基于離散小波變換特征的農(nóng)產(chǎn)品葉片表面基于離散小波變換特征的農(nóng)產(chǎn)品葉片表面

摘 要： 農(nóng)藥殘留檢測方法易受到葉片圖像空間噪聲的干擾，檢測精度較低。提出基于離散小波變換特征的農(nóng)產(chǎn)品葉片表面農(nóng)藥殘留檢測方法。采用多模態(tài)融合網(wǎng)絡(luò)對農(nóng)產(chǎn)品葉片表面特征向量進(jìn)行提取，在網(wǎng)絡(luò)模型中引入注意力模塊對特征向量進(jìn)行非對稱模態(tài)融合處理，以消除空間噪聲，并通過對葉片圖像的邊緣進(jìn)行過濾與校正，以分割葉片圖像邊緣，結(jié)合離散小波變換特征算法對原始圖像進(jìn)行逐級分解變換，并求取葉片表面光譜反射率，以此確定葉片表面感興趣區(qū)域，基于此，利用特征光譜處理方法對農(nóng)藥的光譜進(jìn)行判別，以此實(shí)現(xiàn)農(nóng)藥殘留檢測。對比試驗(yàn)結(jié)果表明，所提方法對于農(nóng)產(chǎn)品葉片表面農(nóng)藥殘留檢測具有較高的檢測精度。

關(guān)鍵詞：離散小波變換特征；農(nóng)產(chǎn)品葉片；農(nóng)藥殘留檢測；光譜圖像

中圖分類號：S126 文獻(xiàn)標(biāo)識碼：A 文章編號：2095-1795（2024）06-0112-06

DOI：10.19998/j.cnki.2095-1795.2024.06.019

0 引言

農(nóng)作物包括各種農(nóng)業(yè)植物，如糧食作物、經(jīng)濟(jì)作物和蔬菜作物。其中食用作物是人們的基本食物來源之一，其礦物質(zhì)含量高，富含維生素、蛋白質(zhì)等多種營養(yǎng)物質(zhì)。在農(nóng)作物種植和栽培過程中，通常施用農(nóng)藥來預(yù)防病蟲害并提高農(nóng)產(chǎn)品產(chǎn)量。但由于農(nóng)藥施用過量或施用不合理等因素，容易導(dǎo)致農(nóng)產(chǎn)品葉片表面農(nóng)藥殘留過多。因此，農(nóng)藥殘留檢測是促進(jìn)農(nóng)業(yè)綠色發(fā)展的重要技術(shù)手段。

陶然[1] 采用氣相色譜法建立葉片表面氣相色譜與農(nóng)藥殘留濃度之間的定量回歸模型，并借助偏最小二乘算法實(shí)現(xiàn)農(nóng)殘檢測，該方法存在樣品制備慢、結(jié)果不可靠等缺陷，實(shí)際應(yīng)用效果不佳。左婧[2] 采用超高效液相色譜?串聯(lián)質(zhì)譜方法對葉片表面的拉曼光譜進(jìn)行鑒定，并結(jié)合最優(yōu)分類模型完成農(nóng)殘檢測。該方法的檢測速率較低，無法滿足低成本檢測的需求。

基于以上分析，本研究以離散小波變換調(diào)整算法為依托，對農(nóng)產(chǎn)品葉片表面農(nóng)藥殘留檢測方法展開深入研究，為了解農(nóng)藥安全使用周期提供一種新的思路，有利于農(nóng)產(chǎn)品的生產(chǎn)與流通。

1 檢測方法設(shè)計(jì)

1.1 農(nóng)產(chǎn)品葉片圖像邊緣分割

農(nóng)產(chǎn)品葉片圖像邊緣的準(zhǔn)確分割是獲取農(nóng)產(chǎn)品病害和實(shí)現(xiàn)農(nóng)產(chǎn)品葉片農(nóng)藥殘留檢測的關(guān)鍵步驟?？紤]到收集農(nóng)產(chǎn)品葉片圖像的復(fù)雜環(huán)境，以及地面、行人和機(jī)器等干擾噪聲的存在，生成的葉片圖像邊緣定位準(zhǔn)確性較低[3]。利用多模式融合網(wǎng)絡(luò)采集農(nóng)產(chǎn)品葉片的視覺圖像，為后期完成農(nóng)藥殘留檢測奠定基礎(chǔ)。

