太赫兹时域光谱技术(Terahertz time-domain spectroscopy, THz-TDS)是在远红外频率范围内研究物质特性的常用方法, 是目前新兴的一种无损检测技术, 该技术最早由AT& T Bell实验室的Auston^[19]等和IBM公司的Watson研究中心Fattinger^[20]等在20世纪80年代提出并发展起来。 太赫兹时域光谱系统按实验装置可分为透射型、 反射型、 差分型、 啁啾展宽型和集成太赫兹共振器型等五个类型, 其中透射型THz-TDS系统应用最早且最为广泛, 反射型THz-TDS系统次之。 透射型THz-TDS系统与反射型THz-TDS系统较易理解, 一个指通过透过光携带样品信息, 另一个指通过反射光携带样品信息。 差分型THz-TDS系统指利用两个探测器得到两路探测光并做动态相减处理, 消除共模噪声提高探测信号强度, 从而获得样品信息。 啁啾展宽型THz-TDS系统指利用啁啾脉冲放大技术使脉冲在时域展宽, 将啁啾展宽脉冲作为探测光采集样品信息。 集成太赫兹共振器型THz-TDS系统采用集成光学元件和太赫兹共振器, 实现了紧凑型和高灵敏度的太赫兹光谱测量, 用波导传递太赫兹信号, 将样品尺寸减小到亚波长范围, 相比于自由空间测量克服了太赫兹衍射极限的影响。 一般根据实验样品特性及实验需求会选择不同的检测模块, 如常用的透射模块、 反射模块和衰减全反射模块。 在食品安全检测中, 由于反射模块与衰减全反射模块的实验操作难度相比透射式要高, 故应用范围没有透射型THz-TDS系统广泛。 三种检测模块的对比如表1所示。

表1

Table 1

表1(Table 1)

表1 三种检测模块对比表 Table 1 Comparison table of three detection modules 检测模块 适用对象 优势 在食品检测中的应用 透射模块 电解质、 半导体、 有机材料、 液体、 气体、 火焰, 散射, 吸收较小的固体样品 光路简单, 实验操作过程难度不大 食品药物残留检测、 食品添加剂检测、 包装袋有害成分检测 反射模块 较厚、 吸收较大、 散射较强的固体样品; 存在层次结构的样品; 液体样本 有效解决水分子对THz波的强烈吸收的影响 食品掺假检测、 食品重金属污染检测 衰减全反射模块 液体样品, 含水量多的细胞、 组织等 可以获得精度更高, 更稳定的光学系数 食品霉菌毒素检测、 食品农药残留检测

表1 三种检测模块对比表 Table 1 Comparison table of three detection modules

太赫兹时域光谱采样系统结构示意图如图1所示。 太赫兹时域光谱系统由飞秒超快激光发射器(femtosecond pulsed laser)、 太赫兹波发射器(generation of THz)、 太赫兹波接收器(detection of THz)、 时间延迟控制器(optical delay)等模块组成。 其基本原理是飞秒泵浦激光器发射飞秒脉宽的激光束, 通过分束镜(beam splitter, BS)分成泵浦光(pump beam)和探测光(probe beam)两束光束; 泵浦光经过反射镜(M1)后到达太赫兹波发射器, 从而产生太赫兹脉冲(THz pulse); 太赫兹脉冲通过离轴抛物面镜(off-axis parabolic mirror)的镜面反射穿透样品后即可携带样品信息; 探测光经过反射镜(M2、 M3、 M4)及时间延时控制系统后, 通过反射镜(M5)与载有样品特征的太赫兹脉冲在太赫兹接收器上共线, 得到不同时刻太赫兹脉冲的时间波形, 通过锁相放大器(lock-in amplifier)后传送到计算机中, 进行后续的处理和计算。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 太赫兹时域光谱采样系统结构示意图Fig.1 THz-TDS schematic diagram

太赫兹光谱数据采集与处理是指利用太赫兹光谱仪器对样品进行扫描, 获取太赫兹光谱数据, 并对数据进行处理和分析的过程。 太赫兹数据处理流程图如图2所示。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 数据处理流程图Fig.2 Flow chart of data processing

