基于高光谱技术检测柿子表面农药种类鉴别

我国是农业大国，农药在生产中发挥着不可低估的作用。有机磷和氨基甲酸酯类化学农药的大量使用己经给我国的环境、人畜带来了极大的危害。近几年每年我国发生农药中毒的人数超过10万人，因农药引起的食物中毒发病率高居化学性中毒之首。水果作为最主要的农产品之一，不可避免的有着被喷洒农药的危险。随着生活水平的提高，人们对自身的饮食安全极其看重。目前检测农药残留的方法主要目前常用的国内外农产品农药残留传统的检测方法主要有：气相色谱分析法、酶抑制法、超临界流体萃取法（SFE）、生物传感器法等，他们费时费力，,经济成本较高而且会对样品进行破环性检测。高光谱成像分析技术不同于光谱分析技术，可以同时处理样品的图像信息和光谱信息，可见/近红外光谱分析技术以其无损、快速、实时、多参数同时测量等优点适于果蔬生化参数的无损检测。本文主要是基于400-1000nm的高光谱成像系统，选取毒死蜱，哒螨灵，嘧霉胺提取并分析喷洒不同农药后水果表面的感兴趣区域光谱曲线，用以对喷洒不同农药的水果进行鉴别研究。

1实验材料与方法

1.1实验样品的制备与采集

以柿子为实验样品，随机选取80个颜色接近、大小一致，且成熟度较好的柿子样品。选取的三种农药分别为毒死蜱、哒螨灵以及嘧霉胺。首先对80个柿子样品进行清洗，放置通风处等其干燥完毕。然后随机将其分成4组，每种农药每组各20个（毒死蜱组、哒螨灵组、嘧霉胺以及只喷洒蒸馏水的对照组），对每组的柿子样品分别喷洒相同浓度（1：300）的农药，将它们放置在阴凉常温处12后采集高光谱图像。

1.2高光谱数据采集

1.2.1参数设置

在采集高光谱图像之前，我们先设置好它的物距（45cm）和曝光时间（0.05s），因为高光谱分选仪采集图像时是靠电移平台的移动来完成图像的推扫式采集，保持CCD镜头高度不变，为了得到清晰的图像，电移平台移动不能过快，经过实验我们以0.6cm/s的速度效果较好。

1.2.2黑白校正

在暗室和灯箱采集高光谱图像时，虽然排除了自然光的影响，但是由于CCD相机的电源稳定性、光源在某些波段的不均匀以及水果表面对光源的漫反射等因素的影响，会导致高光谱图像含有大量噪声，我们选择用黑白校正来减少噪声的影响实现对高光谱图像的反射率校准。我们先用镜头盖遮住镜头，采集得到暗背景图像D，拿下镜头，放置白板，使白板高度与柿子样品高度一致，采集得到白板高光谱图像W，校正算法如下：

其中R为校正后图像数据，S为样品原始高光谱图像数据，W为白板标定数据。D为暗背景标定数据。

2结果与讨论

2.1光谱采集以及预处理分析

对四组样品（毒死蜱组、哒螨灵组、嘧霉胺以及蒸馏水组）分别采集高光谱数据，每组20个柿子样品，采集完毕后，使用EN－VI软件依次对每个柿子都选取大小一致的感兴趣区域（RIO），得到每一个柿子的平均反射率，可以得到每组20个柿子的原始光谱反射率信息。为了直观的分辨出各组之间光谱反射率的差异，对每组20个柿子样品的光谱反射率在进行均值化处理，得到每组的平均光谱反射率曲线。利用matlab软件得到高光谱图像如图1所示。

图1平均光谱反射率

从图1可以看出不同农药以及蒸馏水组的平均反射率在400-1000nm的范围类曲线走势基本一致，并且部分波段下曲线会重叠，无法识别出光谱区别。我们可以看出在650nm处光谱有一个反射率波谷，而在700nm和800nm处有一个较小的反射率波峰。在400-600nm反射率曲线基本重叠，在900-1000nm处蒸馏水和嘧霉胺组反射率曲线基本重叠，而在600-900nm处各组反射率曲线有明显差异。

2.2特称波长的选取高光谱图像

高光谱图像的光谱数据量大，它通常有数百个波段构成，各波段具有很大相关性。如果对全波段进行分析和建模，不仅会由于波段间的冗余信息影响实验准确度，还会极大的增加计算量影响建模的效率，因此我们必须进行特征波长的选取。主成分分析（PCA）是一种线性数据处理方法，它可以去除波段间的冗余信息，将多波段信息压缩成几个具有代表性波段的转换方法。一般而言，PC-1具有最多的原始图像信息，就本实验来说，PC-3提取农药光谱信息效果更好。用ENVI软件对实验样品进行PCA分析，可以得到每个不同成分的光谱数据，通过提取PC-3的所有波段的特征向量，我们可以绘制出光谱图像PC-3的权重系数图。就权重曲线而言。我们认为波峰和波谷处对应的波长就是特征波长，可以看出610nm、650nm、700nm、800nm和940nm。可以看出这些特称波长基本与图1的反射率波峰波谷一致。

图2PC3图像光谱权重系数

2.3SVM分类

支持向量机（SVM）是一种基于统计学习理论的机器学习算法，SVM具有小样本学习、抗噪声性能、学习效率高与推广性好的优点,能够用于解决空间信息处理分析领域的遥感影像处理，SVM已被大量用于高光谱数据分类处理，且SVM比传统的分类算法的分类性能更好。首先分别从所有样品中随机选取44个样本作为训练样本集，余下的36个样品则作为测试样本集。

图3SVM训练模型

然后利用SVM算法基于特征波长下的光谱数据对样本进行分类。选择稳定性和准确性均较好的RBF核函数作为SVM核函数。由于本试验是对农药的种类进行预测识别，在这里的实测值是农药的种类，因此在试验中尝试将农药的种类进行数学赋值，用不同的数字来表示不同的农药种类。试验中将农药嘧霉胺赋值为1，蒸馏水赋值为2，哒螨灵赋值为3，毒死蜱赋值为4。从图3分析可以得到在训练集样品中只有嘧霉胺（1）有两个没有检测出，蒸馏水（2）有一个未检测出，其余样品都完全检测成功，准确率93.181%。从图4分析可以得到在测试集样品中嘧霉胺（1）只检测出来五个，蒸馏水（2）检测出六个，准确率66.67%。可以看出训练集准确率远大于测试集准确率，原因可能是训练集样品与测试集样品过少，它们相差太少产生了过度拟合。

图4SVM测试模型

莱森光学（深圳）有限公司是一家提供光机电一体化集成解决方案的高科技公司，我们专注于光谱传感和光电应用系统的研发、生产和销售。

审核编辑 黄昊宇