸（Multiple Linear Regression ，MLR）和偏最小二乘回歸（Partial Least Squares Regression， PLSR）三種建模方法分析比較其對應的預測性能，其中SVR 模型的預測集RP 可高達0.9156，預測集RMSEP? 為4.8407 mg/kg ，相對標準偏差（Relative Standard Deviation ，RPD）為2.3103，表明基于 SVR 算法對臍橙表面抑霉唑殘留的預測值越接近實測值，越能有效提高模型預測準確性。試驗結果表明，利用SERS 結合PCA? 及SVR 建模，可實現對臍橙果皮中抑霉唑殘留的快速檢測。

關鍵詞：臍橙;抑霉唑;表面增強拉曼光譜;支持向量回歸;多元線性回歸;偏最小二乘回歸

中圖分類號： O433.4文獻標志碼： A文章編號：202106-SA002

引用格式：張莎， 劉木華， 陳金印， 趙進輝. 采用表面增強拉曼光譜技術快速檢測臍橙果皮中抑霉唑殘留[J].智慧農業（中英文）， 2021， 3（4）：42-52.

ZHANG Sha， LIU Muhua， CHEN Jinyin， ZHAO Jinhui. Rapid detection of imazalil residues in navel orange peel using surface-enhanced Raman spectroscopy[J]. Smart Agriculture， 2021， 3（4）：42-52.（in Chinese with English abstract）

1? 引言

贛南臍橙作為中國贛州地理標志性產品，帶動了當地經濟的發展，深受當地政府重視，該產地也成為了全國最大的臍橙生產區[1]。臍橙在貯藏過程中易受病原菌侵害，導致其腐爛，造成經濟損失[2]。目前，采用化學保鮮劑是柑橘類水果儲存中病害防治相對成熟、效果較好的保鮮方式。抑霉唑（Imazalil，IMZ）和咪鮮胺等化學保鮮劑主要用來防治臍橙的青霉病和綠霉病[2，3]，但該類保鮮劑長期使用容易產生耐藥性，進而引起保鮮效率的折損。不少商販為了達到保鮮效果，在貯藏過程中加大保鮮劑的使用劑量，造成臍橙中抑霉唑過量殘留。而且，即便是少量的抑霉唑殘留也會使動物和人類的肝臟損傷，甚至可能致癌[4， 5]。為此，中國規定了臍橙中抑霉唑保鮮劑殘留的最大限量為5 mg/kg[6]。為了確保臍橙的食用安全品質，檢測臍橙果皮中抑霉唑的殘留量具有重要的實際意義。

目前常用的抑霉唑殘留檢測方法主要有氣相色譜法（Gas Chromatography ，GC）[7， 8]、高效液相色譜法（High Performance Liquid Chromatography ，HPLC）[9， 10]、質譜法（Mass Spectrometry， MS）[7， 9]和超高效液相色譜法（Ultra-Performance Liquid Chromatography，UPLC）[10]等。以上方法主要優點在于再現性好、精確性和敏感性高，但所需要的儀器設備較昂貴[11]，試驗操作繁瑣，耗時長，無法實現對抑霉唑殘留量的快速檢測，在實際應用中受到一定的限制。因此，有必要探索一種可以快速檢測臍橙果皮中抑霉唑殘留的方法。

表面增強拉曼光譜技術（Surface-Enhanced Raman Spectroscopy ，SERS）是一種當入射激光照射到金或銀等粗糙金屬表面時，在其表面會激發出等離子體并在粗糙金屬粒子的覆蓋區域內產生共振，使其表面產生比普通拉曼信號強4～11個數量級的信號強度的技術，該方法具有方便快捷、靈敏度高、穩定性好、操作簡單和可適用于現場分析的優點[12， 13]。Zhao 等[11]采用 SERS 技術制備了柔性襯底，對蘋果表面抑霉唑殘留進行原位檢測，在蘋果上檢測到的最低濃度可達0.073 mg/kg 。該研究表明，SERS方法具有較高的靈敏度。抑霉唑在水果采后保鮮的過程起到非常重要的作用。為避免由于臍橙果皮抑霉唑殘留問題對人體造成傷害，采用 SERS技術檢測臍橙果皮中抑霉唑殘留具有重要意義。本研究主要以臍橙為對象，采用自適應迭代懲罰最小二乘法（Adaptive? Iterative? Reweighted? Penalized? LeastSquares，air PLS）對含不同濃度的抑霉唑的臍橙果皮的 SERS光譜進行預處理，并選擇前7個主成分得分值作為支持向量回歸（Support VectorRegression，SVR）模型的輸入值，建立 SVR 預測模型對臍橙果皮中的抑霉唑殘留量進行預測。

