拉曼光谱结合模式识别方法用于大豆原油掺伪的快速判别

大豆原油是我国的战略储备物资,然而目前储油市场上频繁出现大豆原油掺混的现象严重影响了食用油储备安全。基于此,通过大豆原油与部分植物精炼油拉曼谱图的特征差异,并结合主成分分析-支持向量机(PCA-SVM)模式识别建立了大豆原油是否掺伪的快速判别方法。以28个大豆原油、46个精炼油、110个掺伪油的拉曼谱图为模型样本;选择位于780～1 800 cm-1波段的谱图,预处理方法同时采用Y轴强度校正、基线校正和谱图归一化法;在此基础上应用PCA法提取特征变量,即以贡献率最高前7个主成分为变量进行SVM分析。SVM校正模型的建立是以随机选取的20个大豆原油和75个掺伪油样组成校正集,以8个大豆原油和35个掺伪油样组成验证集,分别运用并比较四种核函数算法建立的大豆原油SVM分类模型,并采用网格搜索法(grid-search)优化模型的参数,以四种模型的分类性能作为评判标准。结果表明：应用线性核函数算法构建的SVM分类模型可以很好地完成掺伪大豆原油的判别,校正集识别准确率达到100%,预测结果的误判率为0,判别下限为2.5%。结果表明应用拉曼光谱结合化学计量学能够用于大豆原油掺伪的快速鉴别。拉曼光谱简便、快速、无损、几乎没有试剂消耗,适合现场检测,从而为大豆原油的掺伪分析提供了一种新的备选方法。     

基于共聚焦拉曼光谱技术的油菜菌核病早期判别分析

油菜菌核病是一种真菌性病害,可造成油菜产量严重减少,而快速准确地进行病原物的早期侵染对于植物病害防治意义重大。采用共聚焦拉曼光谱(500～2 000 cm-1波数范围内)技术结合化学计量学方法对油菜菌核病早期侵染进行判别分析。采用共聚焦拉曼光谱仪采集健康和接种12 h核盘菌的油菜叶片表面拉曼光谱,应用小波变换(wavelet transform,WT)进行拉曼光谱预处理以去除荧光背景。并利用基于全谱范围的偏最小二乘判别分析(partial least squares-discriminant analysis,PLS-DA)的回归系数(regression coefficient,RC)进行特征峰的识别,选出983,1 001,1 205,1 521,1 527,1 658,1 670和1 758 cm-1共八个特征峰用于建立PLS-DA模型进行油菜菌核病的早期侵染判别,其识别准确率为100%。结果表明：拉曼光谱技术结合化学计量学方法能够实现油菜叶片中菌核病早期侵染的检测,这为后续探究核盘菌与油菜叶片互作过程以及为进一步的病害早期监测和预防提供理论参考。     

应用近红外光谱技术实现转双价基因(Cry1Ab/Cry2Aj-G10evo)玉米的快速识别

转基因技术在过去的几十年里快速发展, 然而此项技术对生态环境、伦理道德等可能带来的影响尚存争议,因此针对农作物的转基因成分检测和鉴别的相关技术研究十分重要。本研究以转双价基因(cry1Ab/cry2Aj-G10evo)玉米籽粒和玉米面粉为研究对象,采用近红外光谱仪采集900～1 700 nm波段范围的光谱,结合 Savitzky-Golay(SG)平滑算法对提取出的光谱数据进行去除噪声处理。基于全波段光谱和PCA主成分分别建立了偏最小二乘判别分析(PLS)和支持向量机判别模型(SVM)。试验结果表明,在转基因玉米籽粒全谱的判别分析模型中,SVM判别模型效果要优于PLS判别模型,SVM模型识别正确率达到90%以上,PLS的模型识别率只有85%左右。以PCA降维后建立的模型中,SVM模型也取得了最优的效果,建模集和预测集识别正确率达到100%。虽然转基因玉米在研磨加工后外源蛋白和DNA有所下降,但是转基因玉米粉末基于全波段光谱建立的SVM模型的建模集正确率仍有90.625%。结果表明应用近红外光谱技术集合化学计量学方法对转基因玉米的鉴别是可行的,为转基因玉米乃至其他转基因农产品的鉴别提供了技术支持,具有重要的理论意义和应用价值。     

