基于光譜圖像識別蔬菜表面農藥殘留物的研究

摘" "要" "蔬菜表面農藥殘留對公眾健康構成重大威脅，開發無損且快速的檢測技術已成為食品安全領域亟待解決的關鍵問題。提出了結合高光譜圖像與深度學習技術的蔬菜表面農藥殘留檢測方法，旨在提供一種高效、快速的蔬菜篩查方案。研究以菠菜作為模型作物，針對敵敵畏與吡蟲啉兩種廣泛使用的農藥，運用高光譜成像技術捕捉作物表面光譜特征，再通過一維卷積神經網絡（1D-CNN）的深度學習模型進行數據解析，成功實現了農藥殘留的非接觸式、高精度檢測。結果顯示，該方法在農藥殘留量預測上展現出優異的性能，與國家標準檢測結果相比，具有高度的線性關系，可為農產品農藥殘留的無損、高效檢測提供具有推廣應用價值的解決方案。

關鍵詞" "食品安全；農藥殘留檢測；光譜分析；卷積神經網絡（CNN）；隨機森林回歸

伴隨著社會文明程度的發展以及人民生活水平的不斷提高，人們對食品安全越來越關注，蔬菜表面的農藥殘留直接關系到消費者的健康。隨著人們食品安全意識的提升和各國食品安全法規的日趨嚴格，如何實現蔬菜表面農藥殘留的有效監測和控制，已經成為國內外食品安全領域所面臨的一項重大挑戰。目前，普遍采用的蔬菜表面農藥殘留檢測方法有高效液相色譜（HPLC）檢測法、氣相色譜（GC）檢測法和質譜（MS）檢測法等。上述蔬菜表面農藥殘留檢測方法雖然準確性高，但存在成本高昂、操作復雜、耗時較長等局限，目前僅是各級食品安全檢驗檢測機構在使用，難以滿足大規模快速篩查的日常需求。

近年來，高光譜成像技術的迅猛發展為蔬菜農藥殘留檢測提供了全新的視角。高光譜成像結合了成像技術和光譜分析的優勢，能夠在獲取物體二維圖像的同時，記錄每個像素點的完整光譜信息，從而實現對物體表面化學成分的無損、快速識別。高光譜成像技術與傳統的單波段或多波段成像相比，高光譜成像能夠提供更加豐富和精細的光譜數據，為蔬菜表面農藥殘留的定性和定量分析開辟了新路徑。

同時，深度學習技術的興起更有助于高光譜數據分析。深度學習模型，尤其是卷積神經網絡（CNN），因其強大的特征學習能力和模式識別能力，被廣泛應用于圖像識別、語音識別和自然語言處理等領域。在高光譜數據處理中，深度學習模型能夠自動從復雜光譜中提取關鍵特征，實現對蔬菜表面農藥殘留的精準識別與量化，極大地提高了檢測的效率和準確性。

鑒于此，本研究旨在探索一種基于高光譜成像技術和深度學習技術相結合的蔬菜表面農藥殘留檢測新技術。通過結合高光譜成像系統捕獲的精細光譜信息和一維卷積神經網絡（1D-CNN）的特征提取能力，開發一種能夠快速、準確檢測菠菜表面農藥殘留的智能檢測方法。這項研究將為食品安全監測提供強有力的科技支撐，能夠彌補傳統檢測技術的使用局限，滿足日常中對蔬菜農藥殘留快速篩查的生活需求。

1" "試驗方法

1.1" "高光譜系統的原理及主要組成部分" "高光譜成像技術是通過精細的光譜分辨能力捕捉物體表面的光譜特征，進而進行物質識別和定量分析的前沿技術。本研究所采用的高光譜成像系統具備卓越的光譜分辨率，覆蓋從紫外線到近紅外的寬光譜波段（200～1 100 nm），特別配備工業級微型光譜儀，確保了數據采集的準確性和可靠性，此外系統核心組件還包括鹵鎢燈光源、積分球、成像鏡頭、移動平臺以及數據采集軟件。整個高光譜采集系統示意圖如圖1所示。

1.2" "實驗樣本制作" "本實驗選取新鮮菠菜葉作為研究對象，精心挑選200片表面無損傷的菠菜葉片，分為20組，每組10片。試驗中選擇了兩種常見農藥——敵敵畏和吡蟲啉，根據國家規定的農藥殘留限量標準，敵敵畏和吡蟲啉分別配制了10組濃度梯度的農藥溶液，每組10個樣品，如表1所示為敵敵畏溶液的10組濃度清單（吡蟲林和敵敵畏10組濃度相同）。

