农业中的拉曼技术应用及挑战

农业中的人工智能3（2019）1拉曼技术在农业、食品和生物系统中的应用翁世庄b，刘文1，朱文秀b，张雪艳b，袁鹤才b，郑玲b，赵金陵b，1，黄林生b，1，韩平a，1a农业部农产品质量安全风险评估实验室（北京），北京市农林科学院，中国b中国合肥市九龙路111号安徽大学农业生态大数据分析应用国家工程研究中心a r t i c l e i n f o文章历史记录：收到2019年2019年11月7日收到修订版2019年11月7日接受在线发售2019年11月11日保留字：拉曼技术植物病害农药毒素光谱处理方法a b s t r a c t拉曼技术是拉曼光谱及其各种衍生方法的总称，已广泛应用于农业、食品和生物系统中各种物质的检测本文综述了两种主流拉曼技术RS和SERS的最新进展，包括技术进展、应用和挑战以及光谱处理方法。本文首先介绍了RS的起源、原理、缺陷和发展然后，对RS和SERS技术在农业、食品和生物系统中的应用现状、存在的问题和发展趋势进行了讨论，如掺假识别、植物病害鉴定、农药检测、食品添加剂检测、毒素分析等。最后，详细介绍了光谱分析中的降噪、特征提取或变量选择、建模等方法，实现了光谱分析的自动化和智能化，无需专业人员参与© 2019作者由爱思唯尔公司制作和主持我代表科爱通信公司，公司这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。内容1.介绍12.技术进化23.应用和挑战34.光谱分析方法55.结论8鸣谢. 8参考81. 我不知道拉曼技术涵盖拉曼光谱（RS）及其各种衍生方法。RS是一种具有分子结构表征能力的散射光谱法（Colthup，2012）。由于*通讯作者：安徽大学，安徽合肥230601。电子邮件地址：weng_1989@126.com（新加坡）Weng）。[1]这些作者对本书的贡献激发激光与被分析物分子发生非弹性碰撞，激发激光产生不同波长的散射光，这一现象最早由Raman于1928年发现（Raman，1928）。一般来说，收集较高波长的散射光，称为RS。对于RS，不同波长处的光强度不同，反映了分子的振动和旋转信息。换句话说，每个分子结构都有其特异性光谱，即RS的指纹特征，这对于分子结构分析是非常有价值的（D'Ippolito et al.， 2015年）。RS的测量是https://doi.org/10.1016/j.aiia.2019.11.0012589-7217/© 2019作者。由爱思唯尔公司制作和主持我代表科爱通信公司，公司这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表农业中的人工智能期刊主页：http://www.keaipublishing.com/en/j ournals/artificial-intelligence-in-agriculture/2S. Weng et al. / Arti ficial Intelligence in Agriculture 3（2019）1 -10不受分析物的形态和状态的限制因此，样品预处理相对简单。同时，水的极弱的RS响应避免了水分对分析结果的干扰，避免了其他分析技术中常见的问题考虑到这些优点，RS已被应用于各种掺假和植物病害的分析（Crow等人， 2005; Mandrile等人， 2019年）。然而，RS的强度大约是激发激光的10−6倍这种低灵敏度严重限制了它的实际应用。为了提高拉曼光谱的强度，人们发展了共振拉曼光谱（RRS）、相干反斯托克斯拉曼光谱（CARS）、受激拉曼光谱（SRS）、表面增强拉曼光谱（SERS）和针尖增强拉曼光谱（TERS）等多种增强方法。在 这 些 技 术 中 ， SERS 是 应 用 最 广 泛 和 最 有 效 的 。 SERS 首 先 由Fleischmann发现，他观察到吸附在粗糙银表面上的吡啶分子的拉曼信号比溶液中的吡啶的拉曼信号强得多（Fleischmann等人， 1974年）。与正常RS相比，SERS增强因子提高了106 这种增强效应主要来源于金属表面的局部电场以及化合物与增强基体之间的化学相互作用。此外，SERS还继承了RS的优点。 SERS是用于快速检测痕量物质（例如除草剂）的高度竞争性方法（Tsen等人， 2019）、杀昆虫剂（S. Li等人， 2012; Y. Li等人， 2012; He等人， 2014）、消毒剂（Fan等人， 2015），Zhang等人， 2014）和添加剂（Zhai等人，2011; He等人，2010）在各种食品或农产品中（Xu等人， 2017年）。