基于高光譜技術的哈密瓜表面農藥殘留判別分析

徐潔+++楊杰++孫靜濤+++葉晉濤++蔣偉++黃成偉++馬本學

摘要：以新疆特色水果哈密瓜為研究對象，應用高光譜技術對水果表面農藥殘留種類進行分析。配制 0.1 mg/kg 20%氰戊菊酯乳油和0.03 mg/kg 40%辛硫磷乳油農藥溶液樣本，按100 μL滴定量滴在哈密瓜表面，然后分別在紫外燈和鹵素燈環境下，采集450～1 000 nm范圍內的哈密瓜光譜圖像數據信息，提取感興趣區域（region of interest，簡稱ROI）的光譜數據。結果表明，在鹵素燈光源條件下采用貝葉斯判別法，農殘樣本的準確率為100%，利用高光譜技術能夠準確判別出哈密瓜表面農藥殘留的種類。

關鍵詞：哈密瓜；高光譜技術；無損檢測；判別分析法；農藥殘留

中圖分類號： TQ450.2+63文獻標志碼： A

文章編號：1002-1302（2016）12-0338-03

收稿日期：2015-10-29

基金項目：國家科技支撐計劃（編號：2015BAD19B03）。

作者簡介：徐潔（1991—），女，新疆阜康人，碩士，主要從事農業裝備自動控制與智能檢測技術研究。E-mail：18703083963@163.com。

通信作者：馬本學，博士，教授，主要從事農產品智能化檢測與分級裝備研究。E-mail：mbx_shz@163.com。

近年來，隨著人們生活水平的提高，消費者對食品安全問題的關注度也越來越高。根據GB/T23398—2009《地理標志產品——哈密瓜》[1]，化學農藥殘留是評判哈密瓜等級的重要指標之一，農藥殘留的主要來源是哈密瓜病蟲害的防治及農藥的噴施。近幾年氣候異常增多，哈密瓜病蟲害種類越來越多，在廣泛使用不同種類農藥的情況下，由農藥殘留引發的食品安全問題接踵而至。因此，農藥殘留檢測能夠為實施食品安全計劃提供重要技術支撐，同時對保障消費者健康也具有重要意義。

高光譜技術作為一種新興技術，在農產品品質檢測方面應用廣泛。國內外學者將光譜技術應用于農藥殘留檢測領域。薛龍等應用高光譜技術檢測臍橙表面農藥殘留，結果表明，高光譜技術對檢測濃度較高的農藥殘留效果非常明顯[2]。索少增等證明了高光譜技術結合人工神經網絡檢測梨表面農藥殘留是可行的[3]。劉民法等應用高光譜技術判別靈武長棗表面農藥殘留種類，準確率最高為100%[4-5]。魏曉暉等應用表面增強拉曼光譜、近紅外光譜、熒光激發等方法對食品中的農藥殘留進行了研究[6-8]。孫俊等研究的基于自適應提升算法的支持向量機算法能較準確地鑒別桑葉農藥殘留[9]。本研究以新疆特色瓜果哈密瓜為研究對象，采用高光譜成像技術結合距離判別法和貝葉斯判別法檢測哈密瓜表面農藥殘留種類。

1材料與方法

1.1試驗材料

60個欣源6號哈密瓜樣本，均從新疆五家渠農6師103團選購。

1.2樣本處理

為使試驗結果更加精確，首先在選擇的哈密瓜樣本中除去表面有明顯傷痕的樣本，然后對哈密瓜表面進行清潔擦拭，依次編號。根據GB14868—1994《食品中辛硫磷最大殘留限量標準》[10]和GB14928.5—1994《食品中氰戊菊酯最大殘留限量標準》[11]，分別配制濃度為0.03 mg/kg的40%辛硫磷樣本溶液和濃度為0.1 mg/kg的20%氰戊菊酯樣本溶液，并用移液槍將農藥樣本溶液滴在潔凈的哈密瓜表面，滴定量為100 μL/個。

1.3試驗裝置

試驗所用的高光譜成像系統主要包括線陣CCD攝像機（hamamatsu）、光譜儀（imspectorV10e）、物鏡、電控平移臺、150 W 光纖鹵素燈、ML-3500系列超高強度紫外燈及計算機。采集光譜時，測量試驗系統環境溫度為24 ℃，濕度為50%～55%。經多次試驗調整和參量優化，設置光譜采集波段范圍為400～1 000 nm，光譜分辨率為2.8 nm，紫外燈曝光時間為52 ms，鹵素燈曝光時間為11 ms，物距為300 mm，圖像采集速度為1.15 mm/s。

1.4圖像數據采集

高光譜圖像是一系列光波波長處的光學圖像。光譜范圍可以在紫外（200～400 nm）、可見光（400～760 nm）、近紅外（760～2 560 nm）以及波長大于2 560 nm的區域。高光譜圖像數據也被稱為圖像塊，結構如圖1所示，其中x、y二維是圖像像素坐標信息，λ是第3維波長信息。由圖1還可見，原始光譜既有特定波長下的圖像信息，又有特定像素下的光譜信息。值得注意的是，在圖像采集過程中，為避免噪音及暗電流造成的圖像失真，需要在采集前將儀器預熱30 min，并進行黑白校正。

