徐潔+++楊杰++孫靜濤+++葉晉濤++蔣偉++黃成偉++馬本學(xué)

摘要：以新疆特色水果哈密瓜為研究對象，應(yīng)用高光譜技術(shù)對水果表面農(nóng)藥殘留種類進行分析。配制 0.1 mg/kg 20%氰戊菊酯乳油和0.03 mg/kg 40%辛硫磷乳油農(nóng)藥溶液樣本，按100 μL滴定量滴在哈密瓜表面，然后分別在紫外燈和鹵素?zé)舡h(huán)境下，采集450～1 000 nm范圍內(nèi)的哈密瓜光譜圖像數(shù)據(jù)信息，提取感興趣區(qū)域（region of interest，簡稱ROI）的光譜數(shù)據(jù)。結(jié)果表明，在鹵素?zé)艄庠礂l件下采用貝葉斯判別法，農(nóng)殘樣本的準(zhǔn)確率為100%，利用高光譜技術(shù)能夠準(zhǔn)確判別出哈密瓜表面農(nóng)藥殘留的種類。

關(guān)鍵詞：哈密瓜；高光譜技術(shù)；無損檢測；判別分析法；農(nóng)藥殘留

中圖分類號： TQ450.2+63文獻標(biāo)志碼： A

文章編號：1002-1302（2016）12-0338-03

收稿日期：2015-10-29

基金項目：國家科技支撐計劃（編號：2015BAD19B03）。

作者簡介：徐潔（1991—），女，新疆阜康人，碩士，主要從事農(nóng)業(yè)裝備自動控制與智能檢測技術(shù)研究。E-mail：18703083963@163.com。

通信作者：馬本學(xué)，博士，教授，主要從事農(nóng)產(chǎn)品智能化檢測與分級裝備研究。E-mail：mbx_shz@163.com。

近年來，隨著人們生活水平的提高，消費者對食品安全問題的關(guān)注度也越來越高。根據(jù)GB/T23398—2009《地理標(biāo)志產(chǎn)品——哈密瓜》[1]，化學(xué)農(nóng)藥殘留是評判哈密瓜等級的重要指標(biāo)之一，農(nóng)藥殘留的主要來源是哈密瓜病蟲害的防治及農(nóng)藥的噴施。近幾年氣候異常增多，哈密瓜病蟲害種類越來越多，在廣泛使用不同種類農(nóng)藥的情況下，由農(nóng)藥殘留引發(fā)的食品安全問題接踵而至。因此，農(nóng)藥殘留檢測能夠為實施食品安全計劃提供重要技術(shù)支撐，同時對保障消費者健康也具有重要意義。

高光譜技術(shù)作為一種新興技術(shù)，在農(nóng)產(chǎn)品品質(zhì)檢測方面應(yīng)用廣泛。國內(nèi)外學(xué)者將光譜技術(shù)應(yīng)用于農(nóng)藥殘留檢測領(lǐng)域。薛龍等應(yīng)用高光譜技術(shù)檢測臍橙表面農(nóng)藥殘留，結(jié)果表明，高光譜技術(shù)對檢測濃度較高的農(nóng)藥殘留效果非常明顯[2]。索少增等證明了高光譜技術(shù)結(jié)合人工神經(jīng)網(wǎng)絡(luò)檢測梨表面農(nóng)藥殘留是可行的[3]。劉民法等應(yīng)用高光譜技術(shù)判別靈武長棗表面農(nóng)藥殘留種類，準(zhǔn)確率最高為100%[4-5]。魏曉暉等應(yīng)用表面增強拉曼光譜、近紅外光譜、熒光激發(fā)等方法對食品中的農(nóng)藥殘留進行了研究[6-8]。孫俊等研究的基于自適應(yīng)提升算法的支持向量機算法能較準(zhǔn)確地鑒別桑葉農(nóng)藥殘留[9]。本研究以新疆特色瓜果哈密瓜為研究對象，采用高光譜成像技術(shù)結(jié)合距離判別法和貝葉斯判別法檢測哈密瓜表面農(nóng)藥殘留種類。

