武 转 玲

(大同师范高等专科学校，山西 大同 037000)

随着分子印迹和计算机视觉图像处理技术的发展，需要进行生鲜食品化学污染物残留检测和成分特征分析，以提高生鲜食品化学污染物残留的监测能力，从而确保生鲜食品的安全性，因此对生鲜食品化学污染物残留监测方法的研究受到人们的极大关注[1]。

当前，生鲜食品化学污染物残留监测方法主要采用等离子分析方法，通过分析生鲜食品化学污染物的内部离子结构信息以及离子分布的差异性[2-3]，实现生鲜食品化学污染物残留监测，但该方法进行生鲜食品化学污染物残留监测的智能化程度不高，计算开销较大。张春霞[4]提出了一种基于仪器分析法的化学污染物残留检测方法，探讨仪器分析法在农药残留检测、其他违禁化学污染物检测中的应用，用以提升化学污染物残留检测结果的可信性，但是将该方法应用至生鲜食品化学污染物残留监测中，监测精度并不高。李单单[5]提出了一种基于表面增强拉曼技术的化学污染物残留检测方法。因表面增强拉曼技术是一种灵敏、快速、简单、成本低的检测技术，因此利用该技术进行食品化学污染物残留定量与半定量的分析，可以通过实际应用测试，该方法可以提高食品中化学污染物的检测识别能力，但采用该方法进行生鲜食品化学污染物残留监测的精准度不高。

针对上述问题，本文提出基于分子印迹技术的生鲜食品化学污染物残留监测方法，并进行仿真实验分析，以验证本文方法在生鲜食品化学污染物残留监测能力方面的优越性。

1 生鲜食品化学污染物残留分子印迹成像和预处理

1.1 分子印迹成像

假设h为生鲜食品化学残留污染物分子印迹图谱的边缘像素集[6]，采用模糊信息分解方法得到生鲜食品化学残留污染物分子印迹图谱的子块信息分布矩阵为

(1)

其中

(2)

u∈{1,2}、v∈{1,2}表示生鲜食品化学残留污染物分子印迹图谱不同的主成分信息[7]。

采用分块特征匹配技术与子块信息分布矩阵相结合的方法，建立生鲜食品化学残留污染物分子印迹图谱的邻域回归分析模型，表示为

(3)

其中，f(z)表示分子印迹图谱的粗糙集特征分量[8]，*为卷积运算。

通过分子印迹图谱边缘轮廓检测和特征聚类，得到污染物的融合聚类模型为

(4)

通过统计分析和图像信息融合聚类分析方法，得到图像的尺度信息p*=(X(cs2),θ*,ρ*)， 在融合滤波空间中，得到生鲜食品化学残留污染物分子印迹图谱[9]的合成系数

(5)

通过计算污染物分子印迹图谱的合成系数，结合生鲜食品化学残留污染物分子印迹图谱的主成分特征量，构建定量递归分析模型

(6)

其中

(7)

(8)

由此生鲜食品化学污染物的分子印迹成像模型构建完成[10]，以此为基础进行生鲜食品化学残留污染物分子印迹成像图谱分析和特征检测。

1.2 分子印迹预处理

以上述的分子印迹图谱为基础，通过催化剂颗粒检测和深度学习方法，进行生鲜食品化学残留污染物分子印迹成像图谱分析,得到生鲜食品化学残留污染物分子印迹图谱图像特征空间的多个局部信息流分布特征分解式为

(9)

其中，U是N×N维的生鲜食品化学残留污染物分子印迹图谱分布的量化矩阵，V是2×2的特征信息相似度度量矩阵，S是N×2维的模糊最优解矩阵。

采用催化剂颗粒检测和深度学习方法，计算图谱分布特征量，其表达为

(10)

在模板匹配区域，获取仿射不变区域内生鲜食品化学残留污染物分子印迹图谱响应，得到

(11)

(12)

其中，u(x,y;t)=G(x,y;t)。

令Hx、Hy分别为回归基的编码系数和分辨系数，结合印迹图谱中的污染物融合度函数，对生鲜食品化学残留污染物分子印迹图谱特征信息进行交叉补偿，得到分子印迹成像图谱的分析函数

(13)

其中，(Δx,Δy)T是成像图谱分辨率，(xi,yi)是质谱成像的粗糙匹配集，A表示生鲜食品化学残留污染物分子印迹图谱的特征关联点，为N阶方阵，即A={αi,j,0

综上分析，通过统计分析和图像信息融合聚类方法，实现生鲜食品化学残留污染物残留分子印迹成像以及分子印迹图谱融合和成像图谱印迹分析，从而提高其污染物检测及分类识别能力。

