5種煙草常用農藥的高光譜識別技術研究

中圖分類號：S220 文獻標志碼：A 文章編號：1008-0864（2025）07-0122-11

Identification of 5 Common PesticidesUsed in Flue-tobacco Field Production Based on Hyperspectral Technology

YANGGuotao1，ZHANGShijie2，CHENChao，LIUYun2，HEChen1， NINGYinghao'，ZHANG Qing1* （1.ZhengzhouTobaccoResearch InstituteofChina NationalTobaccoCorp，Zhengzhou450ool，China;.Baoji TobaccoCompany of Shaanxi Province，Shaanxi Baoji 721oo4，China；3.China National Tobacco Coporationof Shaanxi District， Xi'an ，China）

Abstract：Torapidlyandaccuratelyobtain thepesticide typesused intobacco field production，andto improve the scientificand targeted management of tobacco field pesticide applications，hyperspectral imaging technology was applied.By comparing the spectral curves offresh tobacco leaves 48 h after spraying with 5common pesticides，the spectral differences were analyzed.Various combinations of spectral preprocessing methods，feature wavelength extraction methods，and pattern recognition techniques were tested to evaluate model accuracy.The results showed that，in the75O＼～875nm spectral range，the spectral curves of fresh tobacco leaves treated with the 5 pesticides exhibited distinct reflectance diferences.Acrossthefull spectral range，thecombinationof standard normal variate （SNV） transformation and least squares support vector machine （LSSVM） models，as well as the combination of second derivative preprocessingandrandom forest models，bothachieved high recognition accuracy，with the testset accuracy reaching 98.58 % .The continuous projection algorithm outperformed the competitive adaptive reweighting samplingalgorithmin dimensionalityreduction.Inthefeaturewavelengthrange，thecombinationofsecond derivative preprocessing，continuous projection algorithm，and random forest models achieved the best performance， with the training set accuracy reaching 100.00% and the test set accuracy at 98.22% .Thenumber of feature wavelengths was17，and the single-sample detection time was 1O.28 ms.This method could rapidlyand accurately identify the types of5commonpesticides usedin tobacco production.Aboveresultsprovided technicalsupportforthe management of pesticide applicationin tobacco field production. Key words：tobacco field production；hyperspectral imaging；pesticide identification；random forest

農藥由一種或多種化學物質組成，既可以人工合成，也可以來源于生物或其他天然物質，主要用于預防、消滅或控制農業和林業生產中的害蟲、病菌、雜草等有害生物，同時也能調節植物和昆蟲的生長。由于農藥具有高效、快速和使用簡便等特點，在現代農業有害生物綜合防治體系中具有重要作用。煙草作為特殊的葉用類經濟作物，為降低煙葉田間病蟲害的影響，農藥的施用不可避免，但所帶來的農藥殘留問題不容忽視[-2]。煙草行業雖已經制定農藥合理使用相關標準對農藥安全間隔期、最大使用次數等提出嚴格要求3，但由于農藥種類繁多，產區難以準確獲取煙農田間用藥種類，導致農藥安全間隔期難以判定，煙葉生產田間用藥管控效果不佳。目前，農業生產的農藥檢測主要采用化學分析45、膠體金免疫層析等方法]，但上述方法受檢測效率和檢測成本等因素制約，難以在煙葉生產田間應用。

高光譜成像（hyperspectral imaging，HSI）作為新興光學技術，能夠在較窄的波段范圍內得到數十個到幾百個波段的高光譜圖像，獲取不同樣品的特征信息，具有測定速度快、數據信息量大、圖譜合一等優點。近年來，HSI被廣泛應用于農產品品質和安全性檢測。孫杰利用熒光高光譜技術采集了干紅茶噴灑6種農藥的熒光高光譜數據，數據經過多重散射校正預處理和競爭性自適應重加權采樣聯合連續投影算法降維后，建立了一維卷積神經網絡聯用隨機森林的紅茶農藥殘留識別模型，測試集準確率達到 99.05% 。Sun等利用高光譜技術獲取生菜葉片高光譜數據并建模，建立了最小二乘支持向量回歸模型，能夠有效識別生菜混合農藥殘留，預測準確率達93.86% 。吉海彥等利用高光譜成像儀采集菠菜葉片光譜數據，采用卡方檢驗特征選擇算法篩選出8個特征波長，再利用支持向量機建立識別模型，模型預測準確率達 99.30% 。在煙草領域，高光譜技術主要應用于煙葉成分檢測、煙葉成熟度識別[2]、煙草病害識別[13]及煙葉分級[4]等領域，尚未有高光譜技術在煙葉田間用藥種類識別、殘留檢測等方面的報道。因此，本研究提出了一種基于高光譜成像技術的5種煙草常用農藥識別方法，以期為產區煙葉田間用藥監管提供技術支持。

