高光譜成像技術(shù)無(wú)損檢測(cè)贛南臍橙表面農(nóng)藥殘留研究

李增芳、楚秉泉、章海亮,、何 勇*、劉雪梅、羅 微

1. 浙江水利水電學(xué)院,浙江 杭州 310018 2. 浙江大學(xué)生物系統(tǒng)工程與食品科學(xué)學(xué)院,浙江 杭州 310058 3. 華東交通大學(xué)、江西 南昌 330013

高光譜成像技術(shù)無(wú)損檢測(cè)贛南臍橙表面農(nóng)藥殘留研究

李增芳1、楚秉泉2、章海亮2,3、何 勇2*、劉雪梅3、羅 微3

1. 浙江水利水電學(xué)院,浙江 杭州 310018 2. 浙江大學(xué)生物系統(tǒng)工程與食品科學(xué)學(xué)院,浙江 杭州 310058 3. 華東交通大學(xué)、江西 南昌 330013

高光譜成像技術(shù)具備圖像和光譜的雙重優(yōu)勢(shì)、作為一種快速無(wú)損檢測(cè)分析技術(shù)、檢測(cè)過(guò)程無(wú)損、無(wú)污染和無(wú)接觸。高光譜成像數(shù)據(jù)包括樣本的圖像信息和光譜信息、采集樣本高光譜成像數(shù)據(jù)時(shí)、樣本的每個(gè)像素點(diǎn)都有一條光譜與之對(duì)應(yīng)、樣本的每個(gè)波長(zhǎng)都有一幅灰度圖像與之對(duì)應(yīng)。研究采用高光譜成像技術(shù)無(wú)損檢測(cè)不同稀釋濃度的農(nóng)藥在贛南臍橙樣品表面殘留隨時(shí)間變化的關(guān)系。用蒸餾水把農(nóng)藥分別配置成1∶20,1∶100和1∶1 000倍的溶液。然后把不同濃度的溶液滴到30個(gè)洗凈的臍橙表面,將涂有農(nóng)藥的臍橙分別放置0、4和20 d、然后采集在900～1 700 nm波長(zhǎng)范圍的高光譜成像原始數(shù)據(jù)。通過(guò)主成分分析獲取930、980、1 100、1 210、1 300、1 400、1 620和1 680 nm共8個(gè)特征波長(zhǎng)、基于這些特征波長(zhǎng)做第二次主成分分析、應(yīng)用PC-2圖像并經(jīng)過(guò)適當(dāng)?shù)膱D像處理方法對(duì)不同濃度及放置不同天數(shù)的農(nóng)藥殘留進(jìn)行無(wú)損檢測(cè)。采用高光譜成像技術(shù)檢測(cè)三個(gè)時(shí)間段較高稀釋濃度的果面農(nóng)藥殘留都比較明顯。高光譜成像技術(shù)作為一種檢測(cè)方法、可用于評(píng)價(jià)各個(gè)時(shí)間段較高濃度的農(nóng)藥殘留。

高光譜成像； 贛南臍橙； 農(nóng)藥； 殘留

引 言

果蔬表面的農(nóng)藥殘留檢測(cè)已經(jīng)有了許多成熟可行的方法、但大都費(fèi)時(shí)、速度慢、而且是破壞性的檢測(cè)。高光譜成像分析技術(shù)不同于光譜分析技術(shù)、可以同時(shí)處理樣品的圖像信息和光譜信息、采集樣品高光譜成像數(shù)據(jù)時(shí)、樣品的每個(gè)波段都有一幅灰度圖像與之對(duì)應(yīng)、樣品的每個(gè)像素點(diǎn)都有一條光譜與之對(duì)應(yīng)。高光譜成像技術(shù)具備圖像和光譜的雙重優(yōu)勢(shì)、作為一種無(wú)損檢測(cè)分析技術(shù)、檢測(cè)過(guò)程無(wú)損、無(wú)污染、樣品無(wú)需預(yù)處理、在現(xiàn)代農(nóng)業(yè)檢測(cè)分析中得到了大量應(yīng)用[1-4]。