2? 材料與方法

2.1 儀器與設備

便攜式拉曼光譜儀系統主要包括QE65Pro型拉曼光譜儀（美國海洋光學公司）、785 nm 激光器、光纖和采樣附件等; DXRTM 顯微拉曼光譜儀（美國賽默飛世爾科技有限公司）;磁力攪拌器（LC-DMS-H ，上海力辰邦西儀器科技有限公司）;數控超聲波清洗器（KQ-500DE 型，昆山市超聲儀器有限公司）;電子天平（FA2004，上海舜宇恒平科學儀器有限公司）;實驗室超純水機（美國TeLedyne水質公司）。

2.2 材料與試劑

本研究所用臍橙購于江西農業大學水果店。研究所用試劑包括三水合四氯金酸（HAuCl4·3H2O≥49.0%，西格瑪奧德里奇貿易有限公司），抑霉唑乳油（500 g/L ，江蘇龍燈化學有限公司），抑霉唑標準品（IMZ ，純度≥99%，阿拉?。?，檸檬酸三鈉（C6H5Na3O7·2H2O ，99%，西隴化工股份有限公司），溴化鈣（CaBr2，≥98%，阿拉?。?，溴化鈉（NaBr，99%，阿拉?。?，氯化鈣（CaCl2，分析純，純度98%），氯化鈉（Na‐Cl ，99.5%，西隴化工股份有限公司），以及實驗室自制超純水。

2.3 樣本制備

（1）抑霉唑原液配制。取100μL 的抑霉唑乳油（500 g/L）置于100 mL 容量瓶中，加入62.5 mL 的超純水均勻混合，得到800 mg/L的抑霉唑原液。

（2）抑霉唑工作溶液制備。取不同體積的乳油（500 g/L）用超純水稀釋成不同質量濃度的抑霉唑工作溶液（250～500 mg/L）。

（3）樣本制備。將臍橙的果皮用超純水洗凈，晾干后將果皮切成若干個面積為1.5 cm×1.5 cm 的臍橙小塊，對其進行稱重（a ，單位：g）。

在條件優化試驗中，將切好的臍橙小塊浸泡于抑霉唑溶液（800 mg/L）中，90 s 后撈出晾干，再對其稱重（b ，單位：g），得到含40.34 mg/kg 抑霉唑的臍橙果皮樣本。

在定量試驗中，將切好的65個臍橙小塊浸泡于抑霉唑溶液（250～500 mg/L）中，90 s后撈出晾干，再對其稱重（b ，單位： g），得到含抑霉唑的臍橙果皮樣本（1.43～40.81 mg/kg）。未浸泡在抑霉唑中的臍橙果皮樣本為空白臍橙果皮樣本。其中，在條件優化試驗部分與定量試驗部分中，a 為臍橙果皮的初始重量，b 為浸泡抑霉唑溶液且晾干后的重量; b-a可得到臍橙果皮中抑霉唑的重量，g;設 c 為抑霉唑溶液的濃度， mg/kg，則（b-a）×c為臍橙果皮抑霉唑實際吸收抑霉唑的重量，mg;（b-a）×c/b則為每塊臍橙果皮上實際吸收的抑霉唑的濃度，mg/kg。

（4）金膠制備。取3? mL 濃度為1%的 HAuCL4溶液于150 mL 的燒杯中，再慢慢加入47 mL超純水，混合均勻，將混合液放至磁力攪拌器中加熱到沸騰。沸騰后立即加入2 mL 濃度為1%的檸檬酸三鈉溶液，并攪拌8 min 后，冷卻至室溫形成金膠溶液備用[14， 15]。

（5）電解質溶液制備。取0.1 g CaBr2、0.55 g

CaCl2、5.14 g NaBr和2.9 g NaCl分別置于棕色的 50 mL容量瓶中，先加入少量水溶解，再定容至 50 mL ，可分別得到 0.01 mol/L 的 CaBr2溶液、0.1 mol/L CaCl2 溶液、 1 mol/L NaBr和1 mol/L? NaCl溶液。

2.4 拉曼光譜采集

抑霉唑標準品拉曼光譜采集。取適量的抑霉唑標準品于載玻片上，用 DXRTM 顯微拉曼光譜儀采集其拉曼光譜。本研究主要分析400～1800 cm-1 波段的拉曼光譜。