基于拉曼光谱快速鉴别新陈大米的方法研究

利用拉曼光谱技术结合化学判别方法建立新陈大米拉曼光谱判别模型。选取合适的样品预处理方式,使用拉曼光谱仪对新陈大米共计60组样品进行检测,在785nm波长的激光下,获取样品200~2 400cm-1的拉曼光谱信息,并对原始拉曼光谱进行基线校正、平滑、滤波等处理。应用主成分分析法(PCA)对光谱数据进行降维处理及粗分类鉴别;基于偏最小二乘分析法(PLS),建立新陈大米快速鉴别模型,该模型对建模训练集鉴别正确率为100%,模型验证集鉴别正确率为95%。结果表明:该模型判断新陈大米是可行的,为稻谷新陈度的快速判别提供了一种新的方法。     

基于高光谱成像技术和MNF检测苹果的轻微损伤

苹果损伤是一种发生在水果采摘和产后处理阶段的不可避免的主要缺陷。为了快速有效地识别苹果的轻微损伤,以具有代表性的双色红富士苹果为研究对象,提出了一种以高光谱成像和最低噪声分离(MNF)变换的苹果轻微损伤识别检测方法。首先,使用高光谱成像系统获取苹果的可见-近红外波段(400~1 000 nm)的图像,对比发现全波段的最低噪声分离变换比主成分分析(PCA)变换可获得更好的识别效果;其次,利用I-RELIEF算法对正常表皮和损伤区域的光谱进行分析得出权值系数图,依据该系数曲线挑选出了5个特征波段(560,660,720,820和960 nm);最后,特征波段和最低噪声分离变换开发了损伤苹果的识别检测算法。利用该算法对80个正常苹果和含有不同时间阶段轻微损伤的苹果进行试验,损伤识别总体正确率为97.1%,试验结果表明,利用该方法和选取的特征波段可以快速有效地识别苹果的早期轻微损伤,为利用多光谱成像技术和最低噪声分离变换在线检测苹果轻微损伤奠定了基础。     

重金属铜胁迫苹果砧木根系的显微拉曼光谱诊断研究

重金属污染会影响农作物的正常生长,如何快速准确的实现对农作物中重金属的检测已成为亟待解决的问题之一。传统植物中重金属检测依赖于化学方法,虽然可以实现重金属含量的精准检测,然而其操作过程繁琐,并且无法实现批量样本的检测,更无法实现重金属胁迫下植物组织的原位微观检测。拉曼光谱具备无损探测固体、液体和气体状态的分子振动信息、光谱分辨率高和对水分不敏感等优势,因此利用拉曼光谱技术检测农作物中重金属含量具有可行性。苹果砧木是苹果树幼苗嫁接的基础,能够保障后期的苹果树体健康以及苹果果品品质与产量,而苹果砧木根系受到重金属污染,阻碍其健康生长并影响苹果树幼苗的抗逆性,因此探明重金属与苹果砧木根系互作机理十分必要。该研究以5组不同浓度CuSO₄·5H₂O溶液胁迫下的苹果砧木为研究对象,首先采集不同铜离子（Cu2+）胁迫梯度下苹果砧木根系的拉曼散射光谱,利用自适应迭代重加权惩罚最小二乘法（Air-PLS）和S-G平滑方法对所获得的拉曼光谱数据进行预处理,去除荧光影响以及进行基线校正;其次建立偏最小二乘判别分析（PLS-DA）模型和支持向量机（SVM）判别模型,结果表明：基于显微拉曼光谱和SVM,PLS-DA判别模型对苹果砧木根系的铜离子胁迫进行判别,SVM模型准确率可达100%,PLS-DA模型准确率为96%,能够较好的预测出苹果砧木受重金属铜的胁迫程度;最后基于特征拉曼光谱峰1 096,1 329,1 605和2 937 cm-1进行苹果砧木根系横截面的化学成像可视化研究。研究结果表明,拉曼光谱技术结合Air-PLS和S-G平滑建立的SVM模型和PLS-DA模型可以快速、有效地进行苹果砧木根系受重金属胁迫程度的诊断,为重金属胁迫农作物检测提供新的思路,对农作物的重金属逆境胁迫互作机理诊断具有理论指导意义。     