孫俊等基于高光譜圖像的桑葉農(nóng)藥殘留鑒別進(jìn)行了研究[5]、Elmasry等采用高光譜成像技術(shù)檢測(cè)牛肉pH值、顏色和嫩度[6]； 郭志明等研究蘋果糖度高光譜圖像可視化預(yù)測(cè)的光強(qiáng)度校正方法[7]； 田有文等研究基于高光譜成像的蘋果蟲傷缺陷與果梗/花萼識(shí)別方法[8]； Cheng等利用高光譜成像對(duì)魚微生物腐敗檢測(cè)進(jìn)行了研究[9]； Xie等利用高光譜成像對(duì)未解凍豬肉品質(zhì)進(jìn)行了研究[10]； 李江波等利用近紅外高光譜圖像結(jié)合CARS算法對(duì)鴨梨SSC含量定量測(cè)定[11]； 王斌等研究了基于高光譜成像技術(shù)的腐爛、病害梨棗檢測(cè)[12]； 黃文倩等研究了基于高光譜成像的蘋果輕微損傷檢測(cè)有效波長(zhǎng)選取[13]。國(guó)內(nèi)外研究表明、高光譜成像技術(shù)在農(nóng)業(yè)檢測(cè)中得到了廣泛應(yīng)用、但是國(guó)內(nèi)應(yīng)用高光譜成像技術(shù)無(wú)損檢測(cè)贛南臍橙表面農(nóng)藥殘留的研究報(bào)道不多、薛龍等以臍橙為研究對(duì)象、初步探討了應(yīng)用可見(jiàn)近紅外高光譜成像技術(shù)檢測(cè)水果表面農(nóng)藥殘留的方法[14]。本工作主要基于高光譜900～1 700 nm近紅外波段成像系統(tǒng)、討論臍橙表面不同濃度農(nóng)藥殘留隨時(shí)間變化(0、4和20 d)情況、提取并分析涂抹農(nóng)藥后果面農(nóng)藥殘留及未涂抹農(nóng)藥的果皮感興趣區(qū)域光譜曲線、基于光譜所有波段進(jìn)行主成分處理、根據(jù)分析權(quán)重系數(shù)獲取一定數(shù)量的特征波段、然后基于這些特征波段進(jìn)行第二次主成分分析處理、以簡(jiǎn)化檢測(cè)農(nóng)藥殘留波段數(shù)量、實(shí)現(xiàn)贛南臍橙農(nóng)藥殘留圖像識(shí)別。

1 實(shí)驗(yàn)部分

1.1 材料

試驗(yàn)用贛南臍橙購(gòu)于杭州某批發(fā)市場(chǎng)、試驗(yàn)農(nóng)藥為38%惡霜密銅菌酯、可防治臍橙霜霉病、炭疽病和潰瘍病。用蒸餾水把農(nóng)藥分別配置成1∶20、1∶100和1∶1 000倍的溶液。然后把相同濃度的溶液分別滴到30個(gè)洗凈的臍橙表面、每個(gè)濃度滴10個(gè)果、每個(gè)果面農(nóng)藥殘留為2個(gè)橢圓形區(qū)域、溶液量約為500 μL。將水果分別放置0、4和20 d、拍攝圖像。

1.2 高光譜成像系統(tǒng)

高光譜成像數(shù)據(jù)采集系統(tǒng)主要由CCD相機(jī)、近紅外光譜儀、近紅外光源、光箱、樣品運(yùn)行平臺(tái)、電機(jī)、平臺(tái)控制裝置和計(jì)算機(jī)等功能部件組成。近紅外光譜儀為Specimen公司生產(chǎn)的ImSpector V17E光譜儀、該光譜儀可獲取的波長(zhǎng)范圍為900～1 700 nm、CCD相機(jī)的作用主要是獲取900～1 700 nm波長(zhǎng)范圍內(nèi)每個(gè)波長(zhǎng)的灰度圖像、近紅外光源由兩個(gè)150 W 的光纖鹵素?zé)魳?gòu)成、可提供的波長(zhǎng)范圍為400～1 780 nm、由于高光譜成像儀采用線掃描工作方式、而高光譜成像儀一旦在光箱內(nèi)調(diào)整好位置和高度后、就保持固定不動(dòng)、因此、為獲取到整個(gè)樣品高光譜成像數(shù)據(jù)、運(yùn)行平臺(tái)作相對(duì)于高光譜成像儀垂直水平運(yùn)動(dòng)、運(yùn)行速度由平臺(tái)控制裝置控制電機(jī)轉(zhuǎn)速、速度通過(guò)上位機(jī)采集軟件調(diào)節(jié)。光源、CCD相機(jī)和光譜儀等關(guān)鍵部件放置于光箱內(nèi)、隔離室內(nèi)環(huán)境光的影響、減少高光譜成像原始數(shù)據(jù)噪聲、方便后續(xù)分析。

