基于便携式近红外光谱技术的鸡饲料中微塑料定性及定量检测

《Agriculture》：Qualitative and Quantitative Detection of Microplastics in Chicken Feed Using Portable Near-Infrared Spectroscopy

　　

微塑料污染已成为饲料安全与动物源食品安全领域的新兴关注点。研究人员将近红外光谱（NIR）与机器学习相结合，对鸡饲料中七种常见微塑料进行定性与定量分析，包括聚酰胺（PA）、聚碳酸酯（PC）、聚乙烯（PE）、聚对苯二甲酸乙二醇酯（PET）、聚丙烯（PP）、聚苯乙烯（PS）与聚氯乙烯（PVC）。共制备840份微塑料质量分数介于0.01%至1.00%的样品，于1100–2200 nm范围采集近红外光谱，评估多种光谱预处理方法与建模策略，并引入合成少数类过采样技术（SMOTE）考察数据增强效应。分类任务中，极端随机树（ET）模型表现最优，准确率与F1分数分别为0.9603与0.9602；回归任务中聚合物间性能存在差异，PVC经移动平均（MA）预处理联合支持向量回归（SVR）取得最佳定量预测（测试集R2=0.9851），原始光谱SVR模型亦达R2=0.9846、RPD=8.1642。光谱预处理与数据增强对模型性能产生聚合物依赖性影响。结果表明，在受控单聚合物条件下，便携式NIR光谱可作为快速、无损筛查途径；混合聚合物与现场鲁棒性仍需进一步验证。

研究背景方面，微塑料（直径小于5 mm的塑料颗粒或碎片）因来源广泛、环境持久性强及跨生态系统迁移累积，已成为环境科学、农业安全与食品安全领域的新型污染物。鸡饲料作为畜禽生产关键投入品，可在原料加工、运输、包装与储存环节引入塑料颗粒，进而经动物摄食沿生产链传递，引发动物健康与食物链暴露担忧。商业鸡饲料中已检出90–330 items/kg的微塑料，反刍动物饲料中达8.3–39.3 MPs/g，检出聚合物包括PE、PP、PET、PVC等。现行微塑料检测手段如显微观察、傅里叶变换红外光谱（FTIR）、拉曼光谱、热解-气相色谱/质谱（Py-GC/MS）与高光谱成像（HSI）虽精度高，但需复杂前处理、耗时、仪器昂贵且依赖实验室操作；鸡饲料基质中异构粒径与丰富有机物成分会通过吸收与散射干扰微塑料信号，低浓度下微塑料光谱贡献被掩盖。近红外光谱（NIR）具备快速、少前处理、无损与易微型化优势，但其谱带宽、峰重叠严重，微塑料引起的变异表现为多波段弱响应而非孤立特征峰，故需结合化学计量学与机器学习从高通量光谱中提取判别与定量信息。已有研究在土壤、水体、灰分及部分饲料基质中验证了NIR-机器学习的潜力，但针对鸡饲料中七种常见聚合物系统鉴别与低浓度定量仍不充分，预处理影响与训练集增强作用缺乏系统比较。该研究由此在《Agriculture》发表，旨在阐明聚合物依赖性光谱响应并建立鲁棒建模路径。

主要关键技术方法上，研究人员以江苏瑞祥聚合物材料有限公司提供的50 μm、99%纯度PA、PC、PE、PET、PP、PS、PVC微塑料粉，掺入正大CP 522鸡饲料（过60目筛均质粉末），设0.01%、0.04%、0.08%、0.12%、0.16%、0.20%、0.40%、0.60%、0.80%、1.00%十档质量分数，每档12个独立复配样品，压制成25 mm直径、5 mm厚圆片，总计840份含微塑料样品加60份纯饲料参照。采用Optosky ATP8200便携式NIR光谱仪，配LWD-100W光源与SIH600 μm Y型光纤，于900–2500 nm采集，截留1100–2200 nm有效区（353变量），转吸光度。预处理涵盖均值中心化（MC）、多元散射校正（MSC）、标准正态变量（SNV）、移动平均（MA）、Savitzky–Golay（SG）平滑与去趋势（DT）。定性模型对比偏最小二乘判别分析（PLS-DA）、支持向量机（SVM）、随机森林（RF）、极端随机树（ET）、k近邻（KNN）、极端梯度提升（XGBoost）与极限学习机（ELM）；定量模型对应偏最小二乘回归（PLSR）、SVR、RF、ET、KNN、ELM、XGB。训练/测试集按Kennard–Stone算法划分，分类任务588训练/252测试，单聚合物回归80训练/40测试，超参经五折交叉验证网格搜索，训练集内应用SMOTE做1×与2×增强，测试集保持独立。