基于拉曼光谱技术鉴别新陈大米的方法研究

基于拉曼光谱检测技术结合化学判别方法,建立新陈大米拉曼光谱判别模型;建立适当的样品预处理方法,确保样品制备的均一性,使用拉曼光谱仪对新陈大米共计60组样品进行检测,在785 nm波长激光激发下,获取样品200～2 400 cm-1的拉曼光谱信息;对原始拉曼光谱进行基线校正、平滑、滤波等处理。利用主成分分析法（PCA）对拉曼光谱进行降维处理及粗分类鉴别;基于偏最小二乘分析法（PLS）,建立新陈大米快速鉴别模型,该模型对建模训练集鉴别正确率为100%,模型验证集鉴别正确率为95%。结果表明：该模型判断新陈大米是可行的,为大米新陈度的快速判别提供了一种新的方法。     

近红外光谱法判别鲍鱼品种的研究

利用近红外光谱分析技术结合化学计量学方法对三种鲍鱼快速分类方法进行研究,为鲍鱼分类提供一种新的方法和手段。使用JDSU便携式红外光谱仪采集产地为莆田的91只,18月龄的绿盘鲍、皱纹盘鲍和红壳鲍三种鲍鱼的光谱数据。分别采用簇类独立软模式法(SIMCA)和偏最小二乘判别分析法(PLSDA)建立三种鲍鱼的快速分类模型。结果表明,一阶导数处理后SIMCA模型达到最优;先平滑后二阶导数或者单独使用均值中心化处理能使PLS-DA模型达到最优,其中PLS-DA模型效果更好,训练集和检验集的分类识别正确率分别为100%和97%,能满足鲍鱼现场快速分类的要求。     

主成分分析结合支持向量机辅助激光诱导击穿光谱对塑料快速分类识别

大量废弃的塑料制品给生态环境造成严重破坏,当务之急是要对塑料进行分类回收。传统的分类方法普遍存在成本高,效率低,操作复杂等问题,不能满足工业生产的需要。激光诱导击穿光谱技术由于具备简单灵活,快速灵敏等优点,在物质鉴别领域有广泛应用。采用激光诱导击穿光谱技术结合主成分分析（PCA）和支持向量机（SVM）算法对20种塑料进行分类识别研究。由于目前有关塑料分类识别速率的研究报道较少,该实验在保证识别准确率的前提下,进一步研究和分析实验过程耗费的时间,满足工业生产中快速分类的要求。每种塑料采集100组光谱数据,随机选取50组数据作为训练集建立模型,余下50组作为测试集测试模型的分类识别效果,所以训练集和测试集各有1 000组光谱数据。将训练集的数据不加处理地输入SVM中进行训练,并采用5折交叉验证建立最佳模型,此时测试集的识别准确率为99.90%,建模时间为1小时58分41.13秒,预测时间为11.96 s。由此可见,单纯使用SVM算法可以得到很高的准确率,但是需要耗费大量时间。为了提高实验效率,引入主成分分析算法,将原来的高维数据变换成低维数据,并用降维后的数据训练模型。针对不同的主成分个数,均采用随机训练十次再取平均值的方法获得相关数值。实验表明,当选取主成分个数为13时,得到相应的识别准确率为99.80%,而PCA处理时间为1.44 s,建模时间为12.16 s,预测时间仅为0.02 s。虽然PCA算法结合SVM算法在对20种塑料进行分类识别时准确率有轻微下降,但是大大减少了模型训练的时间,实验效率得到很大程度的提高。结果表明,结合两种算法辅助激光诱导击穿光谱可以对塑料进行快速准确的分类识别。     

高光谱成像的油菜和杂草分类方法

利用高光谱成像技术结合化学计量学方法对油菜中的杂草进行分类识别。采用近红外高光谱技术,通过正态变量变换(SNV)、去趋势化(De-trending)、多元散射校正(MSC)、移动平均平滑法(MA)、多项式卷积平滑法(SG)、基线校正(baseline)及归一化(normalize)算法对光谱数据进行预处理,采用主成分载荷(PCA loadings)、载荷系数法(x-LW)、回归系数法(RC)、连续投影算法(SPA)分别进行特征波长提取,采用偏最小二乘判别分析(PLS-DA)、极限学习机(ELM)和支持向量机(SVM)建立分类模型。结果表明,基于De-trending 预处理,通过PCA loadings,x-loading weights及SPA特征波长提取方法,基于极限学习机ELM算法建立的模型取得了最优的分类效果,建模集和预测集的分类精度均达到100%,另引入平均分类精度的指标,发现不同试验时间下,模型分类精度变化不大,表明应用近红外高光谱成像技术对油菜和杂草进行分类是可行的。     

