高光譜圖像技術(shù)檢測(cè)梨表面農(nóng)藥殘留試驗(yàn)研究

索少增， 劉翠玲， 吳靜珠， 陳興海， 孫曉榮， 吳勝男

(1.北京工商大學(xué)計(jì)算機(jī)與信息工程學(xué)院，北京 100048;2.北京卓立漢光儀器有限公司，北京 101149)

高光譜圖像技術(shù)檢測(cè)梨表面農(nóng)藥殘留試驗(yàn)研究

索少增1， 劉翠玲1， 吳靜珠1， 陳興海2， 孫曉榮1， 吳勝男1

(1.北京工商大學(xué)計(jì)算機(jī)與信息工程學(xué)院，北京 100048;2.北京卓立漢光儀器有限公司，北京 101149)

以滴有不同濃度毒死蜱和炔螨特農(nóng)藥的水晶皇冠梨為研究對(duì)象，探討高光譜圖像技術(shù)結(jié)合人工神經(jīng)網(wǎng)絡(luò)方法檢測(cè)水果表面農(nóng)藥殘留量的可行性.分別配制不同濃度分布的毒死蜱水溶液和炔螨特水溶液樣本各20個(gè)，按100 μL和150 μL取農(nóng)藥溶液滴在梨表面，在835.467 8～1 648.356 8 nm范圍采集高光譜圖像，提取感興趣區(qū)域數(shù)據(jù)得到4組樣本數(shù)據(jù)，每組20個(gè)，每組隨機(jī)抽取5個(gè)樣本作為預(yù)測(cè)集，利用BP人工神經(jīng)網(wǎng)絡(luò)對(duì)每組數(shù)據(jù)分別建立數(shù)學(xué)模型.滴有150 μL和100 μL農(nóng)藥溶液區(qū)域的建模結(jié)果為:兩種農(nóng)藥的殘留樣本相關(guān)系數(shù)分別都大于0.99和0.95;RMSEC和RMSEP的最大值分別為0.634 9，1.323 9和1.742 5，3.441 7.結(jié)果表明:150 μL農(nóng)藥樣本區(qū)優(yōu)于100 μL農(nóng)藥樣本區(qū)的建模結(jié)果，高光譜圖像技術(shù)結(jié)合人工神經(jīng)網(wǎng)絡(luò)法檢測(cè)梨表面農(nóng)藥殘留量是可行的，為水果表面農(nóng)藥殘留量檢測(cè)提供了新方法.

高光譜圖像;BP神經(jīng)網(wǎng)絡(luò);農(nóng)藥殘留;毒死蜱;炔螨特

自1980年A.F.H.Goetz等人在對(duì)機(jī)載成像光譜儀改進(jìn)的遙感技術(shù)重要改革中提出高光譜圖像的概念以來，高光譜圖像技術(shù)已經(jīng)發(fā)展為覆蓋了上百條光譜通道、像素點(diǎn)攜帶波譜信息量豐富的高分辨率檢測(cè)技術(shù)［1］.高光譜圖像系統(tǒng)包括數(shù)字?jǐn)z像機(jī)和光譜儀，圖像技術(shù)和光譜技術(shù)的結(jié)合使得高光譜圖像技術(shù)可以同時(shí)分析目標(biāo)樣本的物理和化學(xué)特征，因此，在食品工業(yè)中經(jīng)常被用來進(jìn)行樣本的識(shí)別、分類和瑕疵檢測(cè)［2］.