本文从拉曼技术的发展、应用及面临的挑战、光谱分析方法三个方面介绍了拉曼技术的最新进展。希望能为后续研究提供技术参考2. TechnologicalevolutinRS是专门用于测量来自样品的非弹性散射光的频移的技术（Rostron等人，2016年）。当入射光的光子撞击分子时，会出现不同频率的散射光子低频光子的散射效应称为斯托克斯拉曼散射，高频光子的出现效应称为反斯托克斯拉曼散射（Asher，1993）。RS是基于拉曼散射效应获得的光谱RS的起源可以追溯到20世纪上半叶，Smekal（1923）在理论上建立了单色辐射随频率变化的散射。1928年，Raman（1928）发现了光的非弹性散射现象，称为Raman效应。然后，Raman和Krishnan（1928）在同一年首次实验观察到了这一现象。RS是基于分子和激发光的拉曼效应得到的。光的非弹性散射引起的频率变化完全匹配振动能级的差异，这使得每种类型的分子能够产生不同的拉曼光谱。因此，RS的主要优点是能够对每种不同的分析物具有分子指纹特征同时，由于水分子的拉曼散射效应较弱，RS在检测过程中不受水的干扰 这些性质使得RS能够极大地改善天然含水溶液中特定物质的分子选择（Patel等人，2019年）。然而，由于正常拉曼散射的低效率，RS在几十年内的应用有限（Kudelski，2008）。随着光学仪器、激光器和纳米技术的不断发展，各种技术不断涌现，以提高RS的灵敏度、分辨率和稳定性。目前，先进的拉曼技术包括RRS，CARS，SRS，FT-RS，共焦显微拉曼光谱，TERS和SERS（表1）。RRS是一种测量光子频移的仪器，当入射光的光子能量与电子跃迁所需的能量近似时（Das和Agrawal，2011）。共振激发可以增加电子的振荡电荷位移，从而直接提高拉曼散射的效率。 与普通拉曼散射相比，共振拉曼散射的增强因子可达108，但该技术的缺点是易受荧光背景的干扰（Asher，1993）。 CARS是用于增强拉曼信号的非线性拉曼技术（Zumbusch等人，1999年）。它利用相干激光束产生一个频率高于激发频率的信号SRS是另一种具有强方向性和高散射强度的非线性过程（Basiev等人，1999年）。该技术的辐射强度的增加归因于双光 子 过 程 和 模 拟 的 拉 曼 散 射 （ Woodbury 和 Ng ， 1962;White ，1987）。FT-RS采用波长为1064 nm的掺钕钇铝石榴石（Nd：YAG）激光器作为光源，消除了荧光干扰问题，降低了激光对样品的损伤因此，FT-RS可用于确定含有荧光和光不稳定性的化合物的拉曼光谱（Keller等人， 1993年）。共焦显微拉曼光谱通过激光扫描共焦显微镜收集拉曼信号，其具有高空间分辨率并且可以分析具有微米量级的样品并获得样品的拉曼和显微图像（Dieing等人，2011年）。但该技术的缺点是单次探测范围小，共焦区易产生热辐射。TERS（图1.a）是一种与扫描探针显微镜相结合的技术，将空间分辨率提高到纳米级（Deckert，2009）。使金属尖端或金属纳米颗粒与样品接近纳米距离然后，激发的激光束将照射尖端顶点，产生增强和配置的电场区。这种局部化的场将导致来自位于尖端下方的样品的增强的拉曼散射光（Bailo和Deckert，2008）。TERS最重要的特征是由于在所有点处相同的电磁场增强而导致的定量分析的可能性（Stockle等人，2000年）。此外，表1拉曼技术的分类与比较。分类优点缺点参考RRS高灵敏度荧光干扰Das和Agrawal，2011年高灵敏度，出色的空间和光谱分辨率非零背景性质Zumbusch等人， 1999SRS提高信噪比和信号强度低灵敏度Basiev等人，1999FT-RS低荧光干扰低灵敏度Keller等， 1993共焦显微拉曼光谱高空间分辨率，低检测限单次检测范围小，易产生发热辐射Dieing等人， 2011TERS灵敏度高，重现性好。低稳定性Stockle等人， 2000SERS高灵敏度，低检测限低稳定性，难以定量分析Kudelski，2008S. Weng et al. / Arti ficial Intelligence in Agriculture 3（2019）1 -103图1.