定性試驗中臍橙果皮 SERS光譜采集。將400μL納米金膠和25μL NaBr溶液充分混合后噴到含40.34 mg/kg 抑霉唑的臍橙小塊上，待金膠與抑霉唑分子反應2 min后，采集其 SERS光譜。每個優化條件下，設置5個平行樣，取其平均值為該條件下的拉曼光譜。

定量試驗中臍橙果皮 SERS光譜采集。將400μL納米金膠和25μL NaBr溶液充分混合后噴到含抑霉唑的臍橙小塊（1.43～40.81 mg/kg）上，采集臍橙的 SERS光譜。每個濃度下的臍橙樣本采集5條拉曼光譜作為平行樣，取其平均值作為該樣本的拉曼光譜。

其中，DXRTM顯微拉曼光譜儀的參數設置為：激光能量5 mW，激發波長780nm，物鏡的放大倍數選擇10倍，采集曝光時間10 s ，預覽采集時間10 s ，樣品曝光10次，背景曝光16次。便攜式拉曼光譜儀的參數設置為：積分時間為60 s ，平均次數為2，平滑度為1。

2.5 SERS檢測試驗方法

2.5.1?? 定性檢測

通過比較空白臍橙果皮和含抑霉唑的臍橙果皮（40.34 mg/kg）的 SERS 光譜，得到 983和1047 cm-1 波段作為特征峰鑒別臍橙果皮中是否殘留抑霉唑。因此，本研究通過比較983和1047 cm-1 波段處的 SERS信號強度來確定最佳的檢測條件。

為研究不同反應時間對 SERS 強度的影響，

將400μL 金膠與25μL 的NaBr溶液混合均勻后噴灑到含40.34 mg/kg 抑霉唑的臍橙樣本上，分別采集反應時間為 0、2、4、6和 8 min 時的SERS 光譜。通過比較983和 1047 cm-1 波段處的SERS信號強度與反應時間的關系來確定抑霉唑分子與金膠的最佳反應時間。

為研究不同金膠加入量對 SERS 強度的影響，分別將80、240、400、560和 720μL 的金膠與25μL 的NaBr溶液混合均勻后噴灑到含40.34 mg/kg抑霉唑的臍橙樣本上，反應2 min后采集其 SERS光譜。通過比較983和 1047 cm-1 波段處的 SERS信號強度與金膠加入量的關系來確定最佳的金膠量。

為研究不同電解質溶液的加入量對 SERS強度的影響，將400μL 金膠分別與25μL 的 CaBr2溶液、CaCl2溶液、NaBr溶液和 NaCl 溶液混合均勻后噴灑到含40.34 mg/kg 抑霉唑的臍橙樣本上，反應2 min 后采集其 SERS 光譜。通過比較983和 1047 cm-1 波段處的 SERS信號強度與電解質溶液（CaBr2、CaCl2、NaBr和 NaCl）的直方圖來確定最佳的電解質溶液。

為了研究不同NaBr加入量對 SERS 強度的影響，將400μL 金膠分別與0 、10、15、20、25、30μL 的NaBr溶液混合均勻后噴灑到含 40.34 mg/kg抑霉唑的臍橙樣本上，反應2 min后采集其 SERS光譜。通過比較983和 1047 cm-1 波段處的 SERS信號強度與NaBr加入量的折線圖來確定最佳的電解質溶液。

2.5.2? 定量檢測

將400μL 金膠與 25μL 的NaBr溶液混合均勻后噴灑到含抑霉唑的臍橙樣本（1.43～ 40.81 mg/kg）上，反應2 min后采集其拉曼光譜。得到65個含抑霉唑的臍橙樣本，從中隨機挑選35個建立預測模型，剩余的30個臍橙樣本則用作預測集，用來評估該模型的預測性能。

2.6 抑霉唑理論拉曼光譜計算

為對比理論數據結果和試驗結果之間的一致性，采用密度泛函理論（Density Functional Theory ，DFT）計算方法對抑霉唑分子的振動歸屬進行理論運算分析。

抑霉唑的3D分子結構采用Gauss View 5.0構造，Gaussian 09W軟件計算理論抑霉唑分子的拉曼光譜頻率，在計算時采用 DFT 方法中的B3LYP/6-31G （d ，p）基組。C 、H 、Cl 、N和 O原子也采用6-31G （d ，p）基組，在 Gaussian 09中顯示計算結果。對拉曼位移用該機組相對應的校正系數（0.961）校正。其中基組為該電子體系內軌道的數學描述，“6”解釋為內層軌道的函數數量;而一個基組中含3個高斯函數（Gauss‐ian Type? Orbital ， GTO），每一個 Slater 函數（Slater Type Orbital ， STO）由 6個 GTO 展開，“31”解釋為兩組 STO 描述的價層的軌道;“d”和“p”分別是對分子中的C 、Cl 、N 、O原子和H原子做的極化函數[16]。