1材料與方法

1.1試驗材料

試驗所用烤煙品種為秦煙99，種植于陜西省寶雞市煙草科技示范園 （34^°54^′13.594\"N， 106^°45^′1.145\"E 。所選農藥為高效氯氟氰菊酯、吡蟲啉、三唑酮、多菌靈和甲基硫菌靈5種，均為市場采購，具體農藥有效成分含量、品牌和劑型詳見表1。

1.2儀器設備

應用的實驗室級高光譜分析系統購自深圳海譜納米光學有限公司，該系統主要由光譜相機、暗箱、主機和顯示屏幾部分組成，如圖1所示。該高光譜相機是基于微機電系統芯片技術（MEMSChip）的新一代高光譜相機，光譜范圍為 515～915nm ，光譜分辨率為 4.0nm ，光譜通道101個。為避免外部環境光源干擾，該系統配備暗箱，暗箱內配置鹵素光源，光源強度 （0～12V 可調節，光照均勻度 395% 。

1.3試驗方法

1.3.1煙葉樣品制備在煙葉采烤前3d，挑選無明顯缺陷、生長狀況基本一致的中部煙葉300片作為試驗樣本，并進行編號。田間試驗以清水為對照（CK），5種農藥按照推薦用量（表1）稀釋后用電動噴霧槍均勻噴灑在煙葉表面，每種農藥處理50片。經過 48h 吸收后，采摘并采集鮮煙葉的高光譜圖像數據。

1.3.2煙葉樣品高光譜數據采集在樣品掃描之前，預熱 30min 以穩定高光譜成像系統，光源電壓設置為9V，曝光時間 30ms 。通過重復捕獲標準色卡5次并從中選擇9個色標，然后比較這5次捕獲中收集的數據的一致性，確定高光譜系統的穩定性。待系統穩定后，先掃描標準白板（ 99% 反射率）和用蓋子完全關閉透鏡（ 0% 反射率），分別獲得白色和黑色背景圖像；然后打開暗箱，將煙葉樣品放置在暗箱中進行高光譜圖像采集。

1.3.3煙葉光譜數據提取采集的煙葉高光譜圖像先通過基于具有最大差異的波長分割高光譜圖像，剔除葉脈和背景，完成煙葉片區域的提取。最后，通過公式（1將原始圖像校正成反射圖像。

式中， I_N 是校準的反射率圖像； I_s 是原始高光譜圖像； I_R 是白色背景圖像； I_D 是黑色背景圖像； m 是標準白板的平均反射率。

在每片煙葉上選擇4個感興趣區域（均勻分布于葉脈兩側的中部），每個感興趣區域作為1個樣本數據。圖像校準后，提取感興趣區域內的光譜信息，并平均為1個光譜代表1個樣本。按照公式（2）計算各區域內的平均光譜作為樣本光譜數據。

式中， s 為感興趣區域中像素點個數； I_xy 為第 i 個波段下 （x，y） 點的光譜值； 為感興趣區域第 i 波段下的平均光譜值。

1.3.4光譜預處理煙葉內部損傷、蟲害、高光譜成像系統本身的誤差以及環境因素通常會影響校準樣本的質量，因此，有必要執行異常樣本檢測，以最小化這些因素的影響。在本研究中，結合主成分分析（principal component analysis，PCA）和馬氏距離（Mahalanobisdistance，MD）檢測離群樣本[15]，PCA用于降低數據的維數并消除數據中的重疊區域，MD用于檢測異常值。采用基于聯合x-y 距離的樣本集劃分方法（sample set partitioningbasedonjointx-ydistances，SPXY）對訓練集和測試集進行劃分，以確保所選樣本子集能夠盡可能地反映原始數據集的特性，同時降低數據集的規模和復雜性，從而提高后續分析和建模的效率[7]。