基于拉曼光谱的苹果中农药残留种类识别及浓度预测的研究

应用拉曼光谱技术结合化学计量学方法能有效的实现果蔬中农药残留的定性定量分析。本研究借助实验室自主研发的拉曼光谱检测系统,对苹果中溴氰菊酯和啶虫脒的快速无损识别和检测进行了探索。定性分析时将拉曼峰574 和843 cm-1分别作为识别溴氰菊酯和啶虫脒的拉曼指纹,当苹果中的溴氰菊酯和啶虫脒残留的含量分别为0.78和0.15 mg·kg-1时,两种农药的特征峰仍清晰可见。定量分析首先对光谱进行多种预处理（Savitzky-Golay平滑、一阶导、二阶导、基线校准、标准正态变量变换）,结合偏最小二乘法分别建立苹果中溴氰菊酯和啶虫脒含量的定量模型。结果表明,采用8次多项式拟合进行基线校准的预处理方法效果最好,对于溴氰菊酯,偏最小二乘模型预测值与气相色谱法测定值的相关系数和预测均方根误差分别为0.94和0.55 mg·kg-1,对于啶虫脒,其偏最小二乘模型的相关系数与预测均方根误差分别为0.85和0.12 mg·kg-1。本研究证实了利用拉曼技术对苹果农残进行无损检测的可行性,使用该方法进行检测时,在光谱测定前不需要进行前处理,光谱测定后样品无任何损伤,该技术实现了果蔬农残的现场检测,可在检测部门、果蔬加工企业、超市、市场等场所得到推广使用,为果蔬品质安全提供了一种无损、快速和环保的检测方法。     

基于高光谱成像技术的山楂损伤和虫害缺陷识别研究

采用高光谱成像技术（420～1 000 nm）对山楂的缺陷（表面的损伤以及虫害区域）进行识别研究。共采摘了134个样品,包含损伤果46个、虫害果30个、损伤及虫害果10个和完好果48个。考虑到山楂的花萼、果梗与损伤、虫害的RGB图像有相似的外观特征,容易造成误判,利用高光谱成像系统采集了损伤、虫害、完好、花萼和果梗五个区域一共230个山楂样本的高光谱图像,并提取相应的感兴趣区域（region of interest, ROI）,得到了样本的光谱数据。使用标准归一化（standard normalized variate, SNV）,卷积平滑（savitzky golay, SG）,中值滤波（median filter, MF）,多元散射校正（multiplicative scatter correction, MSC）方法进行光谱预处理,建立偏最小二乘（partial least squares method, PLS）判别分析模型,结果表明经过SNV预处理后的预测结果较好。最后选取SNV作为预处理方法。应用回归系数法（regression coefficients, RCs）从全波段中提取10条特征波段（483,563,645,671,686,722,777,819,837和942 nm）,利用Kennard-Stone算法将各类样本按照3:1的比例随机分成训练集（173个）和测试集（57个）,并对其建立最小二乘支持向量机（least squares-support vector machine, LS-SVM）判别模型,山楂缺陷的正确识别率为91.23%。然后,运用主成分分析（principal componentanalysis, PCA）进行10条敏感波段下单波段图像的数据压缩,分别采用“sobel”算子和区域生长算法“Regiongrow”识别出86个缺陷山楂样本的边缘与缺陷特征区域,得出单损伤、单虫害和损伤及虫害样本的识别率分别为95.65%,86.67%和100%。研究结果表明：采用高光谱成像技术可以对山楂的损伤、虫害、花萼和果梗进行定性分析和特征识别,该研究为山楂的缺陷无损检测提供了理论参考。     