3? 結果與分析

3.1 抑霉唑標準品的拉曼光譜分析

抑霉唑的分子式為 C14H14Cl2N2O ，由1 個烯丙氧基連接1個二氯苯基官能團組成。優化后得到的抑霉唑分子結構如圖1 所示，主要包括 C、C-H 、C=C-H 、C-O 、N=C-N 、C-N 、N-C-H 和C-N-C等基團。

圖2 （a）為理論計算的抑霉唑拉曼光譜，圖2 （b）為實際測得的抑霉唑標準品的拉曼光譜。通過對比兩者的特征峰歸屬可發現，1176和1378 cm-1 波段處特征峰的拉曼信號強度較弱。這可能是由于這兩個位移處分別在苯環上有微弱的面外彎曲和面內彎曲振動所引起。結合表1和圖2 可得，抑霉唑標準品在690 cm-1 波段處的特征峰是由于苯環彎曲振動、CH2面內搖擺、C-C? 面外彎曲、二氯苯基面外彎曲共同作用產生的;983 cm-1 波段處的振動可能是由于苯環彎曲振動、二氯苯基上 C=N-C 和 C-N-C 與 C=C-N 的彎曲振動共同作用產生;1041 cm-1 處的峰是由C-H剪式振動、C=C-H 面外彎曲振動和CH2面內彎曲振動共同作用產生。圖2中理論計算光譜與標準品的拉曼光譜的特征峰匹配可發現，最小偏差為0，最大偏差為10。這可能是由于實際測量拉曼光譜的標準品為固體粉末，其之間存在相互作用力，而理論計算時的形態為理想的氣態單分子，忽略了分子間作用力?；诖?，理論計算的抑霉唑拉曼光譜很好地印證了實測的抑霉唑拉曼光譜的正確性，可以將實測的抑霉唑標準品拉曼光譜作為后續分析臍橙表面抑霉唑殘留的參考依據。

3.2 臍橙果皮中抑霉唑的SERS光譜分析

由圖 3可知，含抑霉唑的臍橙樣本在983與1047 cm-1 波段處有區別于空白臍橙樣本的拉曼特征峰。而抑霉唑標準品拉曼光譜在983與1041 cm-1 波段處均有特征峰，并在1041 cm-1 波段處有6 cm-1 的偏差，這可能是由于臍橙本身較強的背景峰影響導致的。因此，可以將這兩處特征峰作為鑒別臍橙果皮中是否含抑霉唑的依據。

3.3 樣本SERS強度檢測條件優化

由圖4可知臍橙與金膠和NaBr溶液混合物的反應時間不同，SERS信號強度不同。隨著反應時間的增長，983和 1047 cm-1 處的 SERS 強度均呈現出持續下降的趨勢。產生這種現象的原因可能是剛開始吸附時，臍橙果皮的抑霉唑與金膠及NaBr溶液充分混合，使得該活性位點處的 SERS 信號得以迅速增強[17]。吸附時間過長會使金膠納米粒子凝聚過度從而產生沉淀，降低抑霉唑與金膠結合的效率[18]。但是由于0 min 的反應時間在實際操作中比較困難，故本研究選擇2min作為最優的反應時間。

SERS 主要是通過分子吸附在金和銀等粗糙金屬的表面，從而使局部表面產生等離激元共振效應，對 SERS 強度起到增強的效果[19]。由圖5 可看出，隨著金膠加入量的增大，983與 1047 cm-1 波段處的拉曼特征峰強度呈先減小后增大再次減小的趨勢。出現這種現象可能的原因是當金膠的量增大到一定程度時，有更多的抑霉唑分子吸附在納米金膠顆粒的表面，使得983 cm-1?? 的特征峰在560μL 時的 SERS 信號達到最強，1047 cm-1 的特征峰在400μL時的 SERS信號達到最強。而在金膠加入量為400μL時983 cm-1 波段處的 SERS強度為次強點，僅次于560μL 處的 SERS 強度。綜合考慮，本研究選擇最優金膠加入量為400μL。