光譜數據不僅包含樣品本身的物理和化學信息，還包含其他不相關的信息和噪聲，如設備電氣噪聲、樣品背景和采集過程中的雜散光[18]，因此，需要對光譜進行預處理，以減少影響因素，提高模型的性能[19]。本研究使用的預處理方法包括基線的一階導數（firstderivative，D1）和二階導數（second derivative，D2）、多重散射校正（multiplescatteringcorrection，MSC）2o]以及用于散射校正的標準正態變換（standardnormalvariate，SNV）?；€校正用于消除儀器背景和漂移的影響21]。散射校正可消除由樣品中不均勻的顆粒分布和顆粒尺寸差異引起的散射。應用平滑可有效減少隨機噪聲的影響[22]。

1.3.5分類模型通過最小二乘支持向量機（least squares support vector machine，LSSVM）[23]和隨機森林（randomforest，RF）算法分別建立光譜（原始光譜和預處理光譜）與測量參數之間的線性定量關系。LSSVM通過引人等式約束來替代標準支持向量機（support vectormachine，SVM）中的不等式約束，從而實現了對SVM的改進，既繼承了SVM的所有優勢，還可將原本的凸二次規劃問題重新構建為線性方程組，從而顯著降低了計算復雜度，提升了分類速度[24]。RF是一種集成學習方法，結合多個決策樹來進行預測，以其魯棒性、準確性和處理高維數據的能力而聞名，廣泛用于各種領域的分類、回歸和特征選擇任務[25]。RF中的每個決策樹都在數據的隨機子集上進行訓練，最終預測是通過聚合各個樹的預測來獲得的。

本研究利用準確率對預測模型進行評價，準確率是指判別正確結果占總樣本的百分比，根據公式（3）進行計算。

式中，Accuracy代表最終計算得出的準確率；TP代表模型正確預測為正類別的樣本數量；TN代表模型正確預測為負類別的樣本數量；FP代表模型錯誤地將負類別樣本預測為正類別的數量；FN代表模型錯誤地將正類別樣本預測為負類別

的數量。

1.3.6特征波長選擇高光譜圖像中總是存在冗余信息和多重共線性問題，這對模型預測的準確性和魯棒性以及預測效率都有負面影響[2]。因此，本研究采用連續投影算法（successiveprojectionsalgorithm，SPA）[26-27]以及競爭性自適應重新加權采樣（competitiveadaptivereweightedsampling，CARS）2來選擇信息波長。

2 結果與分析

2.1 數據集劃分

試驗所用煙葉數據包含樣本1200個，每個樣本包含101個波段數據。由于環境等因素影響，光譜數據前后波段有較大噪聲，試驗中截取中間81個波段數據參與模型構建。使用PCA-MD方法進行奇異樣本檢測，共剔除奇異樣本24個，結果如圖2所示，即最終參與模型構建的樣本數據為1181個，每個樣本包含81個波段數據。

使用SPXY方法進行數據集劃分，結果如表2所示，其中，訓練集樣本數量為900，測試集樣本量為281。

2.2不同農藥殘留的煙葉光譜分析

由圖3不同農藥殘留樣本的平均光譜曲線可以看出，在波長 550～650nm ，無農藥組的平均反射率顯著高于含有農藥組別，5種農藥組別之間在平均反射率上也呈現出一定的差異。在波長750～875nm ，6個組別的平均反射率可以被分為3個明顯的梯度。其中，無農藥組反射率最高，約為0.70，構成了第1梯隊；第2梯隊包括含有甲基硫菌靈、高效氯氟氰菊酯、三唑酮和多菌靈殘留物的組別，平均反射率約為0.65；含有吡蟲啉殘留物的組別反射率最低，約為0.60，構成了第3梯隊。此外，各組在平均光譜上也表現出細微差異。綜上可知，利用光譜數據構建模型以判斷煙葉用藥種類是完全可行的。