1材料與方法

1.1試驗材料

60個欣源6號哈密瓜樣本，均從新疆五家渠農(nóng)6師103團選購。

1.2樣本處理

為使試驗結(jié)果更加精確，首先在選擇的哈密瓜樣本中除去表面有明顯傷痕的樣本，然后對哈密瓜表面進行清潔擦拭，依次編號。根據(jù)GB14868—1994《食品中辛硫磷最大殘留限量標(biāo)準(zhǔn)》[10]和GB14928.5—1994《食品中氰戊菊酯最大殘留限量標(biāo)準(zhǔn)》[11]，分別配制濃度為0.03 mg/kg的40%辛硫磷樣本溶液和濃度為0.1 mg/kg的20%氰戊菊酯樣本溶液，并用移液槍將農(nóng)藥樣本溶液滴在潔凈的哈密瓜表面，滴定量為100 μL/個。

1.3試驗裝置

試驗所用的高光譜成像系統(tǒng)主要包括線陣CCD攝像機（hamamatsu）、光譜儀（imspectorV10e）、物鏡、電控平移臺、150 W 光纖鹵素?zé)簟L-3500系列超高強度紫外燈及計算機。采集光譜時，測量試驗系統(tǒng)環(huán)境溫度為24 ℃，濕度為50%～55%。經(jīng)多次試驗調(diào)整和參量優(yōu)化，設(shè)置光譜采集波段范圍為400～1 000 nm，光譜分辨率為2.8 nm，紫外燈曝光時間為52 ms，鹵素?zé)羝毓鈺r間為11 ms，物距為300 mm，圖像采集速度為1.15 mm/s。

1.4圖像數(shù)據(jù)采集

高光譜圖像是一系列光波波長處的光學(xué)圖像。光譜范圍可以在紫外（200～400 nm）、可見光（400～760 nm）、近紅外（760～2 560 nm）以及波長大于2 560 nm的區(qū)域。高光譜圖像數(shù)據(jù)也被稱為圖像塊，結(jié)構(gòu)如圖1所示，其中x、y二維是圖像像素坐標(biāo)信息，λ是第3維波長信息。由圖1還可見，原始光譜既有特定波長下的圖像信息，又有特定像素下的光譜信息。值得注意的是，在圖像采集過程中，為避免噪音及暗電流造成的圖像失真，需要在采集前將儀器預(yù)熱30 min，并進行黑白校正。

2結(jié)果與分析

2.1感興趣區(qū)域光譜信息的提取

分別將含有辛硫磷、氰戊菊酯的農(nóng)殘樣本放在鹵素?zé)?、紫外燈環(huán)境中，采集光譜數(shù)據(jù)。創(chuàng)建大小為50×50像素的矩形塊，提取感興趣區(qū)域的光譜數(shù)據(jù)。由于450 nm以下的波段被噪聲干擾較大，故選取450～1 000 nm波段范圍進行光譜數(shù)據(jù)分析。在紫外燈、鹵素?zé)粽丈湎?，無農(nóng)藥光譜曲線分別如圖2-a、圖2-b所示；含有辛硫磷的光譜曲線如圖2-c、圖2-d所示；圖2-e、圖2-f為含有氰戊菊酯的光譜曲線。

2.2光譜數(shù)據(jù)預(yù)處理

由于攝像頭中暗電流的存在以及哈密瓜表面的不平整，光照度分布較弱波段下的圖像噪聲影響較大，因此，必須對圖像進行預(yù)處理，以提高判斷的準(zhǔn)確率。本研究對試驗數(shù)據(jù)進行smooth函數(shù)平滑處理，該方法能較好地濾除噪聲。圖3-a為紫外燈光源下平滑處理后的光譜曲線，圖3-b為鹵素?zé)艄庠聪缕交琜JP3]處理后的光譜曲線。由圖3-a可以看出，在波長535875 47～690.910 99 nm和747.513 581～932.386 126 nm 2個波段范圍內(nèi)，3條光譜曲線差異較大，因此，在紫外燈照射條件下，選擇535～690 nm和747～932 nm為特征波段。同理，根據(jù)圖3-b在鹵素?zé)粽丈錀l件下的光譜曲線，選取特征波段為507.816 092～679.177 64 nm。