2結果與分析

2.1感興趣區域光譜信息的提取

分別將含有辛硫磷、氰戊菊酯的農殘樣本放在鹵素燈、紫外燈環境中，采集光譜數據。創建大小為50×50像素的矩形塊，提取感興趣區域的光譜數據。由于450 nm以下的波段被噪聲干擾較大，故選取450～1 000 nm波段范圍進行光譜數據分析。在紫外燈、鹵素燈照射下，無農藥光譜曲線分別如圖2-a、圖2-b所示；含有辛硫磷的光譜曲線如圖2-c、圖2-d所示；圖2-e、圖2-f為含有氰戊菊酯的光譜曲線。

2.2光譜數據預處理

由于攝像頭中暗電流的存在以及哈密瓜表面的不平整，光照度分布較弱波段下的圖像噪聲影響較大，因此，必須對圖像進行預處理，以提高判斷的準確率。本研究對試驗數據進行smooth函數平滑處理，該方法能較好地濾除噪聲。圖3-a為紫外燈光源下平滑處理后的光譜曲線，圖3-b為鹵素燈光源下平滑[JP3]處理后的光譜曲線。由圖3-a可以看出，在波長535875 47～690.910 99 nm和747.513 581～932.386 126 nm 2個波段范圍內，3條光譜曲線差異較大，因此，在紫外燈照射條件下，選擇535～690 nm和747～932 nm為特征波段。同理，根據圖3-b在鹵素燈照射條件下的光譜曲線，選取特征波段為507.816 092～679.177 64 nm。

2.3農藥殘留樣本判別分析

2.3.1不同光源下農殘樣本的距離判別分析

在不同光源照射下，分別選取30個辛硫磷、氰戊菊酯和無農藥樣本，共90個樣本，其中15個為預測集，根據樣本在感興趣區域（ROI）的特征波長，建立距離判別分析模型，以classify為函數支持，判別函數類型為Quadratic。在紫外燈環境下，農殘樣本準確率為94.67%（圖4）；在鹵素燈環境下，農殘樣本判別準確率為89.33%（圖5）。

2.3.2不同光源下農殘樣本的貝葉斯判別分析

在不同光源照射下，分別選取30個辛硫磷、氰戊菊酯和無農藥樣本，共90個樣本，其中15個為預測集，根據樣本在ROI區域的特征波長，建立貝葉斯判別分析模型。在紫外燈環境下，農殘樣本判斷準確率為86.67%（圖6）；在鹵素燈環境下，農殘樣本判斷準確率為100.00%（圖7）。

3結論與討論

本研究采用高光譜技術以及在紫外燈、鹵素燈不同光照環境下，采用不同的判別法對哈密瓜表面農藥殘留種類進行判別。農殘樣本在紫外燈光源環境下，采用距離判別法判斷的[CM（25]準確率為94.67%，采用貝葉斯判別法判別的準確率為[CM）]

[FK（W12][TPXJ6.tif]

[FK（W12][TPXJ7.tif]

8667%。農殘樣本在線鹵素燈光源環境下采用距離判別法判別的準確率為89.33%，采用貝葉斯判別法判別的準確率為100.00%。結果表明，高光譜成像技術結合距離判別法與貝葉斯判別法可用于對農藥殘留種類進行判別。

[HS2*2][HT8.5H]參考文獻：[HT8.SS]

[1]國家質量監督檢驗檢疫總局，國家標準化管理委員會. 地理標志產品——哈密瓜 GB/T 23398—2009[S/OL]. 北京：中國標準出版社，2009：1-8. http：//www.docin.com/p-548143019.html.

[2]薛龍，黎靜，劉木華. 基于高光譜圖像技術的水果表面農藥殘留檢測試驗研究[J]. 光學學報，2008，28（12）：2277-2280.

[3]索少增，劉翠玲，吳靜珠，等. 高光譜圖像技術檢測梨表面農藥殘留試驗研究[J]. 食品科學技術學報，2011，29（6）：73-77.

[4]劉民法，張令標，何建國，等. 基于高光譜成像技術的長棗表面農藥殘留無損檢測[J]. 食品與機械，2014，30（5）：87-92.

[5]張令標. 基于高光譜成像技術的紅棗表面農藥殘留無損檢測的研究[D]. 銀川：寧夏大學，2014.

[6]魏曉暉，衣淑娟，秦雯. 基于拉曼光譜的蘋果表皮殘留敵百蟲的檢測[J]. 黑龍江八一農墾大學學報，2015，27（2）：100-103.

[7]Yang C C，Kim M S，Millner P. Development of multispectral imaging algorithm for detection of frass on mature red tomatoes[J]. Postharvest Biology and Technology，2014，93（3）：1-8.

[8]雷鵬，呂少波，李野，等. 多光譜熒光圖像技術檢測農藥殘留[J]. 發光學報，2014，35（6）：748-753.

[9]孫俊，張梅霞，毛罕平，等. 基于高光譜圖像的桑葉農藥殘留鑒別研究[J]. 農業機械學報，2015，46（6）：251-256.

[10]GB14868—1994食品中辛硫磷最大殘留限量標準[S].

[11]GB14928.5—1994食品中氰戊菊酯最大殘留限量標準[S].