2.3基于全波長的用藥種類預測

分別以原始和預處理光譜作為輸入，以農藥殘留類別作為輸出，建立LSSVM和RF模型。通過比較各模型的分類性能，確定最佳的光譜預處理和模式識別方法。

2.3.1最小二乘支持向量機 γ 和 σ² 是LSSVM中2個重要參數，為使模型的分類效果最佳，采用遺傳算法（geneticalgorithm，GA）確定最優參數組合。使用不同種預處理方法對光譜數據進行處理，建立模型并進行預測，由表3各模型判別效果可知，基于原始數據的LSSVM模型，訓練集準確率為 92.32% ，測試集準確率為 89.50% 。經過SNV預處理的光譜建立的LSSVM模型表現最好，訓練集準確率為 99.67% ，測試集準確率為 98.58% ，相較基于原始光譜下的LSSVM，準確率分別提升7.35和9.08個百分點。經過MSC預處理的光譜建立的模型準確率也有較高的提升，訓練集準確率為 96.40% ，測試集準確率為 94.77% ，準確率分別提升4.08和5.27個百分點。經D1和D2預處理的光譜建立的模型準確率也有小幅提升。根據測試結果，綜合模型復雜度和準確率，確定LSSVM模型的最佳預處理方法為SNV，其模型準確率為訓練集 99.67% ，測試集 98.58% ，模型結果見圖4。由圖4可知，LSSVM模型訓練集和測試集在識別農藥類別2（吡蟲啉）和5（甲基硫菌靈）時，均出現了個別誤判情況，但總體上模型預測準確率保持了較高的水準。

2.3.2RF模型以原始光譜數據作為輸入，建立RF模型，結果如圖5所示，模型訓練集準確率為99.89% ，測試集準確率為 63.35% ，存在明顯過擬合現象，通過調整超參數，模型過擬合現象沒有得到明顯改善。

通過對原始光譜數據進行預處理，將預處理后數據作為輸入，建立RF模型，預測結果如表4所示。從表中可以看出，D1和D2的處理方式顯著改善了模型的過擬合現象，同時模型準確率也達到了極高水平，訓練集準確率均為 100.00% ，測試集準確率分別為 97.55% 和 98.58% 。其他預處理方法雖然對過擬合現象也有一定的改善作用，但仍存在過擬合現象。

在綜合考量模型復雜度和準確率之后，最終選擇D2作為基于RF的煙葉用藥種類的最佳預處理方法。經過D2預處理，模型的性能表現卓越，訓練集準確率達到 100.00% ，測試集準確率高達98.58% （圖6），充分證明了D2預處理方法在RF模型中的有效性。

對全光譜數據建立LSSVM、RF2種模型，篩選最佳預處理及模式識別算法組合，2種組合方式均有良好的識別效果。SNV-LSSVM模型準確率為訓練集 99.67% ，測試集 98.58% ，D2-RF模型準確率為訓練集 100.00% ，測試集 98.58% 。

2.4煙葉用藥種類檢測模型優化

高光譜數據有高維的特點，數據包含大量冗余信息，使用全波段數據建模，存在建模變量多、數據計算量大等問題，可能導致所建立的模型效率及穩定性降低。本研究采用連續投影算法（SPA）、競爭性自適應重新加權采樣（CARS）進行特征波長提取，篩選出5種農藥類型密切相關的波段參與建模，提高模型速度和穩定性。

2.4.1基于SPA的特征選擇采用SPA對預處理后鮮煙葉樣本光譜數據進行特征選擇，對篩選出的特征變量建立模型并進行預測。經過SNV預處理后，針對SPA算法的特征變量選擇如圖7所示。在此模型中，特征變量的數量為19，且這些變量的分布相對集中。模型在訓練集上的準確率達到 86.78% ，在測試集上的準確率為 81.14% ，與全光譜數據LSSVM模型相比，其準確率在訓練集和測試集上分別降低12.89和17.44個百分點，模型性能下降嚴重。

針對RF模型，采用經D2預處理后的光譜數據進行特征變量選擇，篩選出的特征變量數量為17，這些特征變量在光譜數據中的分布相對分散，模型預測結果如圖8所示。從圖8可以看出，D2-SPA-RF模型訓練集的準確率達到100.00% ，測試集的準確率高達 98.22% ，基本達到了全光譜D2-RF模型預測精度，表明D2-SPA-RF模型在煙葉用藥種類識別中具有良好的性能。