對編碼器和解碼器執(zhí)行6 次非對稱多通道融合來代替原來的5×5 階連接，以增強(qiáng)圖像邊緣的線性表達(dá)[4]。同時引入注意力模塊，增強(qiáng)網(wǎng)絡(luò)對葉片邊緣的關(guān)注，實(shí)現(xiàn)多尺度葉片邊緣區(qū)域定位。多模態(tài)融合網(wǎng)絡(luò)對于葉片邊緣分割的結(jié)構(gòu)如圖1 所示。

假設(shè)輸入的原始葉片圖像特征圖維度為I（H，W，C），其中，H、W、C 分別表示葉片圖像的長、寬、高。輸入特征圖經(jīng)過編碼器初次融合后提取到的特征向量可表示為

V0=E0[lgD（x0， y0）] （1）

式中 V0——融合后特征向量

E0——采集樣本的判別期望值

D（x0， y0）——一對實(shí)像的采樣率

x0——經(jīng)過預(yù)處理的輸入圖像

y0——實(shí)圖像

網(wǎng)絡(luò)采樣率相對于輸入數(shù)據(jù)與輸出數(shù)據(jù)的一次采樣時間[5]?？杀硎緸?/p>

式中 γt——融合后多尺度特征值

C0——像素點(diǎn)系數(shù)

δ（t）——換階函數(shù)

w0——特征值

葉片圖像經(jīng)過解碼器解碼后，對其進(jìn)行傅里葉變換，得到葉片表面特征權(quán)重[9]。計(jì)算公式為

xc ="γt * r0β（x） （7）

式中 xc——葉片圖像變換權(quán)重

*——疊加操作

r0——圖像縮放因子

β（x）——門函數(shù)

采用雙向?yàn)V波器對葉片圖像的邊緣進(jìn)行過濾與校正。表達(dá)式為

Rl = xcε0 （8）

式中 Rl——去除背景的葉片圖像

ε0——濾波器參數(shù)

采用式（9）分割葉片圖像的邊緣區(qū)域，即

I′= Rl（y1／u0）（9）

式中 I'——葉片圖像邊緣分割結(jié)果

y1——解碼器輸出值

u0——圖像滑動窗口中心點(diǎn)的像素值

采用多模態(tài)融合網(wǎng)絡(luò)對原始輸入葉片圖像進(jìn)行多通道編碼與解碼操作，結(jié)合注意力模塊，增強(qiáng)葉片邊緣的線性表達(dá)，并利用雙向?yàn)V波器功率與校正圖像邊緣，以此實(shí)現(xiàn)葉片邊緣的準(zhǔn)確分割，為接下來葉片表面感興趣區(qū)域的選取提供了便利條件。

1.2 基于離散小波變換特征的感興趣區(qū)域選取

在完成農(nóng)產(chǎn)品葉片圖像的邊緣分割后，為了明確農(nóng)藥殘留在葉片表面的分布情況，有必要在處理后的葉片表面圖像中選擇感興趣的區(qū)域作為檢測的目標(biāo)區(qū)域，并在目標(biāo)區(qū)域中檢測農(nóng)藥殘留。

本研究利用離散小波變換的多分辨率特征算法對葉片圖像進(jìn)行多級離散變換，得到不同尺度的特征細(xì)節(jié)子帶和近似子帶[10]。通過圖像特征的最優(yōu)逼近，確定葉片表面上的感興趣區(qū)域。為方便數(shù)據(jù)采集，將農(nóng)產(chǎn)品葉片圖像裁剪8 cm×8 cm 的正方形樣本，利用小波基函數(shù)的逐級運(yùn)算實(shí)現(xiàn)圖像的多分辨細(xì)化，具體如圖2 所示。

三維圖像信號I'在經(jīng)過一級小波變換后分解為4 個高頻細(xì)節(jié)子帶，即水平子帶CA1、垂直子帶CH1、中心子帶CV1 和對角子帶CD1；其中水平子帶按照上述方法繼續(xù)下分為對應(yīng)子帶CA2、CH2、CV2 和CD2。以此類推，得到小波離散變換的表達(dá)式為