圖1 高光譜成像系統(tǒng)檢測(cè)原理圖

1.3 高光譜數(shù)據(jù)采集

采集高光譜成像數(shù)據(jù)時(shí)、臍橙樣品放置于運(yùn)行平臺(tái)上、由于采集數(shù)據(jù)時(shí)運(yùn)行平臺(tái)保持運(yùn)動(dòng)狀態(tài)、如果速度沒(méi)有調(diào)整好、采集到的圖像會(huì)變形和不清晰、為保證采集到清晰圖像、需要考慮三個(gè)參數(shù)、分別為采集高度、平臺(tái)運(yùn)行速度和相機(jī)曝光時(shí)間、經(jīng)過(guò)多次調(diào)試、最終確定曝光時(shí)間為0.08 s、輸送平臺(tái)運(yùn)行速度為3.1 mm·s-1、物距42 cm。采集到的高光譜成像數(shù)據(jù)包括樣品光譜數(shù)據(jù)和圖像數(shù)據(jù)、后面的數(shù)據(jù)處理分析都是在此基礎(chǔ)上進(jìn)行。

1.4 光譜校正

盡管采集高光譜成像數(shù)據(jù)時(shí)是在光箱內(nèi)進(jìn)行、隔離了外界環(huán)境光的影響、但是、由于光源電源穩(wěn)定性、光強(qiáng)分布不均勻、光譜儀存在暗電流和臍橙不規(guī)則外形等影響、采集到的高光譜成像數(shù)據(jù)還是含有大量噪聲、因此、需要對(duì)原始高光譜成像數(shù)據(jù)進(jìn)行校正、以減少噪聲的影響、方便后續(xù)數(shù)據(jù)分析。數(shù)據(jù)校正需要用到白板、在相同采集條件下、獲取白板高光譜成像數(shù)據(jù)W、然后蓋上CCD相機(jī)鏡頭、光源發(fā)出的可見(jiàn)近紅外光不能進(jìn)入到光譜儀、采集到黑板高光譜成像數(shù)據(jù)B、校正公式如下

R=(I-B)/(W-B)

(1)

式中：R為校正后高光譜成像數(shù)據(jù)；W為白板高光譜成像數(shù)據(jù)；B為黑板高光譜成像數(shù)據(jù)；I為原始高光譜成像數(shù)據(jù)。后續(xù)數(shù)據(jù)分析涉及到的處理軟件包括：Matlab 2010b、Origin 8.5、Envi 4.6和Unscrambler X。

2 結(jié)果與討論

2.1 光譜數(shù)據(jù)分析

提取光譜數(shù)據(jù)通過(guò)軟件Envi 4.6完成、在臍橙圖像上選取感興趣區(qū)域(region of interest,ROI)提取光譜數(shù)據(jù)、ROI包括的像素點(diǎn)在80個(gè)左右、Envi軟件會(huì)自動(dòng)計(jì)算ROI內(nèi)每個(gè)像素點(diǎn)光譜的平均值、以此平均值作為每個(gè)臍橙樣品的光譜數(shù)據(jù)、圖2給出不同濃度農(nóng)藥殘留果贛南臍橙和正常果的ROI在900～1 700 nm平均光譜曲線、臍橙樣品的光譜曲線如圖3所示。由圖3可知：(1)臍橙樣品在近紅外區(qū)域的反射率大于可見(jiàn)光波長(zhǎng)范圍的反射率； (2)在1 080～1 700 nm光譜區(qū)域幾乎呈單調(diào)遞減趨勢(shì)； (3)與正常果樣本相比、滴過(guò)農(nóng)藥的水果ROI光譜曲線在1 000 nm波段處出現(xiàn)光譜吸收峰。