一、尖端增强拉曼光谱概念（a）（Sharma等人， 2012）和表面增强拉曼散射系统（b）（Rostron等人， 2016年）。改善了RS技术的再现性问题（Gibson等人，2006）并且可以在有水和湿度的环境中工作（Yeo等人， 2009年）。SERS（Fig. b）可以是拉曼光谱学研究中的历史性突破，消除了拉曼技术固有的低检测灵敏度（Sharma等人，2012年）。与RS获得的微弱信号相比，SERS产生的拉曼信号的强度要高得多（Kudelski，2008）。表面增强拉曼效应最早是由Fleischmann等人发现它促进了增强拉曼技术研究。SERS的增强机制可以分为物理增强和化学增强（Ban等人，2017年）。在前者中，信号增强发生在贵金属和过渡金属表面的局部表面等离子体共振以产生电磁场（Jayram等人， 2016; Fu等人，2015年）。在后者中，信号增强源自于经由电荷转移中间态的金属电子介导的共振拉曼效应，其发生在所谓的“活性位点“（Otto等人， 1992年）。 SERS具有灵敏度高、检出限低等优点，但存在稳定性差、定量分析困难等问题。许多新技术，例如动态SERS（Qian等人，2013年; Yang等人，2015）、自组装技术（Yu等人，2019; Liang等人，2017）、内标技术（Jie等人，2018; Kammer等人，2014）和官能化基底（Gukowsky等人，2018; Yaseen等人，2018a，2018b），已经开发出解决这个问题。结合实际应用，讨论了RS和SERS的现状和发展3. AplicationandcallengesRS 通 常 用 于 检 测 物 质 含 量 高 的 元 素 （ Schulz 和 Baranska ，2007），例如食品掺假。Uysal等人（2013）开发了一种通过使用RS结合化学计量学方法来确定黄油掺假的方法。将不同的黄油和人造黄油样品以0%至100%（w/w）的各种浓度混合，并基于独特的光谱带（380-760 cm-1）分析混合黄油和人造黄油样品的浓度建模结果表明，实测系数均大于0.968。S. Li等人（2012）和Y. Li等人（2012）使用RS检测蜂蜜中高果糖玉米糖浆和麦芽糖糖浆的掺假。利用偏最小二乘-线性判别分析建立分类模型，对蜂蜜的真伪进行分类，总的Boyac Schmidt et al.（2014）开发了一种新的基于RS的方法来区分牛肉和马肉，并分析了49个牛肉和马肉样品中的纯脂肪。利用所建立的模型系统，成功地鉴别了不同牛肉浓度的马肉 RS还用于植物病害的早期检测（Baranska等人，2013年）。佩雷斯等人（2016）应用RS对柑橘黄龙病进行早期检测（HLB）（Fig. 3.a、b、c、d、e）。统计分析结果表明，该方法具有较高的可靠性，在判别柑橘类植物HLB阳性和健康植株方面的准确率为Farber等人（2019）使用RS作为玫瑰花结病（RRD）的早期检测工具。这项工作表明，RS可以检测RRD在完整的叶片组织，和化学计量学分析可以区分光谱收集症状和无症状的组织，以及健康和无症状的组织。Mandrile et al.（2019）采用RS结合化学计量学分析来监测两种不同病毒病原体（番茄黄化曲叶撒丁岛病毒（TYLCSV）和番茄斑萎病毒（TSWV））对番茄的侵染。然后使用PCA进行分析，TYLCSV和TSWV的准确度分别为N70%和N 85%和RS也已被用于检测Abutilon莫氏病毒（Yeturu等人， 2016）（Fig. 3.f，g，h），鉴定抗性树木（Conrad和Bonello，2016）和植物病原体（Farber和Kurouski，2018）。由于SERS具有较高的检测灵敏度，因此具有广泛的应用，通常用于检测痕量分析物。 近年来，农药的广泛使用和滥用导致农作物和食品中形成大量残留，影响人类的健康和生命安全。目前，表面增强拉曼光谱技术被广泛应用于农作物和食品中多种农药残留的检测 Zhang等人（2014）使用SERS定量检测苹果表面的福美双和甲胺磷（图11）。4.a）。苹果表面的最低检测浓度为福美双4.6 × 10−7，甲胺磷4.4 ×10−4Au @Ag NPs与SERS耦合用于分析梨中广泛应用的环硅唑（图11）。 2.c）;梨中的最低可检测浓度为0.1 μg/g（Zhao等人， 2018年）。 Huang等人（2016）采用SERS技术结合化学计量学对小白菜中苯醚甲环唑农药进行定量检测，预测模型的相关系数（Rp）为0.9458。