式中 W（t）——小波離散變換結(jié)果

Φ0——圖像平移向量

α1——離散變量

k——圖像分解層數(shù)

j0——屬性約束

將圖像像素?cái)?shù)據(jù)中的特征值與小波基函數(shù)信號的頻率相對應(yīng)，實(shí)現(xiàn)對圖像的降維[11]。計(jì)算公式為

式中 T1——降維結(jié)果

f（β）——離散小波基函數(shù)

p0——隨機(jī)矢量

將圖像進(jìn)行多分辨細(xì)分后可提取圖像結(jié)構(gòu)參數(shù)，即

gc =T1yv／d0（12）

式中 gc——圖像結(jié)構(gòu)參數(shù)

yv——像素互功率譜

d0——相鄰兩個像素點(diǎn)之間的最短距離

利用式（12）可以將尺寸為a×b 的灰度圖像細(xì)分為9 個小圖像子塊，則每個子塊的尺寸與圖像平移的距離e 之間的關(guān)系如表1 所示。

將相鄰兩幅圖像子塊進(jìn)行開操作運(yùn)算，定義為

Dr =（hi ⊙hj）+gc （13）

式中 Dr——圖像子塊的模擬參數(shù)i = 1，2，…，9， j = 1，2，…，9，i ， j

hi、hj——第i 個和第j 個圖像子塊的尺寸，

⊙——腐蝕操作

+——擬合符號

進(jìn)而可根據(jù)葉片表面光譜反射率的變化情況確定

葉片表面的感興趣區(qū)域，即

fy = DrRcYc （14）

式中 fy——葉片表面光譜反射率

Rc——信號重構(gòu)系數(shù)

Yc——狀態(tài)系數(shù)

將葉片表面光譜反射率大于光譜反射率閾值的像素點(diǎn)作為感興趣區(qū)域，并利用式（14）遍歷葉片表面全部像素點(diǎn)，構(gòu)成感興趣區(qū)域ROI，即可確定葉片表面農(nóng)藥殘留的目標(biāo)檢測區(qū)域，為后續(xù)實(shí)現(xiàn)農(nóng)殘檢測提供幫助。

1.3 實(shí)現(xiàn)農(nóng)產(chǎn)品葉片表面農(nóng)殘檢測

采用特征光譜處理方法通過在農(nóng)產(chǎn)品葉片表面的感興趣區(qū)域中選擇有效的特征光譜，并對農(nóng)藥的光譜進(jìn)行判別，以此實(shí)現(xiàn)農(nóng)藥殘留檢測。在圖像表面感興趣區(qū)域的光譜數(shù)據(jù)中隨機(jī)抽取出一定的樣本比例，建立最小二乘回歸模型[12]。表達(dá)式為

L = ROIbw +nk jp （15）

式中 L——最小二乘回歸樣本

ROI——農(nóng)產(chǎn)品葉片表面感興趣區(qū)域

bw——標(biāo)準(zhǔn)正態(tài)累積概率函數(shù)

nk——光譜數(shù)據(jù)

jp——?dú)埐?/p>

根據(jù)偏差度函數(shù)主動去除光譜數(shù)據(jù)中殘差較小的波長，則在第n'次采樣后，光譜中波長變量點(diǎn)的保留率為[13]

μ"= k0（ρcgl／L）（16）

式中 μ——保留率

k0——朗德因子

ρc、gl——經(jīng)驗(yàn)常數(shù)與衰減常數(shù)

在第N 次采樣時，光譜矩陣中的波長參量只有兩個變量參與模型運(yùn)算，即

rN =2／μxt（17）

式中 rN——采樣結(jié)果

xt——采樣波長

引入多變量非線性函數(shù)求取波長保留率中的兩個常數(shù)[14]。計(jì)算公式為

式中 τ0——采樣時延

λ——變量子集

zc——交互驗(yàn)證系數(shù)

hp——驗(yàn)證均方根誤差值

則降維后葉片圖像像素點(diǎn)的光譜變化量為

Δ? =（ρc／gl）×（ m′／ν0）（19）

式中 Δω——光譜變化量

m'——參與建模的參量

v0——比例系數(shù)