圖2 正常果和農(nóng)藥殘留表面ROI光譜曲線

2.2 主成分分析

主成分分析(PCA)是一種線性數(shù)據(jù)轉(zhuǎn)換方法、本文PCA處理分析在軟件envi 4.6中完成、對(duì)原始樣品高光譜成像數(shù)據(jù)進(jìn)行PCA處理后、圖3表示在900～1 700 nm區(qū)域波長(zhǎng)經(jīng)過(guò)PCA處理后表面不同濃度的農(nóng)藥殘留及放置不同時(shí)間樣本的PC圖像。一般情況下、PC-1包括的原始信息最多、盡管理論上認(rèn)為PC-1所含原始數(shù)據(jù)信息最多、主要包括正常果面信息、就本研究而言、PC-2圖像更適合提取農(nóng)藥殘留信息、因此、取PC-2圖像進(jìn)行后續(xù)分析處理。

每個(gè)PC圖像理論上都是由原始數(shù)據(jù)中每個(gè)波長(zhǎng)下的灰度圖像數(shù)字矩陣經(jīng)過(guò)線性運(yùn)算而形成、可以通過(guò)分析線性運(yùn)算形成的權(quán)重系數(shù)曲線得到每個(gè)PC圖像的特征波長(zhǎng)、如圖4所示、圖中權(quán)重系數(shù)曲線是由圖像PC-2的特征向量繪制而成。在分析權(quán)重系數(shù)曲線時(shí)、波峰或者波谷處的波長(zhǎng)被認(rèn)為是特征波長(zhǎng)、對(duì)圖像分析有較大幫助。因此、930、980、1 100、1 210、1 300、1 400、1 620和1 680 nm是PC-2的特征波長(zhǎng)。

圖3 不同天數(shù)和稀釋比樣品主成分圖像

圖4 PC2圖像光譜曲線權(quán)重系數(shù)

2.3 特征波段主成分分析

在第一次PCA處理中、所用波長(zhǎng)都參與了線性運(yùn)算、由于大量波段參與第一次主成分分析、盡管利用圖3中PC-2圖像檢測(cè)成功率達(dá)到100%、由于所用波長(zhǎng)數(shù)量多、不適合在線檢測(cè)。為了簡(jiǎn)化數(shù)學(xué)運(yùn)算、在前面分析基礎(chǔ)之上、采用930、980、1 100、1 210、1 300、1 400、1 620和1 680 nm做第二次PCA處理、得到的6個(gè)PC圖像如圖5所示。和采用全波長(zhǎng)進(jìn)行PCA處理得到的結(jié)果相比較差異不大、采用930、980、1 100、1 210、1 300、1 400、1 620和1 680 nm做PCA處理得到的PC-2圖像適合農(nóng)藥殘留檢測(cè)、與全波段主成分分析相比、利用特征波段做主成分分析可以降低系統(tǒng)復(fù)雜性、簡(jiǎn)化算法。

圖5 基于8個(gè)特征波段的PC圖像

2.4 農(nóng)藥殘留區(qū)域提取識(shí)別算法

為了方便贛南臍橙PC-2圖像分析處理、需要將樣品從圖像背景中分離出來(lái)、使得樣品背景為全黑或者全白、本文采用背景全黑處理、為了獲取全黑背景、軟件Envi 4.6中提供了掩模處理方法。處理過(guò)程如下：

首先、選取一個(gè)波長(zhǎng)為分析對(duì)象、這個(gè)波長(zhǎng)不是唯一的、但這個(gè)波長(zhǎng)必須能很好的區(qū)分背景和樣品、具體判斷標(biāo)準(zhǔn)就是看反射率、選取的標(biāo)準(zhǔn)為這個(gè)波長(zhǎng)在背景處的反射率明顯低于在樣品處的反射率、通過(guò)分析可知、1 300 nm左右波長(zhǎng)范圍的波長(zhǎng)都基本滿足這個(gè)條件、在此、選取1 300 nm波長(zhǎng)作為進(jìn)行掩模算法所用波長(zhǎng)。圖6(a)是進(jìn)行掩膜前樣品1 300 nm灰度圖像、圖6(b)是采樣1 300 nm波長(zhǎng)獲取到的樣品掩模二值圖像、具體到數(shù)字圖像分析領(lǐng)域、樣品掩模二值圖像即背景為全0、樣品對(duì)象為全1、將圖6(a)與圖6(b)兩幅圖像的數(shù)字矩陣進(jìn)行點(diǎn)乘運(yùn)算、得到掩膜后的灰度圖像、如圖6(c)所示。

