菠菜是我國普遍栽培的品種，為極常見的蔬菜之一，以其鮮、嫩的品質(zhì)以及較高的營養(yǎng)價值，深受廣大消費(fèi)者喜愛，市場需求量大且較容易種植，具有很好的經(jīng)濟(jì)價值。在菠菜的生長過程中，有的農(nóng)戶為保證其免受各種病蟲害影響，會使用多種農(nóng)藥或殺蟲劑，農(nóng)藥大部分都?xì)埩粼诓げ巳~子上，即使采取專業(yè)的清洗也難以消除其表面的農(nóng)藥。更可怕的是有些農(nóng)戶在剛打完藥后沒多久就采摘進(jìn)行銷售，這樣就會進(jìn)一步增加農(nóng)藥殘留的量，長期食用含有農(nóng)藥殘留的蔬菜，會誘發(fā)各種疾病，甚至可能導(dǎo)致癌癥和基因突變。菠菜中的農(nóng)藥殘留是否達(dá)標(biāo)是評判菠菜質(zhì)量的關(guān)鍵因素之一，而農(nóng)藥殘留檢測中鑒別有無農(nóng)藥殘留及農(nóng)藥殘留的種類是農(nóng)藥殘留檢測的前提。果蔬表面的農(nóng)藥殘留檢測有許多成熟可行的方法，例如:氣相色譜法和高效液相色譜法，但這些方法有檢測時間長、需要依賴化學(xué)試劑、對樣品有一定的損壞、操作復(fù)雜等缺點(diǎn)。

研究表明，高光譜成像技術(shù)被廣泛用于農(nóng)產(chǎn)品品質(zhì)檢測，但將高光譜成像技術(shù)結(jié)合特征選擇算法和多種分類建模算法用于菠菜葉片表面多種類農(nóng)藥鑒別的研究未見報道。本文以不含農(nóng)藥的菠菜葉片及分別含有常用4種農(nóng)藥(菊酯、樂果、滅多威、辛硫磷)殘留的菠菜葉片為研究對象，利用高光譜成像技術(shù)、光譜預(yù)處理技術(shù)、主成分分析技術(shù)、卡方檢驗特征提取算法和分類機(jī)器學(xué)習(xí)算法對菠菜葉片農(nóng)藥殘留種類鑒別進(jìn)行研究，并結(jié)合10折交叉驗證技術(shù)選擇出了最佳特征波段和分類模型，減少了模型的運(yùn)行時間，實現(xiàn)了快捷無損識別出菠菜葉片上的農(nóng)藥殘留種類。

1實 驗

1.1材 料

實驗用的菠菜購于北京某批發(fā)市場，實驗農(nóng)藥為:氯氰菊酯、樂果、滅多威和辛硫磷。對樂果農(nóng)藥，用蒸餾水將其配置成1∶500的溶液;由于氯氰菊酯、滅多威和辛硫磷這3種農(nóng)藥難溶于水，所以用甲醇分別將其配置成1∶500的溶液。甲醇作為一種溶解劑被添加進(jìn)來，它可能會影響到含有農(nóng)藥葉片的真實光譜信息，但其作為背景因素對農(nóng)藥殘留種類的判別影響很小。如圖1為只噴灑甲醇的菠菜葉片的平均光譜曲線。把同濃度的農(nóng)藥和蒸餾水均勻噴灑到125個菠菜葉片表面，每種類噴灑25個葉片，將葉片放置12h后晾干，采集高光譜圖像。

圖1噴灑甲醇后菠菜葉片的平均光譜曲線

1.2高光譜數(shù)據(jù)采集與校正

采集高光譜數(shù)據(jù)時，將樣品放置于電動平移臺上，為了得到清晰的圖像需要多次的相機(jī)調(diào)焦和平臺運(yùn)動速度的調(diào)整，經(jīng)過多次調(diào)試，最終確定平臺的運(yùn)動速度為0．3cm/s，曝光時間0．08s。采集到的高光譜成像數(shù)據(jù)為樣品的光譜數(shù)據(jù)和圖像數(shù)據(jù)組成的三維數(shù)據(jù)立方體，為了盡可能降低圖像噪聲和暗電流的影響，需要將采集的原始高光譜圖像進(jìn)行黑白校正，在采集高光譜數(shù)據(jù)時將相機(jī)對準(zhǔn)白板采集的數(shù)據(jù)為W，蓋上CCD相機(jī)鏡頭采集的數(shù)據(jù)為D，其校正公式為

式中:R為校正后的高光譜圖像;I為原始高光譜圖像;D為全黑的標(biāo)定圖像;W為全白的標(biāo)定圖像。校正的工具為高光譜系統(tǒng)自帶的軟件SpecVIEW。后續(xù)所用到的分析軟件包括:Matlab2016b、Envi5．1、IBMSPSSStatistics22.0和python3.6。