則每個像素點(diǎn)波長變量的權(quán)重可表示為[15]

ωi =ln （yl／2）／Δ?（N -1）（20）

式中 ωi——像素點(diǎn)波長變量的權(quán)重

yl——均方根誤差

N——采樣次數(shù)

由此，可計(jì)算葉片表面農(nóng)藥殘留特征量屬于第q種農(nóng)藥類別的概率為

pq =ωiot／η0（21）

式中 pq——特征量歸屬概率

ot——農(nóng)藥殘留物的特征波長

η0——松弛變量

利用式（21）計(jì)算農(nóng)產(chǎn)品葉片表面農(nóng)藥殘留物的特征量所屬概率，將計(jì)算得到的概率最大值確定為第q 種農(nóng)藥類別，以此實(shí)現(xiàn)農(nóng)藥殘留檢測。

2 試驗(yàn)論證分析

為驗(yàn)證本研究在農(nóng)產(chǎn)品葉片表面農(nóng)藥殘留檢測中的應(yīng)用可行性，采用對比試驗(yàn)的方法對本研究方法進(jìn)行性能測試，并根據(jù)試驗(yàn)結(jié)果分析本研究方法的檢測效果。

2.1 試驗(yàn)準(zhǔn)備

試驗(yàn)樣本采購于烏蘭察布市家家悅超市，其中使用的農(nóng)產(chǎn)品樣本為白菜葉片。試驗(yàn)農(nóng)藥為32.5% 毒死蜱、15% 辛硫磷、13.2% 二嗪磷、9.8% 高效氯氰菊酯和0.7% 甲氰菊酯。根據(jù)農(nóng)產(chǎn)品葉片表面相關(guān)農(nóng)藥殘留限量標(biāo)準(zhǔn)，將上述5 種農(nóng)藥稀釋至0.05% 后，取2 mL稀釋液均勻噴灑在白菜葉片表面。每種農(nóng)藥溶液噴灑20 個樣品，然后將葉片在室溫下放置24 h，以確保葉片完全吸收農(nóng)藥殘留；使用高光譜成像系統(tǒng)采集白菜葉片的表面光譜數(shù)據(jù)。為了確保收集到的光譜數(shù)據(jù)不包含暗電流和諧波等干擾因素，高光譜系統(tǒng)的最終曝光時間設(shè)置0.02 s，光譜范圍500～900 nm，波段數(shù)300。采集的白菜偽灰度圖像如圖3 所示。

將原始葉片圖像裁剪至40 像素×40 像素，利用文中方法提取葉片表面的感興趣區(qū)域，對包含農(nóng)藥樣本的平均光譜進(jìn)行計(jì)算，得到未經(jīng)處理的葉片本底光譜數(shù)據(jù)如圖4 所示。

利用離散小波變換對輸入待檢測圖像進(jìn)行壓縮，得到低頻分量；針對圖像進(jìn)行小波變換時的損失特性，采用一級離散BIOR 小波變換來實(shí)現(xiàn)像素增強(qiáng)。設(shè)定圖像分塊參數(shù)d'=9，相位相關(guān)閾值C = 0.04、圖像像素門限值T = 1，激活函數(shù)取值范圍1≤f（t）≤10。

2.2 試驗(yàn)說明

特征變量可以表征被研究對象最重要的屬性，在圖像邊緣分割過程中起著至關(guān)重要的作用。因此將試驗(yàn)數(shù)據(jù)集樣本隨機(jī)劃分為訓(xùn)練集和預(yù)測集。在本研究中，以3∶2 的比例隨機(jī)選擇60 個樣本作為訓(xùn)練集，40 個樣本作為預(yù)測集。

利用SNV 方法對原始光譜進(jìn)行居中和加權(quán)（標(biāo)準(zhǔn)正態(tài)變換）處理，以消除采集環(huán)境干擾因素對光譜的影響，并對光譜中的基線效應(yīng)和背景噪聲進(jìn)行預(yù)處理和抑制，以提高光譜分辨率。