圖6 采用掩模去除背景噪聲圖像

圖7為贛南臍橙不同濃度的農(nóng)藥殘留及放置不同時(shí)間樣本掩模去背景后部分PC-2圖像。從圖7可以看出、采用高光譜成像技術(shù)可以檢測(cè)出3個(gè)時(shí)間段較高濃度的農(nóng)藥殘留。

考慮到經(jīng)原始圖像變化后的PC2圖像中農(nóng)藥殘留區(qū)域和其他區(qū)域差異明顯、因此、無(wú)需對(duì)PC-2圖像進(jìn)行預(yù)處理、先將PC-2圖像轉(zhuǎn)換為灰度圖、然后再將灰度圖進(jìn)行二值化處理、閾值為0.5、可以看出農(nóng)藥殘留區(qū)域從其他區(qū)域中有效的被識(shí)別出來(lái)。

圖9是結(jié)合掩模算法、特征波段主成分法以及簡(jiǎn)單圖像處理算法(如域值分割等)的流程圖。

為了進(jìn)一步檢驗(yàn)算法的有效性、特征波段主成分分析法應(yīng)用于本試驗(yàn)中其他樣本、發(fā)現(xiàn)高光譜成像技術(shù)對(duì)檢測(cè)3個(gè)時(shí)間段較高濃度的農(nóng)藥殘留都比較明顯?？紤]到篇幅所限、部分樣品識(shí)別結(jié)果如圖8所示。

圖7 去背景后的圖像

圖8 二值提取農(nóng)藥殘留

圖9 農(nóng)藥殘留識(shí)別流程圖

3 結(jié) 論

(1)基于高光譜成像系統(tǒng)利用主成分分析法對(duì)農(nóng)藥殘留區(qū)域識(shí)別、結(jié)果表明高光譜成像技術(shù)對(duì)檢測(cè)各個(gè)時(shí)間段較高濃度的農(nóng)藥殘留都比較明顯。

(2)原始高光譜成像數(shù)據(jù)量大、不適合用于在線分析檢測(cè)。對(duì)原始高光譜成像數(shù)據(jù)進(jìn)行PCA處理、得到930、980、1 100、1 210、1 300、1 400、1 620和1 680 nm共8個(gè)特征波長(zhǎng)可以用于檢測(cè)、大大簡(jiǎn)化了模型、減少了數(shù)學(xué)運(yùn)算量、使得采用高光譜成像技術(shù)應(yīng)用于農(nóng)藥殘留在線檢測(cè)成為可能。

(3)基于本文得到的結(jié)果、應(yīng)基于930、980、1 100、1 210、1 300、1 400、1 620和1 680 nm波長(zhǎng)進(jìn)行PCA處理、利用得到的PC-2圖像進(jìn)行農(nóng)藥殘留檢測(cè)。另外、本工作用到的樣品數(shù)量較少、共24個(gè)缺陷樣品、以后應(yīng)加大樣品數(shù)量、以驗(yàn)證本研究結(jié)論的可行性。

[1] Siripaurawan U,Makino Y. International Journal of Food Microbiology,2015,199: 93.

[2] Yang Y,Sun D,Pu H,et al. Postharvest Biology and Technology,2015,103: 55.

[3] Wu D,Chen J,Lu B,et al. Food Chemistry,2012,135(4): 2147.

[4] Zhu F,Zhang D,He Y,et al. Food and Bioprocess Technology,2013,6(10): 2931.

[5] SUN Jun,ZHANG Mei-xia,MAO Han-ping,et al(孫 俊、張梅霞、毛罕平、等). Transactions of the Chinese Society for Agricultural Machinery(農(nóng)業(yè)機(jī)械學(xué)報(bào)),2015,46(6): 251.

[6] ElMasry G,Sun D W,Allen P. Journal of Food Engineering,2012,110(1): 127.

[7] GUO Zhi-ming、ZHAO Chun-jiang,HUANG Wen-qian,et al(郭志明、趙春江,黃文倩、等). Transactions of the Chinese Society for Agricultural Machinery(農(nóng)業(yè)機(jī)械學(xué)報(bào)),2015、46(7): 227.