Huang等（2015）将SERS与快速前处理方法相结合，检测了大米中的毒死蜱农药残留，最低检测浓度为0.506 mg/L。 Tang等人（2012）开发了一种基于SERS的超灵敏方法，以银胶为底物，吡啶为内标，测定大米中三环唑农药的含量，最低检测限为0.002 mg/L。Weng等人（2018a，2018 b）利用SERS技术检测了大米中的苯硫磷残留，最低检测限为0.1 mg/L。此外，红辣椒中的甲基硫菌灵（Li等人，2017），桃中的氧乐果（Yaseen等人，2018年a，2018年b），水果皮上的百草枯（Fang等人，2015）（图4.c），以及草莓中的溴氰菊酯（Dong等人， 2018年）（图。（2）a、b）也被SERS检测到。食品添加剂是威胁食品安全和质量的常见问题Cheung等人（2010）通过使用具有良好灵敏度的SERS分析辣椒粉中的苏丹红-1，使得苏丹红-1可以在10−3-10−4mol/L的范围内在复杂的食品基质中可靠地定量。快速SERS-4S. Weng et al. / Arti ficial Intelligence in Agriculture 3（2019）1 -10图二、 AuNR（a）; AgNR（b）的SEM图像（Dong等人，2018）; Au@ Ag纳米颗粒（c）（Zhao等人， 2018）;在与三聚氰胺相互作用之前（d）和之后（e）的AuNP（Giovanjani等人， 2014）;Ag胶体（f）（Lin等人， 2015年）。的方法来检测液态奶中的三聚氰胺。（2014）与三聚氰胺聚集的AuNPs（图 2.d，e），允许在0.17 mg/L的检测限下检测三聚氰胺。SERS也被用来检测罗丹明B（RB），这是经常非法添加到辣椒粉。 Lin等人（2015）制备了用于RB检测的纸基SERS基底（图1B）。 2.f），样品处理简单，辣椒粉中RB的检测限可达10 - 6g/g。该方法的回收率为96.4%~108.9%。C. Liet al.（2016）和X. Li等人（2016）研究了三种易于制备的AuNPs基底，并将两种商业基底作为SERS基底进行了亚甲基蓝（MB）分析。甲基溴标准溶液和鱼肌肉中甲基溴的最低检测限分别为5ng/mL和10 ng/g。毒素通常通过SERS检测Yuan等人（2017）使用SERS快速测定玉米、菜豆和燕麦中的真菌毒素脱氧雪腐镰刀菌烯醇，最低检出浓度为10 −6、10 −6和10 −4M。本文还应用SERS技术对玉米中的一种黄曲霉毒素进行了检测。Lee等人（2014）将Ag纳米球与样品提取物混合用于SERS测量，精度为N 93%。 Zengin等人（2015）通过使用检测限为0.32 pM的Ag纳米粒子开发了一种用于蓖麻毒素B毒素识别的新型SERS适体传感器。许多毒素，如微囊藻毒素-LR（He et al.，2019）和石房蛤毒素（Cheng等人，2019），也被SERS检测到。随着单分子SERS检测的发现，SERS逐渐成为研究生物大分子的有力技术，可以对农作物中的各种生物分子进行检测和表征 Chen等人（2012）成功地应用SERS检测表达杀昆虫蛋白的苏云金芽孢杆菌基因转化水稻，检测限为0.1 pg/mL（图2）。 4.b）。 Lee等人（2013）直接使用SERS检测大豆中的粗蛋白和油含量。采用偏最小二乘法建立了大豆粗蛋白和粗脂肪含量的最优预测模型的粗蛋白和粗脂肪含量的准确度分别为0.916和0.872。此外，提出了一种新的方法来表征荞麦球蛋白的结构，通过圆二色性和拉曼光谱相结合Choi和Ma（2007）研究了荞麦球蛋白在各种缓冲环境和热处理条件下的构象，发现荞麦球蛋白含有低水平的α-螺旋和大量的β-折叠和无序结构。从上述应用（表2）来看，RS主要用于物质掺假的鉴别和分类。由于SERS具有快速、灵敏、指纹清晰、信息量大等优点，在物质定量分析中显示出巨大的潜力。但RS因其灵敏度较低而在应用中受到限制，SERS在实际检测中也SERS不能分离复杂样品中存在的目标化合物。因此，在检测期间，目标分析物的拉曼信号被来自样品中存在的其它组分的信号掩蔽这种情况对SERS在复杂基质中检测痕量目标分析物提出了挑战Pang等人等人（2014）通过使用与硫醇修饰的ssDNA适体和阻断剂分子缀合的Ag树枝状底物成功地检测了苹果汁中的四种有机磷农药（甲拌磷、丙溴磷、氧乐果、水胺硫磷）。