2 生鲜食品化学残留污染物分子印迹检测

2.1 内部分子结构特征分析

在不同的污染浓度下，进行生鲜食品化学污染物残留内部分子结构信息检测，通过点源污染检测方法进行生鲜食品化学污染物残留的主成分特征检测，得到生鲜食品化学污染物残留浓度分布为

(14)

根据图1的曲线分布，采用化学链特征分析方法对上文所构建的生鲜食品化学残留污染物融合模型进行融合分析，得到融合结果如图2所示。

通过过滤、冷凝装置处理后，结合分子印迹技术进行生鲜食品化学污染物残留内部结构信息特征检测，通过点源污染检测方法进行污染物残留的主成分进行印迹特征分析，从而提取污染物残留的内部分子结构特征，以达到提高生鲜食品化学污染物残留监测能力的目的。

图1 生鲜食品化学污染物残留中的浓度变化散点图 图2 生鲜食品化学污染物残留融合结果

2.2 分子印迹检测

通过分子印迹检测结果，分析生鲜食品化学污染物残留分子印迹图的形态差异性特征量以及氮氧化物的释放特性，结合小波多尺度分解方法得到分子印迹成像的初次融合分布模型，并根据空间配准的方法进行分子印迹的结构特征检测和特征分解，通过特征重构高效地获得准确可靠的结构信息特征量，获取边缘信息计算结果，在特征分布空间F，存在1个L>0，采用块匹配方法进行生鲜食品化学污染物残留分子印迹成像的信息重组，使得分子印迹纹理增强，得到模型结构如图3所示。

根据生鲜食品化学污染物残留浓度分布结果，结合分子印迹成像模型，对分子印迹图模型进行优化，以提取生鲜食品化学污染物残留的内部分子结构特征，结合浓度检测方法实现生鲜食品化学污染物残留监测。其中分子印迹图模型优化结果表示为

(15)

3 实验测试

为验证基于分子印迹技术的生鲜食品化学污染物残留监测方法的有效性，进行实验测试。实验中生鲜食品化学污染物残留分子印迹高分辨成像的分辨率为120*240，在分子印迹控制中通过对生鲜食品沉淀13 min之后趋于稳定，生鲜食品化学污染物的初始浓度为200 mg·L-1，得到的各种污染物的浓度分布如图4所示。

图4 污染物的浓度分布 图5 NO污染物质的变化曲线

分析图4得知，本文方法能有效实现生鲜食品化学污染物残留检测，测试NO浓度变化曲线如图5所示。

分析图5可知，采用本文方法进行生鲜食品化学污染物残留监测，随着时间的增加，污染物浓度分布趋于稳定，NO污染浓度800～2 000 ppm内，分析各组份差异性，得到显著对比结果如图6所示。

图6 污染检测的显著图对比结果 图7 检测准确度对比

分析上述结果得知，通过本文方法进行生鲜食品化学污染物残留监测，各组份检测的准确性较高，污染物的浓度和含量等参数估计能力较好。

为进一步验证本文方法的有效性，进行检测准确率验证，文献[4]、[5]方法以及本文方法的生鲜食品化学污染物残留检测准确率对比结果如图7所示。

由图7可知，文献[4]方法的生鲜食品化学污染物残留检测准确率为53%～76%，文献[5]方法的生鲜食品化学污染物残留检测准确率为54%～75%，本文方法的生鲜食品化学污染物残留检测准确率始终在92%以上，说明该方法能够实现生鲜食品化学污染物残留的精准检测。

图8 检测时间对比

对比文献[4]、[5]方法以及本文方法的生鲜食品化学污染物残留检测时间，结果如图8所示。

分析图8可知，与文献[4]、[5]方法相比，本文方法的化学污染物残留检测时间更短，说明基于分子印迹技术的生鲜食品化学污染物残留监测方法的效率更高。

4 结 论

本文设计了一种基于分子印迹技术的生鲜食品化学污染物残留监测方法，通过相似性多色谱特征聚类分析方法进行生鲜食品化学残留污染物分子印迹图谱分析和特征检测，运用图像信息融合聚类方法分析污染物残留中的含氮模型化合物，实现生鲜食品化学残留污染物分子印迹图谱分析和污染物分类识别。结果表明，采用本文方法进行生鲜食品化学残留污染物检测的精度较高，对污染物的浓度和含量的估计能力较好，具有较高的可靠性，能够为生鲜食品安全提供更好的保障。