將菠菜清洗干凈，裁剪成200片，共分20組，每組10片浸泡在敵敵畏和吡蟲啉的溶液中1個小時，取出晾干，用于光譜檢測。

1.3" "光譜數據采集" "在本研究中，為提高光譜數據的信噪比，本研究實施了多階段數據預處理策略。首先，確保光源穩定，環境光線條件一致，以減少外部因素對光譜信號的影響。然后，將菠菜樣本放置于高光譜成像系統的工作臺上，調整好距離和角度，保證每個樣本的光譜圖像清晰、完整。光譜數據采集過程中，覆蓋可見光至近紅外波段（400～1 100 nm），以全面捕捉菠菜表面農藥殘留的光譜特征。在試驗中選擇在每個菠菜葉樣本上隨機選擇10個位置處的光譜數據進行采集，每個濃度共采集100條光譜曲線。如圖2所示為吡蟲啉在菠菜表面10組濃度的光譜曲線。

2" "數據處理

2.1" "算法實現原理" "本研究通過分析菠菜表面的光譜信號來確定其所含農藥殘留的含量?？紤]到光譜信號的復雜性以及農藥殘留對光譜反射特性的影響，光譜數據處理采用深度學習方法，通過將光譜數據映射到高維特征空間，識別不同農藥殘留的光譜特征，從而實現農藥殘留含量的準確預測。深度學習方法通過學習光譜信號與農藥殘留之間的非線性關系，實現對食品污染物含量的準確預測。光譜信號由于其高維性和復雜性，使用傳統數據分析方法難以有效區分不同含量的食品污染物。因此，本算法采用深度學習模型，特別是卷積神經網絡（CNN），通過建立從光譜信號到食品污染物含量的映射模型，提取能夠表示食品污染物含量的高級特征。

2.2" "光譜數據處理" "由于光譜曲線中存在由外部環境、基線變化以及采集過程中隨機噪聲所造成的波動，本實驗首先使用標準正態變換（standard normal variate，SNV）對光譜數據進行預處理，降低噪聲和散射對于后續研究的影響。接著，使用Savizky-Golay濾波器（savitzky-golay，SG）和離散小波變換（discrete wavelet transformation，DWT）減少隨機噪聲對光譜的影響。最后，將預處理之后的光譜數據集按照4 ∶ 1的比例劃分為訓練集和測試集用于模型訓練。

為了更加精確地識別出菠菜表面農藥殘留，本文構建了多層一維卷積神經網絡，來對高光譜信息信息進行有效提取和識別。如圖3為光譜特征提取網絡，其中4個卷積核（Conv）大小都為3×1，步長為1。此外，4個池化層（Pool）的核大小為2，進行特征聚合。最后，通過端到端的高光譜特征提取，模型能夠自動學習光譜特征與農藥殘留量之間的內在聯系，實現高效準確的農藥殘留檢測。

3" "結果與討論

3.1" "試驗結果" "在完成了基于高光譜成像和深度學習的農藥殘留檢測模型的訓練后，我們采用準確率對模型的性能進行的評估，其計算公式如下所示：

準確率（%）=TP/（TP+FP）×100

式中，TP表示正確分類的農藥類別，FP表示錯誤分類的農藥類別。最終，測試結果如表2所示，可以看到，本文所提出的算法對于檢測敵敵畏、吡蟲啉這兩種菠菜表面農藥殘留具有較高的識別準確率和可靠性，能夠滿足一般的應用需求。與傳統的化學分析方法相比，該方法無需對樣本進行破壞性處理，且檢測速度更快、成本更低。

3.2" "光譜數據驗證" "為了確保光譜檢測方法的可靠性，將部分樣本送至西安市產品質量監督檢驗院，按現有國家食品檢測標準對菠菜的農藥殘留含量進行檢驗，檢驗結果如表3所示。通過與國家標準檢測結果的比較，發現光譜檢測結果數據和西安市產品質量監督檢驗院按國家標準檢測的結果數據是線性關系。