苹果汁化合物不能吸附到基底表面上，因此对SERS信号没有贡献此外，SERS在稳定性和灵敏度方面表现不佳反应的稳定性不仅取决于被吸附分子与底物之间的相互作用，还与底物本身有关。 在几十年的发展过程中，研究人员一直致力于优化基底结构和构型，以实现痕量级的检测。目前，SERS基底高度多样化。Montgomery等人（2009）提出并模拟了由金S. Weng et al. / Arti ficial Intelligence in Agriculture 3（2019）1 -105图3. 从HLB阳性和HLB阴性（健康）柑橘样品获得光谱拉曼特征的程序（a）、（b）、（c）;通过实时PCR从HLB阳性的甜橙和对疾病阴性的甜橙植物的样品获得的拉曼光谱的主成分分析和线性判别分析（d）;来自HLB阳性甜橙树（红色光谱）和HLB阴性甜橙树（黑色光谱）的拉曼光谱（e）（Pérez等人， 2016）; Abutilon mosaic virus infecting Abutilon hybridum plantshowing brightyellow mosaic symptoms（left sick plant and right healthy plant）（f）; PCR扩增子的琼脂糖凝胶电泳分析用于检测AbMV in Abutilon（g）;来自健康植物（蓝色）、早期感染植物（绿色）和完全感染植物（红色）的叶的平均拉曼光谱，没有归一化（h）（Yeturu et al.， 2016年）。纳米颗粒的银膜结构，并成功地获得了高灵敏度。 Musumeci等人等人（2009）研究了吸附在TiO2纳米颗粒表面上的分子的拉曼散射，并在表现出与TiO2纳米颗粒的电荷转移吸收的混合复合材料中获得了拉曼散射的强烈增强。一些新的功能化基底也被开发出来。 Pan等人（2015）开发了用于SERS的敏感基底。 它由通过用银纳米颗粒改性毛细管整料的表面而获得的柱材料组成。该底物已被应用于测定4-巯基吡啶和罗丹明6G，显示检测限低至100和10 pM，分别。Wang等人（2017）通过在4-巯基苯硼酸官能化的银树枝状晶体上使用表面增强拉曼散射映射，快速检测和区分脱脂牛奶中的细菌（图11）。 4.d）。对肠道沙门氏菌亚种的捕获率为100%肠杆菌BAA1045的总毒力为99.65%。其他技术也与功能技术相结合，以提高底物的稳定性和灵敏度未来的研究应集中在研究新材料和金属一起作为SERS活性基底，并将一些先进的分析方法与SERS结合起来（Lv et al.， 2015; Convertino等人， 2016年）。如能克服这些问题，RS和SERS的应用前景将十分广阔。特别是RS的测量不受被测物的形态和状态的影响，不受水的干扰，这将在各种高含量物质和植物病害的检测中发挥重要作用同时，由于SERS具有灵敏度高、能分析指纹结构信息等优点，在农药、添加剂、毒素、生物分子等检测中有着深入的应用。4. 特殊要求光谱分析方法通常用于处理RS或SERS光谱以确定分析物的类型和含量，包括降噪，特征提取和变量选择以及建模方法。分析的自动化和智能化有利于RS或SERS技术的推广和普及光谱测量中经常会受到荧光背景、探测器、环境噪声以及激光器自身波动的干扰。这些干扰不能通过设备和实验操作的改进而完全因此，适当的降噪方法是必要的，以消除或减少干扰的负面影响常见的方法包括衍生法（Archibald等人，1998）、Savitzky-Golay（SG）平滑、非对称最小二乘法（asLS）、标准正态变量（SNV）、小波变换（WT）和乘性散射校正（MSC）（Hancewicz和Petty，1995）。 导数法不仅可以减少重叠谱带的干扰，而且可以消除荧光背景引起的基线漂移干扰。柑橘叶片中叶绿素含量的定量分析是通过拉曼光谱与光谱的一阶导数进行的（Yan-de et al.，2019年）。SG平滑消除了高频噪声，提高了光谱信噪比。 Zai等人（2017）使用SG平滑从新鲜肌肉组织中的沙丁胺醇光谱中去除光谱，以提高准确度。该方法无需光谱峰形和基线的先验信息，即可快速实现背景基线的扣除采用自适应最小二乘基线校正方法对微藻拉曼光谱的背景噪声进行了校正。6S. Weng et al. / Arti ficial Intelligence in Agriculture 3（2019）1 -10图四、 示意图：基于SERS的苹果表面上福美双和甲胺磷的同时检测（a）（Zhang et al.