近年來，高光譜圖像技術(shù)被廣泛地用于對(duì)精度要求高的農(nóng)產(chǎn)品品質(zhì)檢測(cè)和食品安全方面檢測(cè)的實(shí)驗(yàn)室研究.洪添勝等［3］探討了高光譜圖像技術(shù)在雪花梨品質(zhì)無損檢測(cè)應(yīng)用中的可行性，得到了肯定的結(jié)果.陳全勝等［4］利用高光譜圖像技術(shù)對(duì)茶葉質(zhì)量等級(jí)進(jìn)行判別，使用反向傳播神經(jīng)網(wǎng)絡(luò)建立的模型獲得了較高的識(shí)別率.薛利紅等［5］分別使用PLS和PCR方法建立了可見近紅外高光譜圖像技術(shù)檢測(cè)菠菜葉片硝酸鹽含量的模型，通過相關(guān)系數(shù)和均方根誤差分析證明了此方法的可行性.鄒偉等［6］使用高光譜圖像技術(shù)進(jìn)行油菜籽品種鑒別，得到了分類結(jié)果.薛龍等［7］針對(duì)水果表面農(nóng)藥殘留，以滴有較高濃度的臍橙為研究對(duì)象，利用光譜范圍425～725 nm的高光譜圖像系統(tǒng)進(jìn)行檢測(cè)，發(fā)現(xiàn)對(duì)較高濃度的農(nóng)藥殘留檢測(cè)效果較好.

本文使用短波近紅外高光譜法結(jié)合BP人工神經(jīng)網(wǎng)絡(luò)檢測(cè)水晶皇冠梨表面微量農(nóng)藥殘留量，旨在探討高光譜圖像技術(shù)檢測(cè)微量農(nóng)藥殘留量的可行性，并為發(fā)現(xiàn)微量農(nóng)藥殘留量無損、快速、無接觸和無污染的安全檢測(cè)新方法［8－9］作出貢獻(xiàn).

1 高光譜圖像技術(shù)

高光譜圖像是一種新興的集數(shù)字?jǐn)z像機(jī)和光譜攝制儀于一體的無接觸式檢測(cè)技術(shù)，高光譜圖像系統(tǒng)采集的數(shù)據(jù)是由圖像平面坐標(biāo)軸和波譜空間坐標(biāo)軸組成的三維的數(shù)據(jù)立方體空間，其中，圖像坐標(biāo)中的每個(gè)像素點(diǎn)都由數(shù)百張甚至更多不同波段信息的灰度圖像堆疊在一起而形成完整的波譜信息［10］.

高光譜圖像系統(tǒng)用二維陣列傳感器以一條窄帶掃描傳送帶上樣本平面圖像的同時(shí)獲得波譜信息，從而構(gòu)成三維數(shù)據(jù)空間體［11］.其中x軸和y軸確定平面可視圖像的坐標(biāo)，縱軸λ為波長信息的坐標(biāo)軸.兼圖像處理和光譜分析的優(yōu)點(diǎn)，利用每個(gè)像素點(diǎn)都包含系統(tǒng)所覆蓋整個(gè)波段光譜數(shù)據(jù)的原理，通過在灰度圖像上選擇任何感興趣區(qū)域(region of interest，ROI)可提取波譜信息分析樣本，高光譜圖像原理如圖1.克服了傳統(tǒng)NIR檢測(cè)方法不能精確檢測(cè)到樣本ROI或?qū)颖緬呙璨痪鶆虻娜秉c(diǎn).

圖1 高光譜圖像原理Fig.1 Principle of hyperspectral imaging

2 材料與方法

2.1 試驗(yàn)試劑

農(nóng)藥炔螨特標(biāo)準(zhǔn)物質(zhì)(標(biāo)準(zhǔn)值1.00 mg/mL，以乙腈為溶劑)購自中國計(jì)量科學(xué)研究院，根據(jù)中華人民共和國農(nóng)業(yè)行業(yè)標(biāo)準(zhǔn):NY1500.41.3～1500.41.6—2009，NY1500.50 ～ 1500.92—2009 規(guī)定，炔螨特最大殘留量為5 mg/kg.使用標(biāo)準(zhǔn)物質(zhì)在濃度范圍2～20 mg/kg配制20個(gè)樣本.