1.3.1 太赫兹光谱数据采集

在太赫兹光谱数据采集过程中, 检测物质的形态不同, 则制作样品的工艺不同, 采集数据的方式也不相同。 若检测物质为固体, 则一般采用压片法^[21]制作样品。 一般用研钵将样品研磨成粉末, 使其能通过特定目数的筛网。 若样品成型效果欠佳, 还可加入适量聚乙烯粘合剂, 使其更易压片成型且不影响实验效果。 固体样品的厚度同样影响采集效果, 若样品过薄, 则数据会出现大量回波形成的叠加信号, 影响数据分析; 若样片过厚, 则信噪比降低, 有效频率范围减小, 多重散射效应较为严重。 太赫兹技术不能直接获取含水液体样品的太赫兹指纹谱, 因为水在太赫兹波段具有很强的吸收, 这是水的氢键和偶极运动的结果。 若样品为液体, 则需将液体样品放入采用石英或聚四氟乙烯材料制作的样品池中, 并控制液体样品的厚度, 采集光谱后通过生物分子溶液的太赫兹介电响应谱来分析液体样品的性质。 若样品为气体, 则一般采用双气室结构进行采样对比, 实验一般分为两组, 将标准气体作为参考组, 样品气体作为检测组, 将气体样品装入以2 mm厚聚乙烯或聚苯乙烯薄板为窗口的玻璃容器或样品管中, 然后置于太赫兹仪器中进行检测, 获取样品气体的光谱信息, 通过对比分析两组气体的测量数据来进一步进行研究。

1.3.2 太赫兹光谱数据处理

太赫兹光谱携带的信息量巨大, 原始光谱中不仅包含了样品的“ 指纹” 信息, 还携带大量噪声信息, 如基线漂移、 光散射等引起的噪声。 对光谱数据预处理可有效减少噪声干扰引起的实验误差, 常见的预处理方法有多元散射校正(multivariate scattering correction, MSC)、 导数法(derivative method)、 卷积平滑处理(savitzky-golay, SG)、 标准正态变量变换(standard normal variate transformation, SNV)等。 多元散射校正用来增强光谱与数据之间的相关性即光谱特异性。 导数法一般常用一阶导数和二阶导数。 卷积平滑处理是结合样本数据实际情况选择平滑移动窗口数, 应用多项式对窗口内数据进行加权平均从而滤除光谱中的噪声。 标准正态变量变换是将光谱数据进行中心化和标准化处理来减少噪声干扰。

由于太赫兹光谱数据具有高维度的特点, 经过预处理后的数据, 需对其进行特征提取降维后再建立模型来避免出现“ 维数灾难” 问题。 另外特征提取还可消除样品成分复杂时各物质互相影响引起的特征峰消失、 堆叠等现象, 以提取出样品的有效特征进行建模。 常见的特征提取方法有主成分分析(principal component analysis, PCA)、 核主成分分析(kernel PCA, KPCA)、 连续投影算法(successive projections algorithm, SPA)等。 主成分分析适用于数据的线性降维, 通过方差最大来衡量样本的分布情况, 只保留包含绝大部分方差的维度特征即主成分, 实现对数据特征的降维。 核主成分分析适用于数据的非线性降维, 将非线性数据映射到高维空间后进行PCA处理再映射到另一低维空间从而实现数据的降维。 连续投影算法通过将波长投影到其他波长上, 将投影向量最大的波长组合后作为最优特征波长, 用于后续模型的建立。

常见的用于定性分析的化学计量学方法有: 偏最小二乘判别分析(partial least squares-discrimination analysis, PLS-DA)、 支持向量机(support vector machines, SVM)等。 偏最小二乘判别分析常用来处理分类和判别问题, 通过寻找一个线性回归模型来解释预测变量和观测变量的关系。 支持向量机是经典的线性分类器, 通过将数据映射到高维空间, 寻找一超平面, 使得各类数据点到该超平面的距离最大。 常见的用于定量分析的化学计量学方法有: 主成分回归(principal component regression, PCR)、 偏最小二乘回归(partial least squares regression, PLSR)、 人工神经网络(artificial neural network, ANN)等。 主成分回归算法是将主成分提取与多元回归相结合, 适用于变量维度大于样本数的情况。 偏最小二乘回归是主成分分析、 典型相关、 多元线性回归的集合, 适用于数据量小但相关性又比较大的情况。 人工神经网络是由大量的神经元之间相互连接构成的复杂网络, 是模拟生物神经系统的一种数学模型。