2.4.2基于CARS的特征選擇采用CARS對預處理后煙葉樣本光譜數據進行特征選擇，對篩選出的特征變量建立模型并進行預測。針對LSSVM模型，經SNV預處理后，CARS特征變量選擇結果如圖9所示，特征變量數量為43個；模型預測結果如圖10所示，訓練集準確率為 98.56% ，測試集準確率為 98.58% ，整體預測效果良好，基本達到全光譜LSSVM模型效果。

針對RF模型，經D2預處理后，CARS特征變量選擇結果如圖11所示，特征變量數量為44個，模型預測結果如圖12，訓練集準確率為 100.00% ，測試集準確率為 99.64% ，整體預測效果良好，基本達到全光譜RF模型效果。

2.4.3模型比較分析從表5可以看出，原始光譜數據經過SPA和CARS降維后，D2-SPA-RF、SNV-CARS-LSSVM和D2-CARS-RF模型測試集的準確率基本達到全譜段的效果，其中D2-CARS-RF測試精度表現最優異，所需特征數量為44個，測試集準確率達到了 99.64% 。從運算時間看，原始光譜數據經過SPA和CARS降維后，模型運算效率均有提升，其中D2-SPA-RF表現優異，所需特征數量為17個，單樣本檢測時間為 10.28ms 。由于高光譜檢測所需的特征數量越多，樣本檢測耗費的時間越長，綜合模型測試集準確率和單樣本檢測時間，D2-SPA-RF表現最佳，雖然測試集準確率略低，但也達到 98.22% ，但所需特征數量降低至17個，單樣本檢測時間由 38.06ms 降至10.28ms，具有更高的檢測效能。

3討論

本研究通過高光譜圖像技術結合RF算法，成功實現了對田間鮮煙葉用藥種類的快速、精準識別。研究結果表明，經過D2和SNV預處理后，LSSVM和RF模型在測試集上的準確率均達到98.58% ，顯示出優異的分類性能。進一步通過CARS和SPA算法進行特征波長選擇發現，SPA算法在降維效果上優于CARS算法，最終構建的D2-SPA-RF模型在訓練集和測試集上的準確率分別為 100.00% 和 98.22% ，單樣本檢測時間僅為10.28ms ，表現出較高的檢測精度和效率。這一結果與 ΔZhu 等的研究結果一致，SPA算法在高光譜數據降維中具有顯著優勢，能夠有效提高模型的識別速度和穩定性。

本研究將PCA-MD方法應用于異常樣本的剔除，并結合多種預處理算法（D1、D2、MSC、SNV）對高光譜數據進行優化，顯著提升了數據質量。此外，本研究將RF算法應用于煙葉田間用藥種類的識別，相較于Sampaio等[30所用的SVM和PLS-DA方法，RF算法在處理高維數據時表現出更強的魯棒性和泛化能力。盡管本研究構建的模型具有較高的識別精度，但其性能可能受到不同種植區域、煙葉品種以及環境因素的影響。Garcia-Vera等31指出，不同地區的土壤成分和氣候條件可能導致農作物光譜特征的差異，從而影響模型的識別效果。因此，未來研究應進一步擴大樣本范圍，增加不同種植區域和煙葉品種的樣本數量，以驗證模型的穩定性和普適性。此外，結合深度學習技術（如卷積神經網絡）可能進一步提升模型的識別精度和效率，為現代煙草農業的精準監管提供更強大的技術支持。

參考文獻

[1]司曉喜，劉志華，李中昌，等.5種農藥在采收前和初烤后的煙 葉及土壤中的殘留量變化[J].煙草科技，2016，49（7）：44-50. SIXX，LIU ZH，LI ZC，et al. Residues of five pesticides in tobacco leavesbefore harvesting and after flue-curingand soils [J].Tob. Sci. Technol.，2016，49（7）： 44-50.

[2]羅華元，王紹坤，常壽榮，等.12種農藥在煙葉中殘留及煙氣 中轉移試驗初報[J].云南農業大學學報（自然科學版），2010， 25（5）： 636-641. LUOHY，WANGSK，CHANGSR，etal..Determinationof 12 pesticides residues in tobacco leaf and shifting to smoke[J]. J.YunnanAgric.Univ.（Nat.Sci.），2010，25（5）：636-641.