為證明檢測在農(nóng)產(chǎn)品葉片實(shí)際樣品中農(nóng)藥殘留定量檢測的可行性，本研究按照上述前處理方法來進(jìn)行試驗(yàn)樣品的預(yù)處理，并采集光譜，以此為數(shù)據(jù)基礎(chǔ)實(shí)現(xiàn)葉片表面農(nóng)藥殘留檢測。

2.3 葉片農(nóng)藥殘留檢測結(jié)果

基于以上試驗(yàn)準(zhǔn)備與算法相關(guān)參數(shù)的設(shè)定，采用本研究提出的方法對試驗(yàn)白菜樣本表面的農(nóng)藥殘留類型進(jìn)行檢測，將葉片表面毒死蜱、辛硫磷、二嗪磷、高效氯氰菊酯和蟲滿茚蟲威的真實(shí)類別標(biāo)簽用A～E 表示，根據(jù)本研究方法的檢測結(jié)果與實(shí)際結(jié)果的比較情況，分析本研究方法的檢測性能，結(jié)果如圖5 所示。圖5 中，橫坐標(biāo)代表測試樣本的編號，縱坐標(biāo)則代表檢測出的農(nóng)藥類別標(biāo)簽；每一個點(diǎn)表示對于某一個測試樣本，利用本研究方法檢測出的農(nóng)藥殘留類型。如果點(diǎn)位于與真實(shí)標(biāo)簽相同的位置，則意味著該樣本的農(nóng)藥殘留類型被正確檢測；如果點(diǎn)位于與真實(shí)標(biāo)簽不同的位置，則意味著檢測出現(xiàn)了誤差。

由圖5 可知，在不同測試樣本條件下，利用本研究方法對白菜葉片樣本的表面農(nóng)藥殘留類型進(jìn)行檢測，除了對類別標(biāo)簽為D 的農(nóng)藥類型檢測出現(xiàn)了誤差外，其余均檢測正確。分析原因可知，標(biāo)簽D 的農(nóng)藥類型為高效氯氰菊酯，該物質(zhì)經(jīng)過稀釋后的物性參數(shù)發(fā)生了變化，使得光譜特征數(shù)據(jù)存在模糊偏差，進(jìn)而影響了最終的農(nóng)藥殘留判別結(jié)果。整體來看，本研究方法能夠較為準(zhǔn)確地檢測出農(nóng)產(chǎn)品葉片表面農(nóng)藥殘留類別，具有較高的檢測精度。

2.4 檢測誤差對比試驗(yàn)

為進(jìn)一步證明本研究方法在農(nóng)產(chǎn)品葉片表明農(nóng)藥殘留檢測精度方面的優(yōu)越性能，引入卷積神經(jīng)網(wǎng)絡(luò)算法（方法1）、微流控技術(shù)（方法2）作為本研究方法的對比方法。試驗(yàn)樣本為同時5 種農(nóng)藥殘留類別的葉片，分別利用3 種方法對試驗(yàn)數(shù)據(jù)中的測試集進(jìn)行應(yīng)用，統(tǒng)計(jì)并比較不同方法的檢測誤差，結(jié)果如圖6 所示。

由圖6 可知，分別采用不同方法對同時包含5 種農(nóng)藥類別的白菜葉片表面的農(nóng)藥殘留類型進(jìn)行檢測，與對照組方法相比，本研究方法檢測結(jié)果的相對誤差更小，對于不同樣本集，檢測相對誤差始終保持在40% 以下，檢測精度遠(yuǎn)高于方法1 與方法2。對照組方法檢測效果較差的主要成因是未采用交叉驗(yàn)證方法選擇檢測模型的控制參數(shù)，由此影響了檢測準(zhǔn)確性。通過試驗(yàn)對比結(jié)果可以說明，本研究方法能夠以較高的精度檢測出農(nóng)產(chǎn)品葉片表面農(nóng)藥殘留類別，具有更為優(yōu)良的檢測性能。