食品生物性污染是引起食品安全事件的常见因素, 其污染源主要是在食品生长、 贮存过程中产生的有害物质, 如细菌、 霉菌、 微生物等, 对食品生物性污染快速有效的检测具有非常重要的意义。 戚淑叶等^[22]对正常、 虫蛀、 霉变三种情况的核桃壳仁采集太赫兹光谱, 结合化学计量学方法分析波谱间存在的差异性, 成功判别出核桃变质情况。 Chen^[23]等采用偏最小二乘回归(PLSR)和逐步多元线性回归(SMLR)等化学计量学方法对花生油中黄曲霉素B1的太赫兹光谱建立定量模型, 结果表明, PLSR模型比SMLR模型预测精度高, 但稳定性低于SMLR模型。 Yang^[24]等采集了四种常见的食品污染导致的病原菌(鲍曼不动杆菌、 铜绿假单胞菌、 大肠杆菌、 金黄色葡萄球菌)的太赫兹吸收系数光谱, 实验分析后结果表明细菌菌株的胞间含水量不同则吸收系数不同, 并通过吸收系数对四种细菌进行了区分。 Qi^[25]等利用太赫兹技术在0.2~2.0 THz频率范围内监测猪肉新鲜度, 利用PCR、 反向传播人工神经网络(BP-ANN)和BP-AdaBoost建立了k值预测模型, 结果表明太赫兹光谱结合BP-AdaBoost回归算法优于其他模型。 Di Girolamo^[26]等使用0.1 THz光源的连续太赫兹成像系统检测了栗子中是否存在真菌感染, 通过光衰减与栗子重量、 体积的测量相结合, 表明果实中由于碳水化合物水解而存在真菌, 显示了太赫兹技术在微生物检测方面的巨大优势。 具体应用分析如表2所示。

表2

Table 2

表2(Table 2)

表2 太赫兹光谱技术在食品生物性污染检测方面的对比分析 Table 2 Comparative analysis of terahertz spectroscopy in food biological contamination detection 检测对象 频率/THz 分析方法 检测结果 参考文献 核桃 0.2~1.5 图谱分析 霉变、 虫害的变质核桃, 壳和仁的吸收系数均大于正常核桃 [22] 花生油中的 黄曲霉素B1 0.3~1.7 PLSR SMLR SMLR模型比PLSR模型更稳定, 但预测精度略低 [23] 四种病原菌 2.52 图谱分析 菌株的胞间含水量造成吸收系数的不同可用于区分菌种 [24] 猪肉新鲜度 0.2~2.0 BP-ANN BP-AdaBoost BP-AdaBoost模型效果最好, Rp=0.84、 RMSEP=0.098 9 [25] 小麦 0.2~1.6 PCA-SVM PCA-SVM模型在三模型中效果最好, 预测准确率超过95% [27] 大豆油中的 黄曲霉素B1 0.1~2.5 t-SNE BPNN BPNN模型最好, Rp=0.994 8、 RMSEP=0.712 4 [28] 食用油 / PCA-EDM PCA-LDA 折射率谱EDM分类准确率为95.65%, 优于LDA模型 [29] 板栗果仁霉变 0.6~3.6 GA-SVM PSO-SVM PSO-SVM模型预测集准确率达100% [30]

表2 太赫兹光谱技术在食品生物性污染检测方面的对比分析 Table 2 Comparative analysis of terahertz spectroscopy in food biological contamination detection

食品化学性污染是含有害化学成分的污染物引起的食品安全问题, 主要是由抗生素、 农药与重金属等来自生产和环境中的有害物质所引发的, 常见的污染途径包括在农作物种植与运输过程中过度施肥与滥用食品添加剂等行为。 Redo-Sanchez等^[31]将太赫兹光谱技术应用于食品中抗生素残留的检测研究, 对食品中常见的11种抗生素采集指纹光谱, 结果表明抗生素在太赫兹波段有不同的特征吸收峰, 且混合于食物中仍能检出, 证明了太赫兹技术在检测食品中抗生素残留的潜力。 食品生长离不开土壤, 土壤的有机污染会进一步导致食品的化学污染。 李斌等^[32]利用太赫兹光谱技术对土壤中重金属铅含量进行检测, 经过光谱预处理后建立了GA-PLS模型并分析, 结果表明, 太赫兹光谱检测土壤中重金属含量具有一定的可行性。 Maeng等^[33]对包含吡虫啉在内的7种农药进行太赫兹光谱采集, 通过分析特征吸收峰的差异, 来鉴定农药的类别, 并建立PLSR预测模型用于定量分析小麦粉中吡虫啉的质量比例, 最低检出限达到11%。 食品中非法添加剂的出现造成食品污染, 严重威胁着消费者的健康。 Baek等^[34]利用太赫兹光谱仪采集了不同食品中混入三聚氰胺的太赫兹光谱和图像, 结果表明, 不同食品基质中三聚氰胺在太赫兹波段的特征吸收峰均为2、 2.26和2.6 THz。 Sun等^[35]研究确定面粉中苯甲酸添加剂的特征吸收峰在1.94 THz处, 且吸收峰与苯甲酸含量呈正相关, 结果表明将THz技术与机器学习、 神经网络算法相结合, 可实现面粉中苯甲酸含量的快速无损检测且预测准确率也有所提高。 具体应用分析如表3所示。