[3］王剛，孔凡玉，劉建利，等.煙草田間農藥合理使用規程：YC/T 371—2010[S].北京：中國標準出版社，2011.

[4]熊巍，張海燕，靳冬梅，等.UPLC-MS/MS同時測定煙草中5種 新煙堿殺蟲劑殘留[J].湖南農業科學，2021（2）：91-95. XIONGW，ZHANGHY，JINDM，etal..Determinationoffive performance liquid chromatography tandem mass spectrometry [J]. Hunan Agric.Sci.，2021（2）： 91-95.

[5]許泳吉，劉云云，韓瑋，等.固相萃取-高效液相色譜法同時測 定煙草中吡蟲啉和多菌靈[J].青島科技大學學報（自然科學 版），2016，37（1）： 26-31. XUYJ，LIUYY，HANW，etal..Simultaneous detectionof carbendazim and imidacloprid in tobacco with solid-phase extraction and high-performance liquid chromatography [J].J. Qingdao Univ.Sci. Technol. （Nat. Sci.），2016，37（1）：26-31.

[6]王或婕，馮德建，馮雙，等.吡蟲啉和啶蟲胱膠體金免疫層 析法試紙條性能評估及應用效果探究[J].食品安全質量檢 測學報，2024，15（3）：133-139. WANG Y J，FENG DJ，FENG S，et al..Performance evaluation and application effect study of colloidal gold immunochromatographictest strips for imidaclopridand acetamiprid[J].J.Food Saf.Qual.，2024，15（3）：133-139.

[7]樓小華，高川川，朱文靜，等.膠體金免疫層析法快速檢測煙 草中吡蟲啉殘留[J].食品安全質量檢測學報，2017，8（5）：1739- 1744. LOUXH，GAOCC，ZHUWJ，etal..Rapid detectionof imidacloprid residues in tobacco leafby coloidal gold immunochromatographic assay [J]. J.Food Saf. Qual.， 2017， 8 （5）： 1739-1744.

[8］孫杰.基于熒光高光譜技術的紅茶農藥殘留檢測[D].成都： 四川農業大學，2023. SUN J. Detection of pesticide residues in black tea based on fluorescence hyperspectral technology [D]. Chengdu： Sichuan Agricultural University，2023.

[9]SUNJ，CONGSL，MAO HP，etal..Quantitativedetectionof mixed pesticide residue of lettuce leaves based on hyperspectral technique[J/OL].J.Food Process Eng.，2018，41（2）：12654 [2024-05-16]. https：//doi.org/10.1111/jfpe.12654.

[10］吉海彥，任占奇，饒震紅.高光譜成像技術鑒別菠菜葉片農藥 殘留種類[J].發光學報，2018，39（12）：1778-1784. JI HY，REN Z Q，RAO Z H. Identification of pesticide residue types in spinach leaves based on hyperspectral imaging [J]. Chin. J. Lumin.，2018，39（12）：1778-1784.

[11]LU X C， ZHAO C，QIN Y Q，et al.. The application of hyperspectral images in the classification of fresh leaves' maturity for flue-curing tobacco [J/OL]. Processes，2023，11（4）： 1249 [2024-05-06]. htps：//doi.org/10.3390/pr11041249.

[12]JIAFF，HAN S，CHANG D，et al..Monitoring flue-cured tobacco leaf chlorophyll content under diffrent light qualities byhyperspectral reflectance [J].Am.J. Plant Sci.，2O2o，11（8）： 1217-1234.

[13］潘兆杰，孫根云，張愛竹，等.基于波段選擇的煙草病害檢測 模型[J].光譜學與光譜分析，2023，43（4）：1023-1029. PANZ J，SUN GY，ZHANG A Z， et al.. Tobacco disease detection model based on band selection [J]. Spectrosc.Spectr. Anal.，2023，43（4）： 1023-1029.

[14]張慧，張文偉，張永毅，等.基于高光譜與紋理融合的烤煙分 類方法研究[J].中國煙草學報，2022，28（3）：72-80. ZHANG H， ZHANG W W， ZHANG Y Y，et al..Research on classification method offlue-cured tobaccobased on fusion of hyperspectral and texture features[J].Acta Tab.Sin.，2022，28 （3） 72-80.