電解質溶液對 SERS強度的增強效果取決于離子對金膠表面狀態的影響及離子對金膠納米粒子的吸附能力[20]。圖6 可看出，金膠與 CaBr2的混合溶液在983 cm-1 波段處的 SERS 強度達到最強，金膠與NaBr的混合溶液在1047 cm-1 波段處的 SERS強度最強。出現此現象的原因可能是由于氯離子的鹽析能力大于溴離子的鹽析能力，導致溴離子與金屬粒子的表面絡合能力強于氯離子，結果表明含溴離子的化合物（NaBr和 Ca‐Br2）對 SERS強度的增強效果明顯大于含氯離子的化合物（NaCl 和 CaCl2）對 SERS 強度的增強效果[21]。其次，NaBr在983 cm-1 特征峰處的SERS強度僅次于CaBr2。綜合考慮，本研究選擇NaBr作為最優的電解質溶液。

在納米金膠溶液中加入不同量的NaBr，可能會對 SERS信號產生影響，因此有必要對電解質溶液的加入量進行優化[22]。從圖7可看出，當NaBr加入量為 10μL 時， 1047 cm-1 波段處的 SERS信號強度達到局部最高。當NaBr加入量增大到25μL時，983 cm-1 波段處的 SERS強度達到最高點，而1047 cm-1 波段處雖未達到最強，卻僅次于最強點?？赡艿脑蚴钱旣u族元素的量高到足以聚合時，使局部的電磁場增強，從而增強 SERS信號。而當加入過量NaBr后，會加劇金納米粒子的聚集從而發生沉淀[21]，進而降低 SERS 信號強度。因此本試驗確定了NaBr溶液的最佳加入量為25μL。

3.4 光譜預處理

為減少光譜分析過程中受到噪聲、基線漂移等因素干擾，在建立模型之前有必要對原始光譜進行光譜預處理[23]。目前常用的光譜預處理方法主要有 air PLS 、歸一化、基線校正、一階導數、二階導數、標準正態變量（Standard Normal Distribution ，SNV）和多元散射校正（Multiplicative Scatter Correction ，MSC）等[23，24]。其中基線校正、一階導數和二階導數的作用主要是扣除漂移或背景對結果的影響，在改變了原始數據相關性的變化趨勢的同時，也有效提高了某些位置光譜的相關性。在光譜數據分析時，樣本的誤差表現在無規則分布或樣本顆粒大小各異，而MSC 和 SNV可以消除該誤差對光譜分析結果的影響，還能夠提高原始光譜與預處理后光譜之間的相關性。歸一化能夠消除由于尺寸差異過大對分析結果帶來的誤差[23]。因此，本研究以自適應迭代懲罰最小二乘法（Adaptive Iterative Re‐weighted Penalized Least Squares ，air PLS）、airPLS+歸一化、air PLS+基線校正、air PLS+一階導數、air PLS+SNV 和 air PLS+MSC 處理后的6組光譜數據為研究對象，分別采用這6組光譜預處理法建立 SVR模型并進行預測性能的比較。

由表2 可知，air PLS 、air PLS+SNV 、air‐PLS+MSC 三組光譜預處理方法所建立模型的訓練集相關系數（Coefficient of Determination forthe Training Set ，RT ）的值均達到0.96以上。且三者的訓練集均方根誤差（Root-Mean-SquareError of Training set ，RMSEC）的值相差不大，穩定在3.7附近。然后對該三種方法的預測集相關系數（Coefficient of the Determinant for the Pre‐diction Set ，RP ）進行比較，air PLS 方法建立模型預測的預測集RP 為最大，預測集均方根誤差（Root-Mean-Square Error of Prediction ，RMSEP）為最小。因此，本研究最終選擇 air PLS 作為臍橙表面抑霉唑殘留的 SVR預測模型的光譜預處理方法。

3.5 PCA特征提取

建立模型之前對光譜數據進行主成分分析（Principal? Component Analysis ， PCA）特征提取。一般來說，主成分分析時主成分的方差貢獻率達到90%以上即可作為主要光譜信息的特征[25]。由表3可知，前7個主成分的累計方差貢獻率已達91.94%。因此，選擇前7個主成分的得分值作為 SVR預測模型的輸入值。

3.6 預測模型的建立以及預測性能分析

為評價模型的預測精度和效果，采用了 SVR 、多元線性回歸（Multiple Linear Regression ，MLR）和偏最小二乘回歸（Partial Least Squares Regression ，PLSR）三種建模方法進行分析比較。其中，SVR 預測模型的類型為epsilon SVR ，核函數為徑向基核函數，epsilon 值為0.1，懲罰因子C值為10。

通常選擇 RP 、 RMSEP 和相對標準偏差（Relative Standard Deviation ，RPD）的值來評價模型性能。其中，RP 和RMSEP分別用來解釋真實值與預測值的相關性和精確度的能力。RP 越大，RMSEP越小則說明該模型的擬合程度越好，準確性越高[25]。RPD 值則是對模型預測能力的評估，RPD 值越大（不小于1），說明預測效果越好，其預測結果越接近實測值[25]。