， 2014）;使用SERS条形码纳米标签的Bt基因检测程序（b）（Chen et al.，2012年）;检测水果上百草枯残留的“表面喷洒”方法（c）（Fang等人，2015）;使用SERS（d）检测脱脂乳中的细菌（Wang等人，2017年）。样品本身（He等人， 2018年）。SNV可以消除固体颗粒尺寸、表面散射和光程变化对光谱数据的影响MSC专门用于消除由以下因素引起的散射效应：不均匀的颗粒分布和尺寸。 Kachrimanis等人（2007）成功地-与SNV和MSC 组 合完全消除了样品制备和样品不均一性的 影 响 。 Bian等（2011）表2分析物、检测基质、测量技术和检测限（LOD）/准确度总结分类分析物矩阵测量技术LOD/准确度引用掺假水合草酸钙泌尿系结石Rs0.6摩尔Kontoyannis等人，1997掺假人造黄油黄油Rs0.968Uysal等人，2013掺假高果糖玉米糖浆和麦芽糖浆亲爱Rs0.844S. Li等人，2012; Y. Li等人， 2012作物病害柑橘黄龙病甜橙Rs0.892Pérez等人，2016作物病害撒丁岛黄化曲叶病毒番茄RsN0.70Mandrile等人，2019作物病害斑萎病毒番茄RsN0.85Mandrile等人，2019农药福美双苹果SERS4.6× 10−7 MZhang等人，2014农药甲胺磷苹果SERS4.4× 10−4 MZhang等人，2014农药氟硅梨SERS0.1微克/克Zhao等人，2018农药毒死蜱水稻SERS0.506毫克/升Huang等人，2015农药三环唑水稻SERS0.002毫克/升Tang等人，2012农药地苯磷水稻SERS0.1 mg/L翁等人，2018年a、2018年b农药氧化乐果桃SERS0.01 mg/kgYaseen等人， 2018年a、2018年b添加剂苏丹-1辣椒粉SERS10−4 mol/LCheung等人，2010添加剂聚氰胺牛奶SERS0.17毫克/升Giovanagani等人，2014添加剂罗丹明B辣椒粉SERS10−6克/克Lin等人，2015添加剂亚甲基蓝鱼肌肉SERS10 ng/GC. Li等人，2016; X. Li等人， 2016毒素脱氧雪玉米SERS10−6 MYuan等人，2017毒素脱氧雪芸豆SERS10−6 MYuan等人，2017毒素脱氧雪燕麦SERS10−4 MYuan等人，2017毒素A型肉毒毒素玉米SERS13微克/千克Lee等人，2014毒素蓖麻毒素BSERS0.32 pMZengin等人，2015毒素藻毒素自来水SERS10−6毫克/升He等人，2019毒素蛤毒素SERS11.7 nMCheng等人，2019毒素麻黄碱减肥膳食补充剂SERS0.01 mg/LLv等人，2015生物杀虫蛋白转基因水稻SERS0.1 pg/mLChen等人，2012分子生物学分子生物学分子粗蛋白蚕豆SERS0.916Lee等人， 2013油含量蚕豆SERS0.872Lee等人， 2013S. Weng et al. / Arti ficial Intelligence in Agriculture 3（2019）1 -107MSC预处理尿液中代谢物的光谱预测浓度与实际浓度的相关系数达0.96.小波变换可以进行光谱平滑、去噪和压缩处理，以可靠地区分和检测干扰信号中的有用分析信号Hu等人等（2007）利用小波变换对胃癌组织拉曼光谱进行去噪，对滤波后的光谱进行小波多尺度分析，通过小波重构得到基线校正后的信息。这些方法能有效地去除荧光背景，消除噪声和基线漂移的干扰，保留光谱的有效信息，从而提高定性和定量模型的分析能力和鲁棒性 其中，（SG）平滑法可以消除叠加在拉曼光谱中的噪声信号，LS法可以在不改变拉曼信号的情况下扣除荧光背景，实现光谱的自动校正。MSC、SNV、WT等方法都能有效地去除背景的不均匀性和噪声干扰，但这些方法都需要调整相关参数才能得到较好的处理效果。拉曼光谱仪测量的光谱通常是数百或数千维。因此，冗余和不相关的信息是不可避免的。通常采用特征提取和变量选择的方法来提取主要信息和降低光谱维数。特征提取的目的是对原始光谱进行分解或变换，并按照一定的规则提取主要成分;变量选择的目的是选择重要的特征范围。这两种方法在原理上有很大不同，但效果相似。 特征提取方法包括主成分分析（PCA）（Hasegawa等人， 2000）、局部线性嵌入（LLE）（Roweis和Saul，2000）、离散余弦变换（DCT）（Phamila和Amutha，2014）和非负矩阵分解（NMF）（Lee和Seung，1999）。