[8] TIAN You-wen、CHENG Yi、WANG Xiao-qi,et al(田有文、程 怡、王小奇,等). Transactions of the Chinese Society of Agricultural Engineering(農(nóng)業(yè)工程學(xué)報(bào)),2015,(4): 325.

[9] Cheng J,Sun D. LWT-Food Science and Technology,2015,62(2): 1060.

[10] Xie A,Sun D,Xu Z,et al. Talanta,2015,139: 208.

[11] LI Jiang-bo,PENG Yan-kun,CHEN Li-ping,et al(李江波、彭彥昆、陳立平,等). Spectroscopy and Spectral Analysis(光譜學(xué)與光譜分析),2014、34(5): 1264.

[12] WANG Bin、XUE Jian-xin、ZHANG Shu-juan(王 斌、薛建新、張淑娟). Transactions of the Chinese Society for Agricultural Machinery(農(nóng)業(yè)機(jī)械學(xué)報(bào)),2013、(S1): 205.

[13] HUANG Wen-qian、CHEN Li-ping、LI Jiang-bo,et al(黃文倩、陳立平、李江波,等). Transactions of the Chinese Society of Agricultural Engineering(農(nóng)業(yè)工程學(xué)報(bào)),2013、(1): 272.

[14] XUE Long、LI Jing、LIU Mu-hua(薛 龍、黎 靜、劉木華). Acta Optica Sinica(光學(xué)學(xué)報(bào)),2008、(12): 2277.

*Corresponding author

Study on Nondestructive Detecting Gannan Navel Pesticide Residue with Hyperspectral Imaging Technology

LI Zeng-fang1,CHU Bing-quan2,ZHANG Hai-liang2,3,HE Yong2*,LIU Xue-mei3,LUO Wei3

1. Zhejiang University of Water Resources and Electric Power,Hangzhou 310018、China 2. College of Biosystems Engineering and Food Science,Zhejiang University,Hangzhou 310058,China 3. East China Jiaotong University,Nanchang 330013,China

Hyperspectral imaging technology is a rapid,non-destructive,and non-contact technique which integrates spectroscopy and digital imaging to simultaneously obtain spectral and spatial information. Hyperspectral images are made up of hundreds of contiguous wavebands for each spatial position of a sample studied and each pixel in an image contains the spectrum for that specific position. With hyperspectral imaging,a spectrum for each pixel can be obtained and a gray scale image for each narrow band can be acquired,enabling this system to reflect componential and constructional characteristics of an object and their spatial distributions. In this study,hyperspectral image technology is used to discuss the application of hyperspectral imaging detection technology of Jiangxi navel orange surface of different concentrations of pesticide residue changes with time relationship. The pesticide was diluted to 1∶20,1∶100 and 1∶1 000 solution with distilled water. A 1×2 matrix of dilutions was applied to each of 30 cleaned samples with different density pesticide residue. After 0,4 and 20 d respectively,hyperspectral images in the wavelength range from 900 to 1 700 nm are taken. The characteristic wavelengths are achieved by using principal component analysis (PCA) and the PC-2 image based on PCA using characteristic wavelengths (930、980、1 100、1 210、1 300、1 400、1 620 and 1 680 nm) as the classification and recognition of image. Based on these 8 characteristic wavelengths for a second principal component analysis,the application of PC-2 image and appropriate image processing methods for different concentrations and different days of placing pesticide residues in non-destructive testing were applied. Using hyperspectral imaging technology to detect three periods a higher dilution of the fruit surface pesticide residues are more obvious. This research shows that the technology of hyperspectral imaging can be used to effectively detect pesticide residue on Gannan navel surface.

Hyperspectral imaging; Gannan navel; Pesticide; Residue

May 7,2015; accepted Sep. 13,2015)

2015-05-07、

2015-09-13

國(guó)家自然科學(xué)基金項(xiàng)目(61134011)和江西省科技支持項(xiàng)目(20161BAB202060，20161BBF60060,20151BAB207009,20142BDH80021)資助

李增芳、1971年生、浙江水利水電學(xué)院教授 e-mail: lzf118@163.com *通訊聯(lián)系人 e-mail: yhe@zju.edu.cn

TP391

A

10.3964/j.issn.1000-0593(2016)12-4034-05