2.3農(nóng)藥殘留樣本判別分析

2.3.1不同光源下農(nóng)殘樣本的距離判別分析

在不同光源照射下，分別選取30個辛硫磷、氰戊菊酯和無農(nóng)藥樣本，共90個樣本，其中15個為預(yù)測集，根據(jù)樣本在感興趣區(qū)域（ROI）的特征波長，建立距離判別分析模型，以classify為函數(shù)支持，判別函數(shù)類型為Quadratic。在紫外燈環(huán)境下，農(nóng)殘樣本準(zhǔn)確率為94.67%（圖4）；在鹵素?zé)舡h(huán)境下，農(nóng)殘樣本判別準(zhǔn)確率為89.33%（圖5）。

2.3.2不同光源下農(nóng)殘樣本的貝葉斯判別分析

在不同光源照射下，分別選取30個辛硫磷、氰戊菊酯和無農(nóng)藥樣本，共90個樣本，其中15個為預(yù)測集，根據(jù)樣本在ROI區(qū)域的特征波長，建立貝葉斯判別分析模型。在紫外燈環(huán)境下，農(nóng)殘樣本判斷準(zhǔn)確率為86.67%（圖6）；在鹵素?zé)舡h(huán)境下，農(nóng)殘樣本判斷準(zhǔn)確率為100.00%（圖7）。

3結(jié)論與討論

本研究采用高光譜技術(shù)以及在紫外燈、鹵素?zé)舨煌庹窄h(huán)境下，采用不同的判別法對哈密瓜表面農(nóng)藥殘留種類進行判別。農(nóng)殘樣本在紫外燈光源環(huán)境下，采用距離判別法判斷的[CM（25]準(zhǔn)確率為94.67%，采用貝葉斯判別法判別的準(zhǔn)確率為[CM）]

[FK（W12][TPXJ6.tif]

[FK（W12][TPXJ7.tif]

8667%。農(nóng)殘樣本在線鹵素?zé)艄庠喘h(huán)境下采用距離判別法判別的準(zhǔn)確率為89.33%，采用貝葉斯判別法判別的準(zhǔn)確率為100.00%。結(jié)果表明，高光譜成像技術(shù)結(jié)合距離判別法與貝葉斯判別法可用于對農(nóng)藥殘留種類進行判別。

[HS2*2][HT8.5H]參考文獻：[HT8.SS]

[1]國家質(zhì)量監(jiān)督檢驗檢疫總局，國家標(biāo)準(zhǔn)化管理委員會. 地理標(biāo)志產(chǎn)品——哈密瓜 GB/T 23398—2009[S/OL]. 北京：中國標(biāo)準(zhǔn)出版社，2009：1-8. http：//www.docin.com/p-548143019.html.

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

[3]索少增，劉翠玲，吳靜珠，等. 高光譜圖像技術(shù)檢測梨表面農(nóng)藥殘留試驗研究[J]. 食品科學(xué)技術(shù)學(xué)報，2011，29（6）：73-77.

[4]劉民法，張令標(biāo)，何建國，等. 基于高光譜成像技術(shù)的長棗表面農(nóng)藥殘留無損檢測[J]. 食品與機械，2014，30（5）：87-92.

[5]張令標(biāo). 基于高光譜成像技術(shù)的紅棗表面農(nóng)藥殘留無損檢測的研究[D]. 銀川：寧夏大學(xué)，2014.

[6]魏曉暉，衣淑娟，秦雯. 基于拉曼光譜的蘋果表皮殘留敵百蟲的檢測[J]. 黑龍江八一農(nóng)墾大學(xué)學(xué)報，2015，27（2）：100-103.

[7]Yang C C，Kim M S，Millner P. Development of multispectral imaging algorithm for detection of frass on mature red tomatoes[J]. Postharvest Biology and Technology，2014，93（3）：1-8.

[8]雷鵬，呂少波，李野，等. 多光譜熒光圖像技術(shù)檢測農(nóng)藥殘留[J]. 發(fā)光學(xué)報，2014，35（6）：748-753.

[9]孫俊，張梅霞，毛罕平，等. 基于高光譜圖像的桑葉農(nóng)藥殘留鑒別研究[J]. 農(nóng)業(yè)機械學(xué)報，2015，46（6）：251-256.

[10]GB14868—1994食品中辛硫磷最大殘留限量標(biāo)準(zhǔn)[S].

[11]GB14928.5—1994食品中氰戊菊酯最大殘留限量標(biāo)準(zhǔn)[S].