基于高光谱成像的西兰花农药残留无损检测方法研究

本研究应用了400-1000nm的高光谱相机，可采用杭州彩谱科技有限公司产品FS13进行相关研究。光谱范围在400-1000nm，波长分辨率优于2.5nm，可达1200个光谱通道。采集速度全谱段可达128FPS，波段选择后最高3300Hz（支持多区域波段选择）。

西兰花，属于十字花科芸苔属甘蓝的一个变种，原产于意大利，于19世纪末传入我国。西兰花可食用部分为肥嫩的花蕾球及花茎，口感爽脆，且其营养价值极高，有“蔬菜皇冠”的美誉。种植的西兰花除了满足国内消费需求外，还远销国际市场，主要出口日本、韩国、新加坡、香港、中东等国家和地区。但西兰花生长过程中，发生害虫种类主要有小菜蛾、菜青虫、蚜虫、烟粉虱、斜纹夜蛾等病理性病害主要种类有∶霜霉病、猝倒病、细菌性黑腐病、菌核病、软腐病等等，因此西兰花种植过程中农药的使用不可避免。2002年，日本检出我国出口西兰花中甲胺磷超标，暂停进口我国西兰花；2006年，日本对进口西兰花的最大农药残留进行了大幅修订，并且相关标准至今还在不断调整2012年，我国出口欧盟的西兰花因为虫螨腈超标被扣，因此农药残留超标是西兰花出口受阻的重要因素。本文通过不同种类和不同浓度农药对西兰花造成光谱特性的改变，利用高光谱成像技术，采集各类西兰花的高光谱信息，利用高光谱信息建立判别模型，并用模型探究西兰花农药残留的种类和浓度，为西兰花农药残留无损检测提供一种新思路。

本研究以日本秀炎西兰花为研究对象，主要针对其表面农药残留进行无损检测，应用高光谱成像技术结合化学检测方法，对西兰花表面农药残留种类无损检测、低浓度阿维菌素残留量无损检测进行初步研究。主要研究结果如下∶

（1）基于高光谱图像的西兰花表面多种农药残留种类检测研究。利用高光谱图像技术采集四组不同农药残留的西兰花样本图像（400-1000mm），根据图像信息选取感兴趣区域的平均光谱后，针对西兰花表面凹凸不平的特点采用分段多元散射校正算法进行预处理，有效消除颗粒造成的非线性光散射影响，分别采用马氏距离算法、最小二乘支持向量机算法、人工神经网络和极限学习机算法基于全光谱信息进行分类建模。对比各类模型结果，人工神经网络分类算法效果最优，训练集和测试集识别率分别为99.17%和98.33%。为剔除大量高光谱冗余数据，提高模型的识别速度，采用主成分分析算法选取前10个主成分和连续投影算法选择8个特征值波长（458.51、500.02、522.13、551.77、614.04、720.32、769.08、818.26nm）进行特征提取，分别建立基于特征信息的判别模型。在实验分类器中，基于SPA 特征波长的极限学习机模型识别效果均优于其他三类分类器，训练集的正确率为98.33%，测试集的正确率为96.67%。

（3）基于高光谱图像的西兰花表面低浓度阿维菌素残留定量检测研究。利用高光谱成像系统采集5组（共100颗）喷有不同浓度梯度阿维菌素农药西兰花样本（900-1700nm）。使用液相色谱-质谱联用法根据GB23200.20-2016标准对5组西兰花进行具体阿维菌素残留量抽样检测，测得各组浓度分别为24.25μg/Kg、82.66μg/Kg、126.49μg/Kg、151.57μg/Kg和170.03μg/Kg。将原始光谱数据进行提取和预处理后，结果表明，基于全波段光谱数据的极限学习机模型识别效果最好，准确率为72%。

（4）基于卷积神经网络的西兰花表面阿维菌素低浓度残留检测方法研究。针对本文研究的西兰花表面低浓度阿维菌素残留检测模型识别率较低的问题，提出一种将采集的阿维菌素残留浓度在24.25μg/Kg至170.03μg/Kg之间的西兰花光谱信息转换为灰度图的方法，利用卷积网络学习不同阿维菌素残留浓度西兰花样本光谱数据的灰度图之间变化的纹理