2結(jié)果與討論

2.1樣品光譜曲線分析

首先利用Envi5.1軟件選取菠菜葉片上的感興趣區(qū)域(Regionofinterest，ROI)，為了充分利用每個菠菜樣品同時增加模型訓(xùn)練樣本數(shù)，每個菠菜葉片樣品選取4個ROI，ROI的選取避開主莖干，選取ROI的位置如圖2所示。ROI選取的像素點(diǎn)數(shù)為50個，計算出ROI內(nèi)像素點(diǎn)光譜的平均值，以該平均值作為該樣品其中的一條光譜記錄，最后一共搜集到500條光譜曲線，每類樣品100條。為了清晰分辨出不同種類的樣本之間的光譜信息差異，對每類樣品100條光譜曲線求平均，平均光譜曲線如圖3所示。從圖3中可以看出，不同種類農(nóng)藥殘留的菠菜葉片光譜反射率有一定的差異，與正常葉片不同，滴過農(nóng)藥的葉片的光譜反射率在某些波段明顯低于正常葉片，而不同種類的農(nóng)藥殘留葉片光譜反射率也有一定的差異。目前已有相關(guān)研究表明:農(nóng)藥脅迫會導(dǎo)致植物的某些生理生化指標(biāo)(如植物內(nèi)部的組織形態(tài)、葉綠素、可溶性多糖等)發(fā)生改變，這些改變將會影響近紅外波段的植被反射率，所以可以利用光譜信息來判別菠菜是否有農(nóng)藥殘留及殘留農(nóng)藥的種類。

圖3無殘留和不同種類農(nóng)藥殘留菠菜葉片表面ROI平均光譜曲線

2.2菠菜葉片ROI光譜信息預(yù)處理

在菠菜葉片高光譜數(shù)據(jù)的采集過程中，所測樣品的色澤差異、葉片表面的不平整性、葉片的水分含量以及質(zhì)地不完全相同等因素可能會引起樣品發(fā)生散射現(xiàn)象進(jìn)而掩蓋與農(nóng)藥相關(guān)的光譜信息。農(nóng)藥殘留分析屬于痕量分析的一種，因此由于散射所引起的光譜差異可能會大于農(nóng)藥種類不同所引起的光譜差異，所以需要用多元散射校正算法(Multiplicativescattercorrection，MSC)對原始光譜曲線進(jìn)行校正，MSC可以消除漫反射光譜的基線漂移，對樣品不均勻性造成的噪聲也有較好的效果，經(jīng)過散射校正后能最大程度消除光譜散射的影響。校正前后光譜曲線的對比如圖4所示。

圖4原始光譜曲線(a)和MSC校正后的光譜曲線(b)

2.3基于主成分投影的樣品識別

主成分分析(Principalcomponentsanalysis，PCA)是通過線性數(shù)據(jù)轉(zhuǎn)換的方法提取最重要的信息，從而降低數(shù)據(jù)的維度，被廣泛應(yīng)用于高光譜數(shù)據(jù)降維和分析中。在本文中，利用PCA對不同菠菜樣品的光譜數(shù)據(jù)進(jìn)行可視化判別，如圖5所示，前兩個主成分的累計貢獻(xiàn)率達(dá)到了96．5%，故用前2個主成分能較好地表示出原來的高維光譜數(shù)據(jù)，從圖中可以看出在經(jīng)過多元散射校正后不同種類菠菜樣品光譜數(shù)據(jù)分布差異明顯，因此，PCA可以更直觀地對五類菠菜樣品進(jìn)行定性識別。但PCA是無監(jiān)督算法，它分析出來的結(jié)果只和樣品的光譜數(shù)據(jù)有關(guān)而和樣品的類別無關(guān)，那些貢獻(xiàn)率小的主成分對于葉片殘留農(nóng)藥種類的鑒別也可能很重要，經(jīng)過PCA降維后的數(shù)據(jù)也失去了原數(shù)據(jù)的意義，不適合用于日后在線分析檢測的研制。綜上，有必要使用有監(jiān)督的學(xué)習(xí)算法對其進(jìn)行研究。

