基于光谱图像识别蔬菜表面农药残留物的研究

2024-01-01曹捷张国琦张亚龙

西北园艺·蔬菜 2024年6期

摘" "要" "蔬菜表面农药残留对公众健康构成重大威胁，开发无损且快速的检测技术已成为食品安全领域亟待解决的关键问题。提出了结合高光谱图像与深度学习技术的蔬菜表面农药残留检测方法，旨在提供一种高效、快速的蔬菜筛查方案。研究以菠菜作为模型作物，针对敌敌畏与吡虫啉两种广泛使用的农药，运用高光谱成像技术捕捉作物表面光谱特征，再通过一维卷积神经网络（1D-CNN）的深度学习模型进行数据解析，成功实现了农药残留的非接触式、高精度检测。结果显示，该方法在农药残留量预测上展现出优异的性能，与国家标准检测结果相比，具有高度的线性关系，可为农产品农药残留的无损、高效检测提供具有推广应用价值的解决方案。

关键词" "食品安全；农药残留检测；光谱分析；卷积神经网络（CNN）；随机森林回归

伴随着社会文明程度的发展以及人民生活水平的不断提高，人们对食品安全越来越关注，蔬菜表面的农药残留直接关系到消费者的健康。随着人们食品安全意识的提升和各国食品安全法规的日趋严格，如何实现蔬菜表面农药残留的有效监测和控制，已经成为国内外食品安全领域所面临的一项重大挑战。目前，普遍采用的蔬菜表面农药残留检测方法有高效液相色谱（HPLC）检测法、气相色谱（GC）检测法和质谱（MS）检测法等。上述蔬菜表面农药残留检测方法虽然准确性高，但存在成本高昂、操作复杂、耗时较长等局限，目前仅是各级食品安全检验检测机构在使用，难以满足大规模快速筛查的日常需求。

近年来，高光谱成像技术的迅猛发展为蔬菜农药残留检测提供了全新的视角。高光谱成像结合了成像技术和光谱分析的优势，能够在获取物体二维图像的同时，记录每个像素点的完整光谱信息，从而实现对物体表面化学成分的无损、快速识别。高光谱成像技术与传统的单波段或多波段成像相比，高光谱成像能够提供更加丰富和精细的光谱数据，为蔬菜表面农药残留的定性和定量分析开辟了新路径。

同时，深度学习技术的兴起更有助于高光谱数据分析。深度学习模型，尤其是卷积神经网络（CNN），因其强大的特征学习能力和模式识别能力，被广泛应用于图像识别、语音识别和自然语言处理等领域。在高光谱数据处理中，深度学习模型能够自动从复杂光谱中提取关键特征，实现对蔬菜表面农药残留的精准识别与量化，极大地提高了检测的效率和准确性。

鉴于此，本研究旨在探索一种基于高光谱成像技术和深度学习技术相结合的蔬菜表面农药残留检测新技术。通过结合高光谱成像系统捕获的精细光谱信息和一维卷积神经网络（1D-CNN）的特征提取能力，开发一种能够快速、准确检测菠菜表面农药残留的智能检测方法。这项研究将为食品安全监测提供强有力的科技支撑，能够弥补传统检测技术的使用局限，满足日常中对蔬菜农药残留快速筛查的生活需求。

1" "试验方法

1.1" "高光谱系统的原理及主要组成部分" "高光谱成像技术是通过精细的光谱分辨能力捕捉物体表面的光谱特征，进而进行物质识别和定量分析的前沿技术。本研究所采用的高光谱成像系统具备卓越的光谱分辨率，覆盖从紫外线到近红外的宽光谱波段（200～1 100 nm），特别配备工业级微型光谱仪，确保了数据采集的准确性和可靠性，此外系统核心组件还包括卤钨灯光源、积分球、成像镜头、移动平台以及数据采集软件。整个高光谱采集系统示意图如图1所示。

1.2" "实验样本制作" "本实验选取新鲜菠菜叶作为研究对象，精心挑选200片表面无损伤的菠菜叶片，分为20组，每组10片。试验中选择了两种常见农药——敌敌畏和吡虫啉，根据国家规定的农药残留限量标准，敌敌畏和吡虫啉分别配制了10组浓度梯度的农药溶液，每组10个样品，如表1所示为敌敌畏溶液的10组浓度清单（吡虫林和敌敌畏10组浓度相同）。

将菠菜清洗干净，裁剪成200片，共分20组，每组10片浸泡在敌敌畏和吡虫啉的溶液中1个小时，取出晾干，用于光谱检测。

1.3" "光谱数据采集" "在本研究中，为提高光谱数据的信噪比，本研究实施了多阶段数据预处理策略。首先，确保光源稳定，环境光线条件一致，以减少外部因素对光谱信号的影响。然后，将菠菜样本放置于高光谱成像系统的工作台上，调整好距离和角度，保证每个样本的光谱图像清晰、完整。光谱数据采集过程中，覆盖可见光至近红外波段（400～1 100 nm），以全面捕捉菠菜表面农药残留的光谱特征。在试验中选择在每个菠菜叶样本上随机选择10个位置处的光谱数据进行采集，每个浓度共采集100条光谱曲线。如图2所示为吡虫啉在菠菜表面10组浓度的光谱曲线。