由表4可得，基于 SVR建立模型預測的RP 為 SVR 、MLR 、PLSR三者中的最大，RMSEP為最小。因此，基于 SVR算法對臍橙表面抑霉唑殘留的預測值越接近實測值，能有效提高模型預測準確性。其中，最低檢出限為1.43 mg/kg （國家于《GB 2763-2019食品安全國家標準食品中農藥最大殘留限量》中規定抑霉唑在臍橙中殘留最大限量為5 mg/kg）。

為進一步做預測分析，在隨機挑選35個樣本建立模型之后，剩余的30個樣本作為預測集進行驗證，即臍橙果皮抑霉唑殘留濃度分別為38.93、30.45、21.53、14.63、9.24和 4.05 mg/kg的樣本，實測的真實值與預測值之間的關系如圖8，RP 為0.9156，RMSEP為4.8407 mg/kg。

4? 結論

本研究探索了SERS技術在檢測臍橙果皮中抑霉唑農藥殘留的可行性。首先通過對比983和1047 cm-1 兩處波段的 SERS強度，進行抑霉唑殘留的 SERS檢測條件優化，分別確定了最優的檢測條件（2 min 的反應時間，400μL 的金膠加入量，NaBr作為電解質溶液且添加量為25μL）。在最優條件下，對含抑霉唑的臍橙果皮拉曼光譜采用6組不同的光譜預處理方法，分別對這6組光譜所建立模型的預測性能進行對比，最終采用 air PLS 的光譜預處理方法。經過 PCA 的特征提取，選擇前7個主成分得分作為臍橙果皮抑霉唑殘留的 SVR預測模型的輸入值。最后 SVR 預測模型的RP 可達0.9156，RMSEP 為4.8407 mg/kg， RPD 為2.3103。由于本研究所采用的計算實際殘留濃度的方法為稱重法，揮發時間不一致容易造成稱量誤差，進而影響最終實際殘留濃度的計算。因此實際殘留濃度的計算方法還有待進一步改善。研究結果表明，SERS 技術可實現臍橙果皮抑霉唑殘留的快速檢測。

參考文獻：

[1]唐劍鴻. 新媒體視域下贛南臍橙網絡營銷策略優化研究[J].食品研究與開發， 2021， 42（8）：229-230.?????? TANG J. Research on the optimization of Gannan navel orange network marketing? strategy? from the perspective of new media[J]. Food Research and Development， 2021， 42（8）：229-230.

[2]王文軍， 曾凱芳， 劉曉佳， 等. 不同保鮮劑對柑橘果實貯藏品質的影響[J].食品與機械 ， 2017， 33（4）：110-116.

WANG W， ZENG K， LIU X， et al. Effects of different preservatives? on? storage? quality? of?; citrus? fruits[J]. Food and Machinery， 2017， 33（4）：110-116.

[3]陳婷， 蔡艷， 段凱文， 等. 臍橙貯藏保鮮研究進展[J].農產品加工， 2019（20）：83-85.

CHEN T， CAI Y， DUAN K， et al. Research progress of navel orange storage and preservation[J]. Agricultural Products Processing， 2019（20）：83-85.

[4] JIN C， LUO T， FU Z， et al， Chronic exposure of miceto low doses of imazalil induces hepatotoxicity at the physiological， biochemical， and levelstranscriptomic[J]. Environmental Toxicology， 2018， 33（6）：650-658.

[5] VALCKE M， BOURGAULT M H， ROCHETTE L， etal. Human health risk assessment on the consumption of fruits and vegetables containing residual pesticides： A ?cancer? and? non-cancer? risk/benefit? perspective[J]. Environ International， 2017， 108：63-74.

[6]中華人民共和國農業農村部. 食品安全國家標準食品中農藥最大殘留限量： GB 2763—2019[S].北京：中國標準出版社， 2019.

Ministry of Agriculture and Rural Affairs of the Peo‐ple's Republic of China. National food safety standard—Maximum residue limits of pesticides in food： GB2763-2019[S]. Beijing： Standards Press of China， 2019.

[7]謝建軍， 陳捷， 李菊， 等. 改良QuEChERS法結合氣相色譜串聯質譜測定果蔬中20種殺菌劑[J].食品安全質量檢測學報， 2013， 4（1）：82-88.

XIE J， CHEN J， LI J， et al. Determination of 20 fungi‐cides in fruits and vegetables by improved QuEChERSmethod? combined? with? gas? chromatography? tandemmass spectrometry[J]. Journal of Food Safety and Qual‐ity Inspection， 2013， 4（1）：82-88.