基于高光谱图像技术与迁移学习的水晶梨早期损伤检测

梨在储藏、包装和运输等过程中均可能发生不同程度的机械损伤,若不及时剔除损伤梨,损伤可能会逐渐严重而演变成腐烂,造成严重的经济损失。为建立一种梨早期损伤检测及损伤时间评估的快速、无损检测方法,采用高光谱图像结合迁移学习模型对损伤早期水晶梨进行识别。以无损伤、挤压损伤24 h和挤压损伤48 h的水晶梨为研究对象,应用高光谱成像系统采集样品的高光谱图像,共获取无损伤、挤压损伤24 h和挤压损伤48 h的水晶梨高光谱图像各80帧。对高光谱图像进行主成分分析,选择主成分图像4,5,6（PC4,PC5,PC6）作为检测水晶梨损伤的特征图像,将3个主成分图像拼接后进行数据扩充共得到无损伤、挤压损伤24 h和挤压损伤48 h的特征图像各160帧。按照9∶1比例划分样本训练集和测试集后,分别建立了支持向量机（SVM）、k-近邻（k-NN）和基于ResNet50网络的迁移学习损伤识别模型。SVM、k-NN和基于ResNet50网络的迁移学习模型对测试集样本总体识别准确率分别为83.33%,85.42%和93.75%,基于ResNet50网络的迁移学习模型识别效果最佳,其对测试集中无损伤、挤压损伤24 h和挤压损伤48 h的样本正确识别率分别达到100%,83%和95%。该研究结果表明,高光谱图像技术结合基于ResNet50网络的迁移学习模型可实现水晶梨早期损伤检测,并对损伤时间有较好的预测效果,且损伤时间越长,识别准确率越高。     

Raman spectroscopic investigation of frozen and deparaffinized tissue sections of pediatric tumors: neuroblastoma and ganglioneuroma

Raman spectroscopy is a nondestructive technique that can provide information at the molecular level about the biochemicals in tissues. We have investigated the cellular regions in neuroblastoma and ganglioneuroma using Raman spectroscopy and compared their spectral characteristics with those of the corresponding normal adrenal gland. Thin sections from both the frozen and the corresponding formalin‐fixed paraffin‐processed (FFPP) tissues were studied in conjunction with the pathological examination of the tissues. Investigation of the spectral data shows that the normal adrenal gland tissues have higher levels of carotenoids, lipids, and cholesterol compared with the neuroblastoma and ganglioneuroma frozen tissues. However, in comparison with the frozen tissues, the FFPP tissues show a significant alteration of several biochemicals, including the complete removal of carotenoids, lipids, and cholesterol in the adrenal tissues. A quantitative analysis using chemometric methods of principal component analysis and discriminant function analysis of the Raman spectral data obtained from the frozen tissues show a clear‐cut classification among pathological groups with high sensitivity and specificity. We have validated the classification results of the FFPP tissues against a training set data obtained from the archived FFPP tissues of nine other patients. The validation process correctly identified and grouped the data with the training set of normal adrenal gland (>97% of the time) and neuroblastoma (100% of the time) tissues, whereas the validation was not so strong for ganglioneuroma. This study shows that Raman spectroscopy combined with chemometric methods can be successfully used to distinguish neuroblastoma and ganglioneuroma at cellular level in frozen tissue sections. This study also shows that formalin fixation and paraffinization/deparaffinization of tissues can alter their biochemical composition. Copyright © 2012 John Wiley & Sons, Ltd.     

傅里叶变换红外光谱结合化学计量学鉴别预包装纯菠萝汁中外源糖

为了快速、准确鉴别预包装纯菠萝汁是否掺有外源性糖,采用傅里叶变换衰减全反射中红外光谱技术采集900～1 500 cm-1范围内不同批次的预包装纯菠萝汁样品和掺入甜菜糖浆、大米糖浆、木薯糖浆的菠萝汁掺假样品的中红外光谱共计234例,以线性判别分析和支持向量机分析为掺假鉴别模型的建模方法,比较了全波段谱图与通过主成分载荷系数分析选取特征波长图谱的两种掺假鉴别模型。研究表明,全波段图谱的线性判别分析和支持向量机分类模型对验证集的判断正确率均高于88%;选取8个特征波长之后,线性判别分析模型验证集判断正确率提高至96.15%,支持向量机模型验证集判断正确率提高至94.87%,且模型输入变量由312个减少到8个。利用傅里叶变换衰减全反射中红外光谱技术结合化学计量学方法选取特征波长后建立的模型可以较好的应用于预包装纯菠萝汁外源糖的鉴别。     

基于拉曼光谱的大豆细菌性病害标志物研究

大豆在生长过程中因病害影响其产量会急剧下降,如果不及时判别出病害种类,喷洒相关农药,病害严重的大豆甚至会绝产.及时判别病害种类进行合理施药,阻止病害进一步发展是保证大豆安全生产的重要环节.目前,基于大豆植株细菌性病害的病原菌鉴定和聚合酶链式反应(polymerase chain reaction,PCR)的鉴定方法,最...     