圖5含有不同種類農(nóng)藥殘留菠菜樣品的高光譜數(shù)據(jù)PCA分析

2.4最佳波段和分類模型

本研究中需要處理的菠菜葉片的高光譜圖像的特征維數(shù)高達(dá)256維，有必要對其進(jìn)行特征選擇以剔除冗余的特征，從而減少模型的運(yùn)行時間，為日后在線檢測設(shè)備的研制提供便利。為了選擇出最優(yōu)的特征波長子集和分類預(yù)測模型，本文嘗試了統(tǒng)計學(xué)上的卡方檢驗特征選擇方法并結(jié)合常用的4種機(jī)器學(xué)習(xí)分類算法，分別為:支持向量機(jī)(Supportvectormachine，SVM)、樸素貝葉斯模型(Naivebayesianmodel，NBM)、決策樹(Decisiontree)和線性判別分析(Lineardiscriminantanalysis，LDA)?？ǚ綑z驗(Chi-squaredtest)是分類問題常用的特征選擇方法之一，該方法采用了統(tǒng)計學(xué)上的卡方檢驗，需要計算并排序各維特征與類別間的相關(guān)程度，然后只保留最相關(guān)的k維特征，k可由程序設(shè)定。為了增加模型的穩(wěn)定性，采用了10折交叉驗證的方法對樣本進(jìn)行劃分訓(xùn)練集和測試集，取10次交叉驗證預(yù)測準(zhǔn)確率的平均值和標(biāo)準(zhǔn)差對模型進(jìn)行評估。如圖6中實心淺藍(lán)線和實心紅線所示，紅線的長度代表標(biāo)準(zhǔn)差的大小，標(biāo)準(zhǔn)差為0時紅線消失，結(jié)合模型的預(yù)測準(zhǔn)確率和選擇的波長個數(shù)，藍(lán)色虛線畫出了各個模型的最優(yōu)參與分類的特征個數(shù)占總特征個數(shù)的百分比，具體的波長選擇結(jié)果及模型的預(yù)測性能如表1所示。

圖6卡方檢驗結(jié)合不同分類模型預(yù)測結(jié)果示意圖。(a)卡方檢驗結(jié)合支持向量機(jī);(b)卡方檢驗結(jié)合樸素貝葉斯;(c)卡方檢驗結(jié)合線性判別分析;(d)卡方檢驗結(jié)合決策樹。

注:圖中橫坐標(biāo)為卡方檢驗篩選出的變量個數(shù)百分比，縱坐標(biāo)為該模型預(yù)測的準(zhǔn)確率。

表1波長的選擇結(jié)果及模型的預(yù)測性能

從表1的分析可以得出，Chi-squaredtest結(jié)合LDA的判別模型相比其他模型選出的特征子集的個數(shù)最少，選擇波長的范圍為1439.3～1462nm共8個波長，分別為:1439.3，1442.5，1445.8，1449，1452.3，1455.5，1458.7，1462nm，預(yù)測的準(zhǔn)確率達(dá)到0.993，預(yù)測準(zhǔn)確率的標(biāo)準(zhǔn)差為0.009，故可認(rèn)為Chi-squaredtest結(jié)合LDA的判別模型為判別菠菜葉片上的農(nóng)藥殘留種類的最佳模型。

3結(jié)論

基于高光譜成像系統(tǒng)利用PCA對菠菜葉片上的農(nóng)藥殘留種類進(jìn)行可視化的判別分析，結(jié)果表明PCA可以直觀地對菠菜葉片上的農(nóng)藥殘留種類進(jìn)行定性識別。PCA雖然有比較直觀的優(yōu)點(diǎn)，但對本研究也有不利的地方，基于此，采用了Chi-squaredtest結(jié)合常用的4種分類建模算法篩選出了最佳波段和最優(yōu)的LDA判別模型。篩選出的8個特征波長為:1439．3，1442．5，1445．8，1449，1452．3，1455．5，1458．7，1462nm，縮短了模型的運(yùn)行時間。將這8個特征波長代入LDA模型結(jié)合10折交叉驗證技術(shù)，預(yù)測準(zhǔn)確率達(dá)到0．993且10次交叉驗證的標(biāo)準(zhǔn)差為0．009。本研究中，從將準(zhǔn)備好的樣品送進(jìn)實驗室開始到檢測結(jié)束，平均每個樣品花費(fèi)時間2min左右，未來可考慮將實驗流程實現(xiàn)自動化從而進(jìn)一步提高檢測效率。本研究可基于高光譜成像技術(shù)、光譜預(yù)處理多元散射校正技術(shù)、Chi-squaredtest特征選擇算法和分類建模算法準(zhǔn)確鑒別出菠菜葉片表面的農(nóng)藥殘留種類，為菠菜葉片的農(nóng)藥殘留種類在線檢測提供了參考。

萊森光學(xué)（LiSen Optics）作為世界領(lǐng)先的光譜學(xué)解決方案提供商，是一家提供光機(jī)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(yīng)用系統(tǒng)的研發(fā)、生產(chǎn)和銷售。致力于為客戶提供高品質(zhì)、專業(yè)化、精細(xì)化的光電技術(shù)服務(wù)。憑借著在光學(xué)行業(yè)中豐富的經(jīng)驗，我們能夠為每一位客戶“量身定做”滿足個性化需求的光機(jī)電一體化解決方案。

審核編輯 黃昊宇