[8]潘新明， 潘守奇， 于金玲， 等. 氣相色譜法同時檢測蔬菜中的7種不同性質農藥殘留[J].現代儀器， 2012， 18（2）：37-38.

PAN X， PAN S， YU J， et al. Simultaneous determina‐tion of seven pesticide residues in vegetables by gaschromatography[J]. Modern? Instrument， 2012， 18（2）：37-38.

[9] LEHOTAY S J， DE KOK A， HIEMSTRA M， et al. Val‐idation of a fast and easy method for the determinationof residues from 229 pesticides in fruits and vegetablesusing gas and liquid chromatography and mass spectro‐metric? detection[J]. Journal? of AOAC? International，2005， 88（2）：595-614.

[10] DANIEL D， LAGO C LDO. Determination of multi‐class pesticides residues? in? corn by? QuEChERS? andcapillary electrophoresis tandem mass spectrometry[J].Food Analytical Methods， 2019， 12（7）：1684-1692.

[11] ZHAO H， HASI W， LI N， et al. In situ analysis of pesti‐cide residues on the surface of agricultural products viasurface-enhanced Raman spectroscopy using a flexibleAu@Ag –PDMS substrate[J]. New Journal of Chemis‐try， 2019， 43（33）：13075-13082.

[12] 郭曉湲， 排爾哈提·亞生， 劉晨陽， 等. 拉曼光譜技術的發展及其在生物醫學領域中的應用[J].福州大學學報（自然科學版）， 2021， 49（1）：135-142.

GUO X， PAIERHATI Y， LIU C， et al. Development ofRaman spectroscopy and its application in biomedicalfield[J]. Journal of Fuzhou University （Natural ScienceEdition）， 2021， 49（1）：135-142.

[13] 袁雯雯， 沈健. 表面增強拉曼光譜定量分析技術幾種方法的探討[J].化學世界， 2021， 62（4）：193-200.

YUAN W， SHEN J. Discussion on several methods forquantitative analysis of surface enhanced Raman spec‐troscopy[J]. Chemical World， 2021， 62（4）：193-200.

[14] DEVAL V，? KUMAR A，? GUPTA V，? et? al. Molecularstructure? （monomeric? and? dimeric）? and? hydrogen bonds? in 5-benzyl 2-thiohydantoin? studied? by? FT-IR and FT-Raman spectroscopy and DFT calculations[J]. Spectrochim Acta A Mol BiomolSpectrosc， 2014， 132：15-26.

[15] 郭紅青， 劉木華， 袁海超， 等. 表面增強拉曼光譜技術快速檢測鴨肉中的土霉素[J].食品安全質量檢測學報， 2017， 8（1）：169-176.

GUO H， LIU M， YUAN H， et al. Rapid detection of oxytetracycline in duck meat by surface enhanced Raman spectroscopy[J]. Journal of Food Safety and Quality Inspection， 2017， 8（1）：169-176.

[16] 黃雙根， 王曉， 吳燕， 等. SERS 技術的小白菜中西維因農藥殘留檢測[J].光譜學與光譜分析， 2019， 39（1）：130-136.

HUANG S， WANG X， WU Y， et al. Determination of carbaryl? pesticide? residues? in? Chinese? cabbage? by SERS[J]. Spectroscopy? and? Spectral Analysis， 2019， 39（1）：130-136.

[17] 王婷， 劉木華， 袁海超， 等. 雞肉中丙酸睪酮殘留表面增強拉曼光譜檢測條件的優化[J].食品研究與開發， 2020， 41（2）：135-139， 164.

WANG T， LIU M， YUAN H， et al. Optimization of surface enhanced Raman spectroscopy for the determination? of testosterone propionate residue? in? chicken[J]. Food? Research? and? Development， 2020， 41（2）： 135-139， 164.

[18] ALEXANDER K D， HAMPTON M J， ZHANG S， etal. A high-throughput method? for? controlled hot-spot fabrication in SERS-active gold nanoparticle dimer arrays[J]. Journal of Raman Spectroscopy， 2009， 40（12）：2171-2175.

[19] 朱越洲， 張月皎， 李劍鋒， 等. 表面增強拉曼光譜：應用和發展[J].應用化學， 2018， 35（9）：984-992.

ZHU Y， ZHANG Y， LI J， et al. Surface enhanced Ra‐man? spectroscopy： Application? and? development[J].Applied Chemistry， 2018， 35（9）：984-992.