拉曼光谱技术在病理诊断中的研究进展

拉曼光谱技术能够提供与物质特定分子结构相关的光谱信息,可用于识别生物组织微小的生化变异,具有快速、实时、无损、无需样本预处理等优点,在临床病理诊断领域极具应用前景。与常规组织病理学分析相比,拉曼光谱技术能够直接检测活体组织,简化了分析程序,缩短了诊断时间。人体病变组织的细胞分子组成和结构可能发生变化,这为拉曼光谱技术在组织病理诊断中的应用提供了检测依据。基于组织分子组成与结构的差异,结合机器学习和化学计量学方法,拉曼光谱技术可以提供客观的诊断信息,实现快速、低侵入的病理诊断。回顾了近十年来拉曼光谱技术在组织病理诊断中的研究进展,对取得的关键成果进行了总结,阐述了当前离体和活体应用拉曼光谱技术的一些关键问题。针对离体拉曼光谱检测,重点评估福尔马林固定石蜡包埋样本、冷冻样本和新鲜组织样本等离体样本的适用情况;阐述拉曼光谱数据收集的关键技术,包括适用光源、光谱范围,以及病理样本光谱采集的方式等。对于活体拉曼光谱检测,重点介绍了活体检测研究中拉曼光谱技术应用的两种形式：结合医用内窥镜进行体内检测,以及开放手术中的直接检测;综述了临床适用的拉曼系统,重点介绍了当前活体拉曼研究中应用的光纤探头。同时,文章也讨论了拉曼光谱数据的处理与分析方法,通过光谱预处理,特征提取与分类识别,构建拉曼光谱病理诊断模型,在小样本范围能够获得较好的诊断结果。考虑临床实际应用,仍需要不断优化分析方法,实现拉曼光谱与生化信息的关联,将样本个体差异的影响纳入分类模型中,以提升模型性能。文章对拉曼光谱应用于病理诊断中的关键问题进行了讨论,为进一步开展研究提供参考。未来需要更深入和广泛地开展离体和活体研究,以促进拉曼光谱技术在临床中的应用。     

Diagnosis of head and neck squamous cell carcinoma using Raman spectroscopy: tongue tissues

Raman spectroscopy is a powerful optical technique capable of providing the structural information at the molecular level. Thus, the technique can be used to detect biochemical changes associated with carcinogenesis and identify the biomolecules involved in cancer. We studied the Raman spectral characteristics of normal, carcinoma in situ, and invasive squamous cell carcinoma (SCC) tissues of tongue, and identified the spectral features that can discriminate these three tissue types. We found that the intensities of Raman bands assignable to tryptophan increase while those attributable to protein keratin decrease when tissue changes from normal to invasive SCC. The variation observed in the intensity of many discriminating peaks including those of tryptophan and keratin as tissue changes from normal to carcinoma in situ and then to invasive SCC suggests that Raman spectroscopy can be used to monitor progression of the disease. We have also analyzed the data with multivariate statistical methods such as principal component analysis and discriminant function analysis. These chemometric methods clearly separate the whole data into three distinct groups consistent with results of pathology. We were able to detect with 91% success rate the normal and carcinoma in situ tissues and with 89% accuracy the invasive SCC tissues of the tongue. Copyright © 2011 John Wiley & Sons, Ltd.     

SERS技术用于苹果表面有机磷农药残留的检测

传统农药残留检测方法比较繁琐、耗时、破坏样品,快速、无损、实时在线是农残检测的发展方向。本文利用表面增强拉曼光谱技术,以苹果为载体,有机磷农药甲拌磷和倍硫磷为研究对象,初步探讨了苹果表面甲拌磷和倍硫磷农药的快速无损检测方法。结果表明,运用表面增强拉曼光谱技术,可使两种有机磷农药的特征频率较易识别,并选取甲拌磷的728 cm-1和倍硫磷的1 512 cm-1 处的拉曼信号作为定量分析目标峰,采用内标法建立甲拌磷、倍硫磷的线性回归模型,可以作为定量分析甲拌磷、倍硫磷的参考依据。