[15]MARK H.Use of Mahalanobis distances to evaluate sample preparation methods for near-infrared reflectance analysis [J]. Anal.Chem.，2002，59（5）： 790-795.

[16]GALVAORKH，ARAUJO MCU，JOSEGE，etal..A method for calibration and validation subset partitioning [J]. Talanta，2005，67（4）： 736-740.

[17]RINNAN?，VANDEN BERGF，ENGELSENSB.Reviewof the most common pre-processing techniques for near-infrared spectra [J].Trends Anal.Chem.，2009，28（10）： 1201-1222.

[18]ENGEL J， GERRETZEN J， SZYMANSKA E，et al..Breaking with trendsin pre-processing[J]. TrendsAnal.Chem.，2013， 50：96-106.

[19]RINNAN A.Pre-processing in vibrational spectroscopy-when， why and how [J].Anal.Meth.，2014，6（18）： 7124-7129.

[20]LEE LC，LIONG CY，JEMAIN AA.A contemporary review ondata preprocessing （DP）practice strategy in ATR-FTIR spectrum [J]. Chemom.Intell.Lab.Syst.，2017，163：64-75.

[21]WAN X H，LI G，ZHANG MQ，et al..A review on the strategies for reducing the non-linearity caused by scattering onspectrochemical quantitative analysis of complex solutions [J].Appl. Spectro.Rev.，2020，55（5）： 351-377.

[22]唐杰，羅彥波，李翔宇，等.基于近紅外光譜數據的一維卷積神 經網絡模型研究[J].光譜學與光譜分析，2024，44（3）：731-736. TANGJ，LUOYB，LIXY，etal..Study on one-dimensional convolutional neural network model based on near-infrared spectroscopy data [J].Spectro.Spectr.Anal.，2024，44（3）： 731-736.

[23]李國厚，李澤旭，金松林，等.混合卷積神經網絡用于高光譜 小麥品種鑒別[J].光譜學與光譜分析，2024，44（3）：807-813. LIGH，LI Z X，JIN SL，et al..Mix convolutional neural networksfor hyperspectral wheat varietydiscrimination [J]. Spectro.Spectr.Anal.，2024，44（3）： 807-813.

[24]KEYC，SHI ZK，LIPJ，et al.. Lithological classification and analysisusingHyperion hyperspectral dataand random forest method[J]. Acta Petrol. Sin.，2018，34（7）： 2181-2188.

[25]ARAUJO M C U，SALDANHA T C B， GALVAO R K H， et al.. The successive projections algorithm for variable selection in spectroscopic multicomponent analysis [J]. Chemom. Intell. Lab.Syst.，2001，57（2）：65-73.

[26]MOREIRAEDT，PONTESMJC，GALVAORKH，etal.. Nearinfrared reflectance spectrometry classification of cigarettes using the successiveprojections algorithm for variable selection [J].Talanta，2009，79（5）：1260-1264.

[27]SOARESSFC，GOMESAA，ARAUJO MCU，et al.. The successive projections algorithm [J]. Trends Anal.Chem.， 2013，42：84-98.

[28]LIHD，LIANGYZ，XU QS，et al..Key wavelengths screening using competitive adaptive reweighted sampling method formultivariate calibration[J].Anal.Chim.Acta，2009， 648（1）：77-84.

[29]ZHU HY， CHU BQ， ZHANG C，et al..Hyperspectral imaging forpresymptomaticdetection of tobaccodiseasewith successiveprojectionsalgorithm and machine-learning classifiers[J/OL].Sci.Rep.，2017，7（1）： 4125 [2024-05-06].https：// doi.org/10.13031/aim.20162460422.

[30]SAMPAIO P S，CASTANHO A，ALMEIDA A S，etal.. Identification of rice flour types with near-infrared spectroscopy associated with PLS-DA and SVM methods[J].Eur.Food Res. Technol.，2020，246（3）： 527-537.

[31]GARCIA-VERA Y E， POLOCHE-ARANGO A，MENDIVELSOFAJARDO C A，et al.. Hyperspectral image analysisand machine learning techniques for crop disease detection and identification：a review [J/OL].Sustainability，2O24，16（14）： 6064[2024-05-06]. https：//doi.org/10.3390/su16146064.