農(nóng)藥毒死蜱標(biāo)準(zhǔn)物質(zhì)(標(biāo)準(zhǔn)值1.01 mg/mL，以甲醇為溶劑)同樣購自中國計(jì)量科學(xué)研究院，根據(jù)中華人民共和國農(nóng)業(yè)行業(yè)標(biāo)準(zhǔn):NY1500.41.3～1500.41.6—2009，NY1500.50 ～ 1500.92—2009 規(guī)定，毒死蜱最大殘留量為1 mg/kg.使用標(biāo)準(zhǔn)物質(zhì)在濃度范圍0.03～6 mg/kg配制20個(gè)樣本.

分別用移液槍取每種濃度的農(nóng)藥樣本150 μL和100 μL滴在購買的無公害水晶皇冠梨表面，放置8小時(shí)后進(jìn)行數(shù)據(jù)采集.在每個(gè)水晶皇冠梨樣本表面都滴有150 μL和100 μL的農(nóng)業(yè)標(biāo)準(zhǔn)規(guī)定的最大殘留量農(nóng)藥樣本與其他濃度農(nóng)藥樣品進(jìn)行比對(duì).

2.2 儀器及參數(shù)設(shè)置

高光譜圖像數(shù)據(jù)采集使用北京卓立漢光儀器有限公司HyperSIS-NIR近紅外增強(qiáng)型高光譜成像系統(tǒng).該系統(tǒng)主要由高光譜成像儀、CCD相機(jī)、光源、暗箱、計(jì)算機(jī)組成，如圖 2.光譜掃描范圍:835.467 8～1 648.356 8 nm，光譜分辨率為6.3 nm，掃描速度:60 images/s，焦平面陣列為320×256，曝光時(shí)間0.03 s，傳送帶的傳輸速度為:2.35 mm/s.

圖2 北京卓立漢光儀器有限公司HyperSIS-NIR高光譜成像系統(tǒng)Fig.2 HyperSIS-NIR hyperspectral imaging system of Zolix Instruments CO.LTD

2.3 高光譜圖像采集

高光譜圖像數(shù)據(jù)的采集使用spectraSENS高光譜軟件.高光譜圖像數(shù)據(jù)分析軟件使用ENVI(environment for visualizing images)4.7，MATLAB 7.7 和OPUS 6.5.

在采集高光譜圖像數(shù)據(jù)之前，為了克服光強(qiáng)分布弱的波段存在的圖像噪聲和暗電流的影響，首先掃描標(biāo)準(zhǔn)白板采集反射率為100%的全白標(biāo)定圖像Dwhite，然后蓋上攝像頭蓋采集反射率為0的全黑標(biāo)定圖像Ddark，進(jìn)行黑白標(biāo)定后再進(jìn)行樣本光譜圖像Dsample的采集，由此可根據(jù)公式1得到黑白標(biāo)定后的相對(duì)樣本光譜圖像的感興趣像素區(qū)域c或波段i處的反射率R:

3 結(jié)果與分析

3.1 感興趣區(qū)域波譜信息的提取

采集高光譜圖像數(shù)據(jù)之后，根據(jù)特征波段灰度圖中明顯可見的滴有農(nóng)藥樣本的區(qū)域，以面積為80個(gè)像素的橢圓形提取感興趣區(qū)域，如圖3.另外，在沒有滴農(nóng)藥的皇冠梨表面區(qū)域，可以用同樣的方法提取農(nóng)藥含量為0 mg/kg的光譜曲線.

圖3 感興趣區(qū)域的光譜信息提取Fig.3 Drawing spectrum data from RIO of hyperspectral imaging

3.2 建立模型

提取到感興趣區(qū)域的波譜數(shù)據(jù)后，對(duì)數(shù)據(jù)進(jìn)行21點(diǎn)平滑和矢量歸一化處理，處理后的譜圖如圖4.根據(jù)OPUS6.5軟件分析得出的波段貢獻(xiàn)率，毒死蜱農(nóng)殘樣本特征波段選擇為1 323.201 2～1 406.084 0.炔螨特農(nóng)殘樣本特征波段選取1 313.637 8～1 453.901 0和1 479.403 4～1 552.722 8兩個(gè)波段.

