我國是農業大國，農藥在生產中發揮著不可低估的作用。有機磷和氨基甲酸酯類化學農藥的大量使用己經給我國的環境、人畜帶來了極大的危害。近幾年每年我國發生農藥中毒的人數超過10萬人，因農藥引起的食物中毒發病率高居化學性中毒之首。水果作為最主要的農產品之一，不可避免的有著被噴灑農藥的危險。隨著生活水平的提高，人們對自身的飲食安全極其看重。目前檢測農藥殘留的方法主要目前常用的國內外農產品農藥殘留傳統的檢測方法主要有：氣相色譜分析法、酶抑制法、超臨界流體萃取法（SFE）、生物傳感器法等，他們費時費力，,經濟成本較高而且會對樣品進行破環性檢測。高光譜成像分析技術不同于光譜分析技術，可以同時處理樣品的圖像信息和光譜信息，可見/近紅外光譜分析技術以其無損、快速、實時、多參數同時測量等優點適于果蔬生化參數的無損檢測。本文主要是基于400-1000nm的高光譜成像系統，選取毒死蜱，噠螨靈，嘧霉胺提取并分析噴灑不同農藥后水果表面的感興趣區域光譜曲線，用以對噴灑不同農藥的水果進行鑒別研究。

1實驗材料與方法

1.1實驗樣品的制備與采集

以柿子為實驗樣品，隨機選取80個顏色接近、大小一致，且成熟度較好的柿子樣品。選取的三種農藥分別為毒死蜱、噠螨靈以及嘧霉胺。首先對80個柿子樣品進行清洗，放置通風處等其干燥完畢。然后隨機將其分成4組，每種農藥每組各20個（毒死蜱組、噠螨靈組、嘧霉胺以及只噴灑蒸餾水的對照組），對每組的柿子樣品分別噴灑相同濃度（1：300）的農藥，將它們放置在陰涼常溫處12后采集高光譜圖像。

1.2高光譜數據采集

1.2.1參數設置

在采集高光譜圖像之前，我們先設置好它的物距（45cm）和曝光時間（0.05s），因為高光譜分選儀采集圖像時是靠電移平臺的移動來完成圖像的推掃式采集，保持CCD鏡頭高度不變，為了得到清晰的圖像，電移平臺移動不能過快，經過實驗我們以0.6cm/s的速度效果較好。

1.2.2黑白校正

在暗室和燈箱采集高光譜圖像時，雖然排除了自然光的影響，但是由于CCD相機的電源穩定性、光源在某些波段的不均勻以及水果表面對光源的漫反射等因素的影響，會導致高光譜圖像含有大量噪聲，我們選擇用黑白校正來減少噪聲的影響實現對高光譜圖像的反射率校準。我們先用鏡頭蓋遮住鏡頭，采集得到暗背景圖像D，拿下鏡頭，放置白板，使白板高度與柿子樣品高度一致，采集得到白板高光譜圖像W，校正算法如下：

其中R為校正后圖像數據，S為樣品原始高光譜圖像數據，W為白板標定數據。D為暗背景標定數據。

2結果與討論

2.1光譜采集以及預處理分析

對四組樣品（毒死蜱組、噠螨靈組、嘧霉胺以及蒸餾水組）分別采集高光譜數據，每組20個柿子樣品，采集完畢后，使用EN－VI軟件依次對每個柿子都選取大小一致的感興趣區域（RIO），得到每一個柿子的平均反射率，可以得到每組20個柿子的原始光譜反射率信息。為了直觀的分辨出各組之間光譜反射率的差異，對每組20個柿子樣品的光譜反射率在進行均值化處理，得到每組的平均光譜反射率曲線。利用matlab軟件得到高光譜圖像如圖1所示。

圖1平均光譜反射率

從圖1可以看出不同農藥以及蒸餾水組的平均反射率在400-1000nm的范圍類曲線走勢基本一致，并且部分波段下曲線會重疊，無法識別出光譜區別。我們可以看出在650nm處光譜有一個反射率波谷，而在700nm和800nm處有一個較小的反射率波峰。在400-600nm反射率曲線基本重疊，在900-1000nm處蒸餾水和嘧霉胺組反射率曲線基本重疊，而在600-900nm處各組反射率曲線有明顯差異。

2.2特稱波長的選取高光譜圖像

高光譜圖像的光譜數據量大，它通常有數百個波段構成，各波段具有很大相關性。如果對全波段進行分析和建模，不僅會由于波段間的冗余信息影響實驗準確度，還會極大的增加計算量影響建模的效率，因此我們必須進行特征波長的選取。主成分分析（PCA）是一種線性數據處理方法，它可以去除波段間的冗余信息，將多波段信息壓縮成幾個具有代表性波段的轉換方法。一般而言，PC-1具有最多的原始圖像信息，就本實驗來說，PC-3提取農藥光譜信息效果更好。用ENVI軟件對實驗樣品進行PCA分析，可以得到每個不同成分的光譜數據，通過提取PC-3的所有波段的特征向量，我們可以繪制出光譜圖像PC-3的權重系數圖。就權重曲線而言。我們認為波峰和波谷處對應的波長就是特征波長，可以看出610nm、650nm、700nm、800nm和940nm?？梢钥闯鲞@些特稱波長基本與圖1的反射率波峰波谷一致。

圖2PC3圖像光譜權重系數

2.3SVM分類

支持向量機（SVM）是一種基于統計學習理論的機器學習算法，SVM具有小樣本學習、抗噪聲性能、學習效率高與推廣性好的優點,能夠用于解決空間信息處理分析領域的遙感影像處理，SVM已被大量用于高光譜數據分類處理，且SVM比傳統的分類算法的分類性能更好。首先分別從所有樣品中隨機選取44個樣本作為訓練樣本集，余下的36個樣品則作為測試樣本集。

圖3SVM訓練模型

然后利用SVM算法基于特征波長下的光譜數據對樣本進行分類。選擇穩定性和準確性均較好的RBF核函數作為SVM核函數。由于本試驗是對農藥的種類進行預測識別，在這里的實測值是農藥的種類，因此在試驗中嘗試將農藥的種類進行數學賦值，用不同的數字來表示不同的農藥種類。試驗中將農藥嘧霉胺賦值為1，蒸餾水賦值為2，噠螨靈賦值為3，毒死蜱賦值為4。從圖3分析可以得到在訓練集樣品中只有嘧霉胺（1）有兩個沒有檢測出，蒸餾水（2）有一個未檢測出，其余樣品都完全檢測成功，準確率93.181%。從圖4分析可以得到在測試集樣品中嘧霉胺（1）只檢測出來五個，蒸餾水（2）檢測出六個，準確率66.67%。可以看出訓練集準確率遠大于測試集準確率，原因可能是訓練集樣品與測試集樣品過少，它們相差太少產生了過度擬合。

圖4SVM測試模型

萊森光學（深圳）有限公司是一家提供光機電一體化集成解決方案的高科技公司，我們專注于光譜傳感和光電應用系統的研發、生產和銷售。

審核編輯 黃昊宇