PCA是应用最广泛的特征提取算法，它是一种多元统计分析方法，将数据中多个先前相关的变量以线性组合的形式组合成一组新的不相关的综合变量，以减少新变量的数量并包含许多信息（Wold et al.，1987年）。Zhang等人（2015）使用PCA、DCT和NMF提取福美双SERS光谱 的 特 征 ， 并 建 立 了 部分 最 小 二乘 回 归（ PLSR ） 和支 持 向 量机（SVM）回归模型。结果表明，主成分分析和非负矩阵分解分别在偏最小二乘回归模型和支持向量机模型中效果最好。 通过将NMF与交替最小二乘法相结合，Hong et al. （2017）成功实现了水中抗生素及其代谢物的痕量检测。最简单的变量选择方法是手动拦截，但它依赖于经验和现有的光谱库。 相关系数、逐步回归、光谱峰识别、遗传算 法 （ GA ） （ Gen 和 Lin ， 2007 ） 、 无 信 息 变 量 消 除 （ UVE ）（Koshoubu等人， 2000）、竞争性自适应重加权采样（CARS）（Li等人，2009）、连续投影算法（SPA）（Pontes等人，2005）和区间偏最小二乘（iPLS）（Norgaard等人，2000）是常用的自动选择方法。 Lavine等人（2001）利用遗传算法提取了每种木材的拉曼光谱特征，实现了不同木材的快速分类。Li等人（2015）使用SPA提取茶叶中铅铬绿的拉曼特征波数，大大简化了模型。 在糠醛油溶性物质的定量分析中，Chen et al. （2018）利用CARS选择光谱的最佳组合，主要反映关注的化学操作。采用UVE和iPLS从拉曼光谱中获得阿奇霉素片剂的信息变量，以改善模型性能，实现高达0.96的分类准确度（Li et al.， 2011年）。在噪声去除、特征提取或变量选择之后，采用建模算法建立分类和回归模型，用于分析物的类别识别和数量光谱分类方法主要有K-均值聚类算法（KCA）、K-近邻法（KNN）、线性判别分析（LDA）、类类比软独立建模（SIMCA）、SVM、随机森林（ RF ） 、 朴 素 贝 叶 斯 （ NB ） 和 人 工神经网络（ANN）。 Li等人（2019）使用KCA方法通过共聚焦拉曼显微光谱成像分析脊髓损伤后的病理进展，以突出组织损伤后的生化和结构变化，并获得了良好的结果。Koljenović等人案等（2005）在LDA的基础上建立了硬脑膜和肿瘤组织的分类模型，准确率为100%。采用主成分分析和KNN方法建立了结肠癌拉曼光谱诊断模型，准确率提高到91%（C。Li等人，二〇一六年;X. Li等人， 2016年）。通过SIMCA分析了7种食品和水传播病毒的SERS光谱，用于识别有包膜和无包膜的病毒，实现了高于95%的准确度（Fan etal.， 2010年）。 Yan等等（2011）建立了腮腺肿瘤拉曼光谱的SVM模型，并成功识别了正常腮腺和腮腺肿瘤。 Kinalwa等人（2011）使用RF从拉曼光谱确定蛋白质折叠类别，并正确分类了44种蛋白质中的33种。Zhang等人（2018）利用NB分类器建立了药物性呼吸道毒性的硅酸盐预测模型，总体预测准确率为91.8%。 Ozbalci等人（2013）使用人工神经网络分析蜂蜜中四种糖的光谱特征，并以高精度预测其含量。在这些方法中，SVM和RF也可以用于回归分析。采用多元线性回归（MLR）、主成分回归（PCR）和偏最小二乘回归（PLSR）进行回归分析。采用偏最小二乘回归和多元线性回归分别建立了氯霉素和结晶紫的预测模型，模型的R2值为0.82至0.87（Lai等人， 2011年）。 Guimaraes等人（2018）采用PCR定量分析口服溶液中的安乃近，预测误差为0.013。 Weng等人（2018 a，2018 b）使用RF建立倍硫磷定量分析模型，交叉验证的均方根误差为0.0101 mg/L。 Fan等人（2015）通过使用PLSR和SVM模型定 量 甲 萘 威 残 留 。 结 果 表 明 ， PLSR （ R2= 0.983 ） 和 SVM（R2=0.986）均能较好地预测苹果中西维因的残留量，均方根误差分别为0.48μg/g和0.48 μg/g。0.44μg/g）和高性能偏差值比（7.71或8.11）。深度学习方法，如递归神经网络、堆栈式自动编码器、深度信念网络、卷积神经网络（CNN）和多层感知器（MLP），在语音识别、视觉对象识别和对象检测方面取得了巨大的成果（LeCun et al.