圖4 預(yù)處理后4組樣本的波譜圖Fig.4 Spectra of four sample groups after Pre-Processing

3.2.1 毒死蜱樣本的BP神經(jīng)網(wǎng)絡(luò)模型

把每組校正集中的16個(gè)樣本做訓(xùn)練樣本，使用MATLAB7.7神經(jīng)網(wǎng)絡(luò)工具箱中Powell-Beale共軛梯度反向傳播算法訓(xùn)練函數(shù)(traincgb)分別為150 μL和100 μL兩組毒死蜱樣本的ROI波譜信息建立3層BP神經(jīng)網(wǎng)絡(luò)模型，以神經(jīng)網(wǎng)絡(luò)輸出和實(shí)際化學(xué)值的平均絕對(duì)誤差(mean squared error，MSE)為其性能函數(shù)，經(jīng)多次調(diào)試，根據(jù)最優(yōu)結(jié)果將隱含層選為16個(gè)神經(jīng)元，將訓(xùn)練目標(biāo)誤差設(shè)為0.01，訓(xùn)練1 000次，訓(xùn)練好網(wǎng)絡(luò)后對(duì)每組的5個(gè)預(yù)測(cè)樣本進(jìn)行預(yù)測(cè)，模型的運(yùn)行結(jié)果如下.150 μL組:R=0.992 4，RMSEC=0.268 3，RMSEP=1.742 5.100 μL 組:R=0.953 0，RMSEC=0.652 9，RMSEP=3.441 7.模型的擬合結(jié)果如圖5和圖6，預(yù)測(cè)結(jié)果如表1和表2.

圖5 毒死蜱150 μL感興趣區(qū)域組樣本擬合結(jié)果Fig.5 Correlation plots between prediction and actual values of 150 μL ROI for Chlorpyrifos solution

圖6 毒死蜱100 μL感興趣區(qū)域組樣本擬合結(jié)果Fig.6 Correlation plots between prediction and actual values of 100 μL ROI for Chlorpyrifos solution

表1 毒死蜱150 μL感興趣區(qū)域BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果Tab.1 Predicting result of 150 μL ROI for Chlorpyrifossolution samples

表2 毒死蜱100 μL感興趣區(qū)域BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果Tab.2 Predicting result of 100 μL ROI for Chlorpyrifos solution samples

3.2.2 炔螨特樣本的BP神經(jīng)網(wǎng)絡(luò)模型

用兩組校正集中的16個(gè)樣本做訓(xùn)練樣本，利用MATLAB7.7神經(jīng)網(wǎng)絡(luò)工具箱中量化共軛梯度(scaled conjugate gradient，SCG)反向傳播算法訓(xùn)練函數(shù)(trainscg訓(xùn)練函數(shù))分別為 150 μL 和 100 μL兩組炔螨特樣本的ROI波譜信息建立三層BP神經(jīng)網(wǎng)絡(luò)模型，以神經(jīng)網(wǎng)絡(luò)輸出和實(shí)際化學(xué)值的平均絕對(duì)誤差(mean squared error，MSE)為性能函數(shù)，經(jīng)多次調(diào)試，根據(jù)最優(yōu)結(jié)果將隱含層選為16個(gè)神經(jīng)元，將訓(xùn)練目標(biāo)誤差設(shè)為0.01，訓(xùn)練1 000次，訓(xùn)練好網(wǎng)絡(luò)后對(duì)每組的5個(gè)預(yù)測(cè)樣本進(jìn)行預(yù)測(cè)，模型的運(yùn)行結(jié)果如下.150 μL 組:R=0.993 5，RMSEC=0.634 9，RMSEP=1.593 2.100 μL 組:R=0.972 4，RMSEC=1.323 9，RMSEP=2.722 7.模型的擬合結(jié)果如圖7和圖8，預(yù)測(cè)結(jié)果如表3和表4.