4" "小結與討論

本研究通過基于光譜圖像的方法實現了對蔬菜表面農藥殘留的快速、準確檢測，為農產品質量安全監管提供了一種新的技術手段。雖然模型在整體上表現出了令人滿意的性能，但在極端條件下，如農藥殘留量極低或極高時，模型的預測準確性略有下降。這可能是由于在這些濃度范圍內，光譜特征的變化更為微妙，加之數據集在這些濃度下的樣本量相對較少，導致模型訓練時的特征學習不夠充分。因此，未來的研究工作將集中在擴大數據集，特別是增加極端濃度樣本的數量，以及探索更復雜的模型結構，以進一步提升模型在這些特殊情況下的表現。

此外，模型的實時性和實用性也是值得探討的方向。當前模型雖然在實驗室環境下表現優秀，但其在實際生產環境中的應用還需進一步考慮計算資源的限制和操作的便捷性。優化模型結構，減少計算復雜度，以及開發易于部署的模型版本，將是推動這一技術走向實際應用的關鍵步驟。

未來，我們將進一步完善該技術，提高其檢測精度和穩定性，拓展其在其他農產品上的應用，并探索其在實際生產中的推廣和應用。

參考文獻

[1] 楊恒一，鄧梅，克麗比努爾·艾尼.我國蔬菜水果有機磷類農藥檢測標準方法前處理技術發展現狀[J].新疆農墾科技，2024，47（03）：55-58.

[2] 俞發榮，李登樓.有機磷農藥對人類健康的影響及農藥殘留檢測方法研究進展[J].生態科學，2015，34（03）：197-203.

[3] 黃瓊輝.國內外農藥殘留檢測技術研究進展和發展方向[J].福建農業學報，2008（02）：218-222.

[4] 桂文君.農藥殘留檢測新技術研究進展[J].北京工商大學學報（自然科學版），2012，30（03）：13-18.

[5] 胡雨，丁紅梅，陳丹丹，等.液相色譜質譜法檢測蔬菜中6種有機磷農藥殘留[J].化學工程師，2024，38（07）：23-27.

[6] 傅若農.近年國內固相萃取-色譜分析的進展[J].分析試驗室，2007（02）：100-122.

[7] 馮潔.茶葉中農藥殘留分析方法的應用研究[D].北京：北京化工大學，2014.

[8] 何佩雯，趙海譽，杜鋼，等.氣相色譜技術在中藥農藥殘留檢測中的應用[J].中國實驗方劑學雜志，2010，16（02）：126-134.

[9] 張英明.氣相色譜法的原理及其在食品農藥殘留檢測中的應用[J].食品安全導刊，2021（35）：187-189.

[10] 徐輝.氣相色譜法與液相色譜法測定地下水樣品中10種有機污染物的研究[D].長春：吉林大學，2013.

[11] 譚菊英，蔣潔，劉莊蔚，等.超高效液相色譜-串聯質譜檢測蔗糖中47種農藥殘留量的方法[J].藥物分析雜志，2024，44（06）：979-989.

[12] 劉柏林，莊美慧，趙紫微，等.高分辨質譜技術在食品安全污染物高通量檢測中的應用進展[J].安徽預防醫學雜志，2024，30（03）：230-234+239.

[13] 胡業軒.基于分子印跡-表面增強拉曼光譜的農藥殘留檢測方法的研究[D].煙臺：煙臺大學，2024.

[14] 邸志剛，韓玉潔，王娜，等.熒光光譜技術在農藥檢測的研究綜述[J/OL].激光雜志，1-8[2024-07-15].http：//kns.cnki.net/kcms/detail/50.1085.TN.20240625.1412.006.html.

[15] 張仲勛.基于光譜技術的水稻農藥殘留與重金屬聯合檢測研究[J].北方水稻，2024，54（03）：67-69.

[16] 田有文，吳偉，盧時鉛，等.深度學習在水果品質檢測與分級分類中的應用[J].食品科學，2021，42（19）：260-270.

[17] 韓月.基于機器學習的湖泊環境污染物光譜檢測方法研究[D].淮安：淮陰工學院，2022.

[18] 倪民.基于高光譜技術的小白菜農藥殘留檢測方法研究[D].武漢：武漢大學，2020.

[19] 瞿芳芳.太赫茲光譜在農產品農藥殘留檢測中的關鍵技術研究[D].杭州：浙江大學，2020.

[20] 汪凱麗.基于深度學習模型的農業害蟲識別研究[D].雅安：四川農業大學，2022.

【基金項目】：陜西省重點研發計劃項目（項目編號2022NY-231）支持。

曹捷，張國琦，張亞龍，中國科學院西安光學精密機械研究所，郵編710119。

收稿日期：2024-07-29