2" "数据处理

2.1" "算法实现原理" "本研究通过分析菠菜表面的光谱信号来确定其所含农药残留的含量。考虑到光谱信号的复杂性以及农药残留对光谱反射特性的影响，光谱数据处理采用深度学习方法，通过将光谱数据映射到高维特征空间，识别不同农药残留的光谱特征，从而实现农药残留含量的准确预测。深度学习方法通过学习光谱信号与农药残留之间的非线性关系，实现对食品污染物含量的准确预测。光谱信号由于其高维性和复杂性，使用传统数据分析方法难以有效区分不同含量的食品污染物。因此，本算法采用深度学习模型，特别是卷积神经网络（CNN），通过建立从光谱信号到食品污染物含量的映射模型，提取能够表示食品污染物含量的高级特征。

2.2" "光谱数据处理" "由于光谱曲线中存在由外部环境、基线变化以及采集过程中随机噪声所造成的波动，本实验首先使用标准正态变换（standard normal variate，SNV）对光谱数据进行预处理，降低噪声和散射对于后续研究的影响。接着，使用Savizky-Golay滤波器（savitzky-golay，SG）和离散小波变换（discrete wavelet transformation，DWT）减少随机噪声对光谱的影响。最后，将预处理之后的光谱数据集按照4 ∶ 1的比例划分为训练集和测试集用于模型训练。

为了更加精确地识别出菠菜表面农药残留，本文构建了多层一维卷积神经网络，来对高光谱信息信息进行有效提取和识别。如图3为光谱特征提取网络，其中4个卷积核（Conv）大小都为3×1，步长为1。此外，4个池化层（Pool）的核大小为2，进行特征聚合。最后，通过端到端的高光谱特征提取，模型能够自动学习光谱特征与农药残留量之间的内在联系，实现高效准确的农药残留检测。

3" "结果与讨论

3.1" "试验结果" "在完成了基于高光谱成像和深度学习的农药残留检测模型的训练后，我们采用准确率对模型的性能进行的评估，其计算公式如下所示：

准确率（%）=TP/（TP+FP）×100

式中，TP表示正确分类的农药类别，FP表示错误分类的农药类别。最终，测试结果如表2所示，可以看到，本文所提出的算法对于检测敌敌畏、吡虫啉这两种菠菜表面农药残留具有较高的识别准确率和可靠性，能够满足一般的应用需求。与传统的化学分析方法相比，该方法无需对样本进行破坏性处理，且检测速度更快、成本更低。

3.2" "光谱数据验证" "为了确保光谱检测方法的可靠性，将部分样本送至西安市产品质量监督检验院，按现有国家食品检测标准对菠菜的农药残留含量进行检验，检验结果如表3所示。通过与国家标准检测结果的比较，发现光谱检测结果数据和西安市产品质量监督检验院按国家标准检测的结果数据是线性关系。

4" "小结与讨论

本研究通过基于光谱图像的方法实现了对蔬菜表面农药残留的快速、准确检测，为农产品质量安全监管提供了一种新的技术手段。虽然模型在整体上表现出了令人满意的性能，但在极端条件下，如农药残留量极低或极高时，模型的预测准确性略有下降。这可能是由于在这些浓度范围内，光谱特征的变化更为微妙，加之数据集在这些浓度下的样本量相对较少，导致模型训练时的特征学习不够充分。因此，未来的研究工作将集中在扩大数据集，特别是增加极端浓度样本的数量，以及探索更复杂的模型结构，以进一步提升模型在这些特殊情况下的表现。

此外，模型的实时性和实用性也是值得探讨的方向。当前模型虽然在实验室环境下表现优秀，但其在实际生产环境中的应用还需进一步考虑计算资源的限制和操作的便捷性。优化模型结构，减少计算复杂度，以及开发易于部署的模型版本，将是推动这一技术走向实际应用的关键步骤。

未来，我们将进一步完善该技术，提高其检测精度和稳定性，拓展其在其他农产品上的应用，并探索其在实际生产中的推广和应用。

参考文献

[1] 杨恒一，邓梅，克丽比努尔·艾尼.我国蔬菜水果有机磷类农药检测标准方法前处理技术发展现状[J].新疆农垦科技，2024，47（03）：55-58.

[2] 俞发荣，李登楼.有机磷农药对人类健康的影响及农药残留检测方法研究进展[J].生态科学，2015，34（03）：197-203.

[3] 黄琼辉.国内外农药残留检测技术研究进展和发展方向[J].福建农业学报，2008（02）：218-222.

[4] 桂文君.农药残留检测新技术研究进展[J].北京工商大学学报（自然科学版），2012，30（03）：13-18.

[5] 胡雨，丁红梅，陈丹丹，等.液相色谱质谱法检测蔬菜中6种有机磷农药残留[J].化学工程师，2024，38（07）：23-27.

[6] 傅若农.近年国内固相萃取-色谱分析的进展[J].分析试验室，2007（02）：100-122.

[7] 冯洁.茶叶中农药残留分析方法的应用研究[D].北京：北京化工大学，2014.

[8] 何佩雯，赵海誉，杜钢，等.气相色谱技术在中药农药残留检测中的应用[J].中国实验方剂学杂志，2010，16（02）：126-134.

[9] 张英明.气相色谱法的原理及其在食品农药残留检测中的应用[J].食品安全导刊，2021（35）：187-189.