圖7 炔螨特150 μL感興趣區(qū)域組樣本擬合結(jié)果Fig.7 Correlation plots between prediction and actual values of 150 μL ROI for Propargite solution

表3 炔螨特150 μL感興趣區(qū)域BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果Tab.3 Predicting result of 150 μL ROI forPropargite solution samples

圖8 炔螨特100 μL感興趣區(qū)域組樣本擬合結(jié)果Fig.8 Correlation plots between prediction and actual values of 100 μL ROI for Propargite solution

表4 炔螨特100 μL感興趣區(qū)域BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果Tab.4 Predicting result of 100 μL ROI for Propargite solution samples

4 結(jié)論

農(nóng)藥殘留檢測(cè)問題是食品安全領(lǐng)域的重要內(nèi)容.由于農(nóng)產(chǎn)品農(nóng)藥殘留為微量檢測(cè)，對(duì)儀器精度和檢測(cè)方法的選擇有較高的要求.本文對(duì)高光譜圖像技術(shù)檢測(cè)水晶皇冠梨表面農(nóng)藥殘留量進(jìn)行了研究，充分利用人工神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線性映射和泛化能力建立復(fù)雜定量分析模型，對(duì)分析結(jié)果總結(jié)如下.

1)特征波長的選取在通過主成分分析按貢獻(xiàn)確定的波段中仍需從多波段中篩選擇農(nóng)藥物質(zhì)的特征波段，選擇過程比較繁瑣，這就需要建立所有農(nóng)藥品種的譜庫，確定特征波段，由于農(nóng)藥品種極多，此任務(wù)需耗費(fèi)大量的時(shí)間和經(jīng)費(fèi).

2)根據(jù)建模結(jié)果，尤其對(duì)預(yù)測(cè)集的預(yù)測(cè)結(jié)果(RMSEP)來看，滴有較多農(nóng)藥溶液的水晶皇冠梨的建模效果較好，此方法所建立模型的適用性仍然在一定程度上受到農(nóng)藥殘留量的制約，因此，如何優(yōu)化模型提高預(yù)測(cè)能力仍需要進(jìn)一步研究.

3)在使用BP神經(jīng)網(wǎng)絡(luò)建模過程中，確定隱含層神經(jīng)元的數(shù)目是難點(diǎn)之一，隱含層神經(jīng)元數(shù)目太多，會(huì)出現(xiàn)過擬合，導(dǎo)致泛化能力很弱;隱含層數(shù)目太少，擬合不充分，模型質(zhì)量差.因此，需要多次調(diào)試確定隱含層神經(jīng)元數(shù).

結(jié)果表明，高光譜圖像技術(shù)結(jié)合BP人工神經(jīng)網(wǎng)絡(luò)可用于農(nóng)藥殘留量的檢測(cè)，無需對(duì)樣本進(jìn)行任何預(yù)處理即可進(jìn)行數(shù)據(jù)采集，高光譜圖像技術(shù)是農(nóng)藥殘留量無損、高精度和快速的檢測(cè)方法.

［1］Antonio P，Jon A B，Joseph W B，et al.Recent advances in techniques for hyperspectral image processing［J］.Remote Sensing of Environment，2009(113):110-122.

［2］Mohammed K，Gamal E，Sun D W，et al.Application of NIR hyperspectral imaging for discrimination of lamb muscles［J］.Journal of Food Engineering，2011(104):332-340.

［3］洪添勝，喬軍，Wang Ning，等.基于高光譜圖像技術(shù)的雪花梨品質(zhì)無損檢測(cè)［J］.農(nóng)業(yè)工程學(xué)報(bào)，2007，23(2):151-155.

［4］陳全勝，趙杰文，蔡健榮，等.利用高光譜圖像技術(shù)評(píng)判茶葉的質(zhì)量等級(jí)［J］.光學(xué)學(xué)報(bào)，2008，28(4):669-674.