[20] XIE L， LU J， CHEN G， et al. Key role of direct adsorp‐tion on SERS Sensitivity： Synergistic effect among tar‐get， aggregating agent， and surface with Au or Ag col‐loid? as? SERS? substrate[J]. The? Journal? of? PhysicalChemistry Letters， 2020， 11（3）：1022-1029.

[21] GUO H， HUANG? Q， LENG W， et al， Bromide ion-functionalized nanoprobes for sensitive and reliable pHmeasurement by surface-enhanced Raman spectrosco‐py[J]. Analyst （London）， 2019， 144（24）：7326-7335.

[22] YASEEN T， SUN D， PU H， et al. Detection of ometho‐ate? residues? in? peach? with? surface-enhanced? Ramanspectroscopy[J]. Food? Analytical? Methods， 2018， 11（9）：2518-2527.

[23] 第五鵬瑤， 卞?；?， 王姿方， 等. 光譜預處理方法選擇研究[J].光譜學與光譜分析， 2019， 39（9）：2800-2806.

DIWU P， BIAN X， WANG Z， et al. Selection of spec‐tral pretreatment methods[J]. Spectroscopy and? Spec‐tral Analysis， 2019， 39（9）：2800-2806.

[24] 李淑娟， 卞?；?， 李倩， 等. 基于近紅外光譜的四元調和食用油定量分析[J].天津科技大學學報， 2018， 33（3）：18-24.

LI S， BIAN X， LI Q， et al. Quantitative analysis of fourelement mixed edible oil based on NIR [J]. Journal ofTianjin University of Science and Technology， 2018， 33（3）：18-24.

[25] 徐夕博 ， 呂建樹 ， 吳泉源 ， 等. 基于 PCA-MLR 和PCA-BPN 的萊州灣南岸濱海平原土壤有機質高光譜預測研究[J].光譜學與光譜分析 ， 2018， 38（8）：2556-2562.

XU X， LYU J， WU Q， et al. Hyperspectral predictionof soil? organic? matter? in? coastal? plain? of the? SouthBank of Laizhou Bay based on PCA MLR and PCABPN[J]. Spectroscopy and Spectral Analysis， 2018， 38（8）：2556-2562.

Rapid Detection of Imazalil Residues in Navel Orange Peel Using Surface-Enhanced Raman Spectroscopy

ZHANG Sha1，2， LIU Muhua1，2， CHEN Jinyin2， ZHAO Jinhui1，2*

（1. College of Engineering， Jiangxi Agricultural University/Key Laboratory of Modern Agricultural Equipment in JiangxiProvince， Nanchang 330045， China;2. Jiangxi Provincial Collaborative Innovation Center of Key Technologies and Qualityand Safety in Post-Harvest Processing of Fruits and Vegetables， Nanchang 330045， China）

Abstract： Imazalil， a preservative for navel orange in the process of postharvest processing， is easy to seep into the flesh through the peel and produce residues in the flesh， which is vulnerable to cause endanger to human body if it was eaten accidentally. Base on this， a fast detection method of imazalil residues in navel orange peel ，namely surface-enhanced Raman spectroscopy （SERS） was proposed in this study. Firstly， the SERS detection conditions of imazalil residues in navel orange peel were optimized， and the optimal detection conditions were determined as follows： Reaction time of 2 min， gold colloid of 400μL， NaBr as electrolyte solution， NaBr dosage of 25μL. Based on the above optimal conditions， 6 groups of spectral data processed by adaptive iterative penalized least squares （air PLS）， air PLS combination with normalization， air PLS combination with baseline correction， air PLS combination with first derivative， air PLS combination with standard normal distribution （SNV）， air PLS combination with multiplicative scatter correction （MSC） were used to establish support vector regression （SVR） models and compare the models prediction performance. And air PLS method was selected as the spectral pretreatment method， because the value of correlation coefficient computed value of prediction set （RP） is the largest， and the value of root mean square error calculated value of the prediction set （RMSEP） is the smallest. Then， principal component analysis （PCA） was used to extract the features from spectral data， and the first seven principal component scores were selected as the input values of SVR prediction model. SVR， multiple linear regression （MLR） and partial least squares regression （PLSR） were used to analyze and compare the prediction performances. The RP? value of prediction set of SVR prediction model could reach 0.9156， the RMSEP value of their prediction set was 4.8407 mg/kg， and the relative standard deviation computation value （RPD） was 2.3103， which indicated that the closer the predicted value of imazalil residue on navel orange surface based on SVR algorithm was to the measured value， the more effective the prediction accuracy of the model could be. The above data indicated that the speedy detection of imazalil residues in navel orange peel could be emploied by SERS coupled with PCA and SVR modeling method.