表3

Table 3

表3(Table 3)

表3 太赫兹光谱技术在食品化学性污染检测方面的对比分析 Table 3 Comparative analysis of terahertz spectroscopy in food Chemical contamination detection 检测对象 频率/THz 分析方法 检测结果 参考文献 抗生素 0.1~2.0 图谱分析 特征吸收峰的特异性可成功区分抗生素的种类 [31] 重金属铅 0.1~2.0 GA-PLS Rc=0.86, RMSEC=23.55 mg· kg-1 Rp=0.81, RMSEP=39.52 mg· kg-1 [32] 农药 0.1~3.0 PLSR 吡虫林PLSR预测模型Rp=0.997, RMSEP=0.54 [33] 三聚氰胺添加剂 0.1~3.0 图谱分析 三聚氰胺的特征吸收峰为2、 2.26和2.6 THz, 检出限< 13.12% [34] 面粉中苯甲酸 1.6~2.8 GRNN BPNN Rp=0.85, RMSEP=0.001 0 [35] 淀粉中明矾 0.2~1.4 PCA-PLS Rp=0.996 7, RMSEP=0.026 1 [36] 玉米粉中苯甲酸 0.5~3.0 PLS LS-SVM SPA-MLR LS-SVM模型效果最好 Rp=0.998 5, RMSEP=0.005 7 [37] 奶粉中三聚氰胺 0.3~3.0 PCR、 SVR PLSR、 LSSVR GWO-LSSVR模型效果最好 Rp=0.999 2, RMSEP=0.002 8 [38]

表3 太赫兹光谱技术在食品化学性污染检测方面的对比分析 Table 3 Comparative analysis of terahertz spectroscopy in food Chemical contamination detection

食品物理性污染主要是指食品生产过程中掺入异物从而导致的污染, 如粮食中掺入异物、 食品中混入昆虫、 食品掺假等情况。 Ok等^[39]分别利用X射线和太赫兹技术对奶粉中三类异物(昆虫、 金属、 塑料)进行检测, 结果表明太赫兹技术相较于X射线在食品异物检测方面具有明显的优势。 Shin等^[40]研究糖等食品中掺杂物的太赫兹光谱曲线, 通过吸收系数和折射率建立了含异物食品的二维特征空间, 并对比分析样品呈现的不同坐标信息, 将食品与异物进行准确划分。 Wang等^[41]采集香肠的0.2~1.5 THz频率范围的太赫兹时域光谱, 结合化学计量学方法成功定位出香肠中掺入的金属污染物, 证明了太赫兹波对金属物体的检测能力。 Jiang等^[42]对埋在小麦下的石头等异物进行了太赫兹图像采集, 并通过阈值分割使图像轮廓更加清晰, 识别出浅埋于小麦下的几种异物。 Wang等^[43]设计实验尝试从大量核桃仁中检测出核桃壳异物, 利用太赫兹光谱成像系统采集图像并实现了核桃壳异物的检出, 证实利用THz技术在检测核桃仁中核桃壳污染物的可行性, 展示了太赫兹技术在食品安全检测方面的应用潜力。 具体应用分析如表4所示。

表4

Table 4

表4(Table 4)

表4 太赫兹光谱技术在食品物理性污染检测方面的对比分析 Table 4 Comparative analysis of terahertz spectroscopy in food physical contamination detection 检测对象 频率/THz 分析方法 检测结果 参考文献 奶粉中异物 210 GHz 图像分析 成功检测出奶粉中异物 [39] 糖等食品中昆虫 0.2~1.3 图像分析 昆虫比食品具有高反射特性, 从图像颜色可区分异物 [40] 香肠中污染物 0.2~1.5 PCA DA DA模型分类准确率较高为98.3%~100% [41] 小麦下的异物 0.9~1.3 图像分析 异物具有不同的太赫兹反射波, 通过图像对比也可区分异物 [42] 核桃仁中异物 0.2~0.8 PCA 图像分析 主成分分析分类准确率高于95%, 根据图像也可区分 [43] 蜂蜜掺假 0.5~5.0 MLR Rp=0.985, RMSEP=3.201 [44] 大米掺假 0~6.4 SVM 识别准确率达97.33% [45] 小麦中杂质 0.2~1.6 CNN 识别准确率达97.83% [46]

表4 太赫兹光谱技术在食品物理性污染检测方面的对比分析 Table 4 Comparative analysis of terahertz spectroscopy in food physical contamination detection