［5］薛利紅，楊林章.基于可見近紅外高光譜的菠菜硝酸鹽快速無損測(cè)定研究［J］.光譜學(xué)與光譜分析，2009，29(4):926-930.

［6］鄒偉，方慧，劉飛，等.基于高光譜圖像技術(shù)的油菜籽品種鑒別方法研究［J］.浙江大學(xué)學(xué)報(bào):農(nóng)業(yè)與生命科學(xué)版，2011，37(2):175-180.

［7］薛龍，黎靜，劉木華.基于高光譜圖像技術(shù)的水果表面農(nóng)藥殘留檢測(cè)試驗(yàn)研究［J］.光學(xué)學(xué)報(bào)，2008，28(12):2277-2280.

［8］劉翠玲，隋淑霞，孫曉榮，等.近紅外光譜技術(shù)用于菠菜中毒死蜱殘留的定量分析研究［J］.食品科學(xué)，2008，29(7):356-358.

［9］劉翠玲，隋淑霞，吳靜珠，等.近紅外光譜技術(shù)檢測(cè)溶液中毒死蜱含量試驗(yàn)［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40(1):129-131.

［10］Govindarajan K N，Lauren M G，Jeyamkondan S，et al.Visible/near-infrared hyperspectral imaging for beef tenderness prediction［J］.Computers and Electronics in Agriculture，2008(64):225-233.

［11］Millar S J，Whitworth M B，Chau A，et al.Mapping food composition using NIR hyperspectral imaging［J］.New Food，ISSUE，2008(3):34-39.

(責(zé)任編輯:王 寬)

Detecting Pesticide Residue on Crystal Crown Pear Surface by Hyperspectral Imaging Technology Combined with Artificial Neural Network

SUO Shao-zeng1，LIU Cui-ling1，WU Jing-zhu1，CHEN Xing-hai2，SUN Xiao-rong1，WU Sheng-nan1
(1.School of Computer Science and Information Engineering，Beijing Technology and Business University，
Beijing 100048，China;2.Zolix Instruments Co.Ltd.，Beijing 101149，China)

The hyperspectral imaging technology combined with BP neural network was used to detect pesticide residues on surface of fruit，crystal crown pears，such as chlorpyrifos and propargite pesticide.Twenty samples were prepared for both chlorpyrifos and propargite with different concentrations.Dropping the 100 μL and 150 μL pesticide solution droplets in pear surface，the hyperspectral images were scanned in 835.467 8～1 648.356 8 nm band range.Twenty regions of interest(ROI)were available for four sample groups，from which five samples were randomly selected as predictor set.The results of models built by BP neural network for 100 μL and 150 μL pesticide solution region showed that correlation coefficient of the samples was greater than 0.99 and 0.95 respectively.RMSEC and RMSEP maximum value was respectively 0.6349，1.3239 and 1.7425，3.4417.The results indicated that 150 μL pesticide solution region was better than 100 μL in the modeling.Hyperspectral image technology combined with BP neural network method is feasible for detection of pesticide residues on pear surface.which provide a new method for detection of pesticide residues on fruit surface.

hyperspectral imaging;BP neural network;pesticide residue;Chlorpyrifos;propargite

TS207.3

A

1671-1513(2011)06-0073-05

2011-10-30

北京市自然科學(xué)基金資助項(xiàng)目(4073031);北京市優(yōu)秀人才資助項(xiàng)目(20081D0500300130).

索少增，男，碩士研究生，研究方向?yàn)橹悄軝z測(cè)與數(shù)據(jù)融合理論及方法、食品安全檢測(cè)技術(shù);

劉翠玲，女，教授，博士，主要從事智能測(cè)量技術(shù)與數(shù)據(jù)處理、系統(tǒng)建模與仿真、智能控制等方面的研究.通訊作者.