基于天然色素传感器阵列与结果校正决策法的韭菜中腐霉利残留检测性能提升研究

为解决韭菜中腐霉利残留快速检测难题，江苏大学团队创新性地构建了天然花青素基比色传感器阵列（CSA），结合顶空固相微萃取-气相色谱质谱联用（HS-SPME-GC-MS）技术捕获挥发性有机物（VOCs），并采用鲸鱼优化算法（WOA）和蜻蜓算法（DA）耦合支持向量回归（SVR）进行特征筛选，最终提出基于贝叶斯-SVR模型的结果校正策略，显著提升了CSA的定量检测性能，为智能化农药检测提供了新范式。

　　

韭菜作为东亚地区常见绿叶蔬菜，虽营养丰富却易受灰霉病侵袭，导致腐霉利（Procymidone）等杀菌剂广泛使用。然而，其蜡质叶面易造成农药残留，长期摄入可能引发血液疾病甚至癌症。传统检测方法如高效液相色谱（HPLC）操作复杂，而比色传感器阵列（Colorimetric Sensor Array, CSA）凭借快速、现场检测优势成为新选择。但现有CSA多采用具有光毒性的金属卟啉材料，而天然花青素（Anthocyanins）因其环保性和pH敏感性成为理想替代品。江苏大学研究人员由此展开研究，旨在建立一种环保、高效的韭菜腐霉利残留智能检测体系。

研究团队首先通过HS-SPME-GC-MS分析不同腐霉利浓度韭菜样本的VOCs成分，发现硫化物（19.75%）、醇类（15.44%）和醚类（12.17%）为主要成分。基于此，选用9种花青素染料构建CSA，利用其与VOCs反应产生的特异性颜色变化进行检测。为优化特征选择，创新性地引入鲸鱼优化算法（Whale Optimization Algorithm, WOA）和蜻蜓算法（Dragonfly Algorithm, DA）耦合支持向量回归（Support Vector Regression, SVR），经50次迭代筛选最优模型。最终提出基于贝叶斯-SVR的结果校正策略，将DA-SVR与WOA-SVR的预测结果进行耦合，显著提升定量检测精度。

Allium tuberosum sample preparation
通过分株栽培法培育宽叶红根韭菜，分别施用1:1000至1:1600稀释的腐霉利溶液，模拟实际农残场景。

Analysis of VOCs in samples
GC-MS检测显示硫化物、醇类和醚类占总VOCs的60.49%，为CSA设计提供靶向依据。

Conclusions
该研究不仅构建了首个花青素基CSA用于蔬菜农残检测，还创新了结果校正决策方法，检测限达0.1 ppm，较传统方法效率提升3倍。其提出的"特征选择-模型耦合-结果校正"框架可推广至其他CSA应用场景，如粮食重金属检测（Jiang et al., 2022）和鱼类新鲜度评估（Dubey et al., 2024），为食品安全监测智能化奠定基础。

讨论部分强调，天然染料CSA克服了金属卟啉的光毒性缺陷，而基于群体智能算法的特征筛选策略突破了传统主成分分析（PCA）的线性局限。研究局限性在于未评估环境温湿度对花青素稳定性的长期影响，未来可结合深度学习进一步提升模型泛化能力。该成果发表于《Food Control》，获国家重点研发计划（2017YFC1600603）支持，标志着我国在绿色检测技术领域取得重要突破。