研究结果部分，3.1近红外光谱特征分析表明，七种聚合物掺杂样品在1100–2200 nm呈宽吸收带与峰重叠，纯饲料整体吸收低于多数掺杂样（1100–1850 nm差异明显），1900 nm后饲料水/蛋白/含氧基团吸收陡增致重叠加剧；随浓度升高PE、PS、PVC呈较清晰系统响应，PA、PC、PET、PP则在某些浓度级出现重叠，说明定量预测受基质背景与散射影响程度具聚合物差异性。3.2原始光谱定性模型比较中，ET以测试集准确率0.9603、精确率0.9617、召回率0.9603、F1 0.9602居首，SVR与ELM次之（F1分别0.9437、0.9401），KNN/XGB/RF训练集近满分但测试集下滑显过拟合，PLS-DA最低（0.8810）证线性结构难抓分布式判别信息。3.3预处理对定性影响有限，原始谱与MC+ET同达96.03%，MSC/SNV后SVR最佳94.05%，MA后KNN 94.44%，SG/DT后ET 94.44%/94.05%，整体ET在原始/MC下鲁棒性最强。3.4原始光谱定量比较显示SVR对PA、PC、PE、PVC最优（R²分别0.7254、0.7569、0.9574、0.9846，PVC的RPD=8.1642），PE次优，PS由KNN达R²0.9237，PET由RF达0.7925，PP由KNN达0.7867但训练测试落差大；PA、PC、PET、PP信号弱或基质干扰强。3.5预处理对定量呈聚合物依赖：PVC经MA+SVR微升至R²0.9851，PE经MC+SVR至0.9617，PS原始KNN已最优0.9237不升反平；PA经SG+SVR升至0.7639，PC经MA+SVR至0.8000，PET经SG+RF至0.8138，PP经SNV预处理由0.7867跃至0.9207（MSC近似），证PP对散射校正极敏感。3.6 SMOTE增强效应非一致：PA最优模型由SVR转KNN，ΔR²=0.130；PP由KNN保持但ΔR²=0.114；PE转XGB（+0.054），PET转ET（+0.049），PC微升0.039，PS微升0.018；PVC原模型已极高增益有限；SVR对PA在+1x/+2x下反降，证增强受益限于训练覆盖稀疏且连续响应聚合物，非普适策略。

讨论部分指出，便携式NIR-机器学习在复杂饲料基质中可抓多波段弱变异，非线性集成（ET）胜出PLS-DA契合谱信息分布广之机制；定量聚合物依赖性源于特征强度/特异性/与基质重叠度/散射敏感度差异，SNV/MSC利PP而PVC/PE/PS原始谱已足；SMOTE通过邻域插值扩局部覆盖，对PA/PP增益大但不能解本征重叠与异质性，且合成样本非独立测量故不提分析灵敏度。局限含纯饲料未入模型与零浓度验证、0.01%非正式LOD/LOQ、单一配方CP 522与单聚合物体系、未涉粒径/批次/品牌变异。结论部分翻译如下：该研究建立NIR-机器学习途径对鸡饲料中PA、PC、PE、PET、PP、PS、PVC七种微塑料做定性鉴别与定量预测；定性ET测试准确率0.9603，定量PVC原始谱SVR达R²0.9846、RPD 8.1642，PE/PS次之，PA/PC/PET/PP受基质吸收与散射制约；预处理与SMOTE增强具聚合物依赖性；便携式NIR-机器学习在受控实验室条件下为饲料微塑料快速无损筛查提供概念验证与方法论参照。