，2015年）。目前，这些方法中有许多被用于拉曼光谱分析。Dong等人（2019）提出了一种实用的CNN模型来区分人类血液和动物血液的拉曼光谱。校准集和测试集的分类准确率分别为100%和96.33%。提出了一种新的基于深度学习的构件识别方法建立了CNN模型来预测混合物中组分的存在。研究DeepCID可以学习光谱特征并以高精度识别混合物的模拟和真实拉曼光谱数据集中的组分（Fan等人，2019年）。在这些建模算法中，线性方法包括MLP、PLSR、PCR、LDA和NB，非线性方法包括ANN和CNN。此外，机器学习方法通常适用于分析小规模数据，而深度学习是分析大规模数据的有效且简单的方法。因此，在数据处理过程中可以根据数据的大小选择合适的建模方法。总之，不同的分析方法有不同的效果，选择合适的分析方法对所获得的光谱是重要的。对于大量SERS光谱的分析，深度学习方法可能会显示出优越的性能。然而，在轻量级深度学习网络的帮助下，常规光谱分析仍然可以获得良好的结果。8S. Weng et al. / Arti ficial Intelligence in Agriculture 3（2019）1 -105. 联系我们近年来，RS和SERS已成为农业、食品和生物系统中强有力的分析工具 本文综述了RS和SERS的最新进展，包括技术进展、应用和挑战，以及光谱处理方法。本文首先介绍了RS的起源、原理和缺陷，并对RS中的信号增强技术，如RRS、CARS、TERS和SERS进行了深入的讨论。然后介绍了RS和SERS技术在农业、食品、生物等领域的应用及存在的问题，并针对上述问题提出了一些可行的解决方案。详细分析了光谱分析中的降噪、特征提取或变量选择、建模等方法，实现了光谱分析的自动化和智能化，不依赖专业人员。总之，RS和SERS都有一定的局限性。RS由于灵敏度低而无法实现痕量检测，而SERS则容易受到样品中其他组分的信号干扰，在稳定性和灵敏度方面性能较差然而，随着光学、纳米技术和仪器的发展，拉曼光谱技术在农业、食品、生物等领域有着广阔的应用前景确认本研究得到了安徽省重大科技专项（No.17030701062）、国家自然科学基金（No.20000000）、安徽省自然科学基金（No.20000000）、安徽省 自 然 科 学 基 金 （ No.200000000 ） 、 安 徽 省 自 然 科 学 基 金（No.2000000000）的资助。 3170123和61672032）、国家重点研发计划（编号：2016YFD 0800904）和农业部农产品质量安全风险评估实验室（北京）开放基金（编号：2016YFD 0800904）。KFRA201802）。引用阿奇博尔德，D. D.，凯斯，S. E.，Himmelsbach，D.S.，巴顿，F.E.，1998年 拉曼光谱法和近红外光谱法测定谷类食品中膳食纤维总量的比较研究。应用光谱52（1），22-31。Asher，S.A.，一九九三年 用于分析、物理和生物物理化学的紫外共振拉曼光谱。部分2.Anal. 65（4），201 A-210 A中所述。Bailo，E.，Deckert，V.，2008. 尖端增强拉曼散射。Chem.Soc.Rev.37（5），921- 930。班河，Yu，Y.，张，M.，尹，J.，徐，B.，Wu，D.Y.，吴，M.，Zhang，Z.G.，Tai，H.L.，李杰，Kang，J.，2017. 类金属/金属双壳层结构中的协同SERS增强，用于灵敏和稳定的应用。ACS应用Mater. Interfaces 9（15），13564-1357 0.Baranska，M.，Roman，M.，Schulz，H.，巴兰斯基河，2013年。植物拉曼光谱分析的最新进展：生物碱、类胡萝卜素和聚乙炔。Curr. Anal. 9（1），108- 127。Basiev，T.T.，Sobol，A. A.兹韦列夫，P.G.，Ivleva，L.I.，Osiko，V.V.，鲍威尔，R.C.，一九九九年。受激喇曼散射晶体的喇曼光谱学。选购配件Mater. 11（4），307- 314.Bian，X.，Chen，D.，中国农业科学院，Cai，W.，格兰特，E.，邵，X.，2011年。拉曼光谱法和化学计量学方法优化组合快速测定生物液体样品中的代谢物。下巴J.Chem.29（11），2525-2