3 結(jié)束語

本研究結(jié)合離散小波變換調(diào)整算法研究并設(shè)計(jì)一種新的農(nóng)殘檢測方法，表明離散小波變換特征算法在農(nóng)產(chǎn)品葉片農(nóng)藥殘留檢測方面具有較好的應(yīng)用前景，能夠在一定程度上保證農(nóng)產(chǎn)品的安全生產(chǎn)。

參考文獻(xiàn)

［1］陶然． 氣相色譜法檢測糧食中的農(nóng)藥殘留[J]． 中國食品，2023（14）：132-134．

［2］左婧．基于超高效液相色譜?串聯(lián)質(zhì)譜的農(nóng)產(chǎn)品農(nóng)藥殘留快速篩選定量檢測方法研究[J]． 中國食品工業(yè)， 2023（ 13） ： 49-51，54．

［3］金來加．黃精中11 種常用農(nóng)藥殘留檢測方法的建立[J]．現(xiàn)代農(nóng)業(yè)科技，2023（14）：107-109，115．

JIN Laijia．Detection methods establishment of 11 commonly used pesticideresidues in Polygonatum sibiricum[J]． Modern Agricultural Scienceand Technology，2023（14）：107-109，115．

［4］鮮衛(wèi)平，歐全宏，江麗琴，等．小米中辛硫磷農(nóng)藥殘留的拉曼光譜檢測研究[J]．光譜學(xué)與光譜分析，2023，43（S1）：131-132．

XIAN Weiping， OU Quanhong， JIANG Lijin， et al． Determinationof phoxim pesticide residues in millet by Raman spectroscopy[J]．Spectroscopyand Spectral Analysis，2023，43（S1）：131-132．

［5］裘一婧，賈彥博，張佳鳳，等．微流控芯片快速檢測技術(shù)在鐵皮石斛農(nóng)藥殘留檢測中的應(yīng)用研究[J]．中國現(xiàn)代應(yīng)用藥學(xué)，2023，40（15）：2131-2139．

QIU Yijing， JIA Yanbo， ZHANG Jiafeng， et al． Study on applicationof microfluidic chip rapid detection in the detection of pesticideresidues in dendrobium officinale[J]． Chinese Journal of Modern AppliedPharmacy，2023，40（15）：2131-2139．

［6］文蘭青．氣相色譜質(zhì)譜法檢測地表水中5 種三唑類農(nóng)藥殘留[J]．化學(xué)工程師，2023，37（7）：38-40．

WEN Lanqing． Determination of five triazole pesticide residues in surfacewater by GC-MS[J]．Chemical Engineer，2023，37（7）：38-40．

［7］羅婧，劉琦，趙麗平．Sin-QuEChERS 結(jié)合高效液相色譜-串聯(lián)質(zhì)譜法快速檢測調(diào)味油樣品農(nóng)藥殘留[J]． 中國調(diào)味品， 2023，48（7）：169-174．

LUO Jing， LIU Qi， ZHAO Liping． Rapid determination of pesticideresidues in seasoning oil samples by Sin-QuEChERS combined with highperformance liquid[J]．China Condiment，2023，48（7）：169-174．

［8］楊江江，周宏鑫，李瑞賓，等．優(yōu)化QuEChERS 技術(shù)在肉蓯蓉中農(nóng)藥殘留檢測應(yīng)用研究[J]．山西化工，2023，43（6）：10-11，17．

YANG Jiangjiang，ZHOU Hongxin，LI Ruibin，et al．Application ofimproved QuEChERS technology in the detection of pesticide residues incistanche deserticola[J]． Shanxi Chemical Industry， 2023， 43（ 6） ：10-11，17．

［9］邰玲，趙志超，張曉斌，等．氣相色譜?質(zhì)譜法檢測黃瓜中農(nóng)藥殘留的研究[J]．運(yùn)城學(xué)院學(xué)報(bào)，2023，41（3）：24-28．

TAI Ling， ZHAO Zhichao， ZHANG Xiaobin， et al． Determinationof pesticide residues in cucumber by gas chromatography-mass spectrometry[J]．Journal of Yuncheng University，2023，41（3）：24-28．

［10］孫桂蘭． 食品檢測中農(nóng)藥殘留檢測技術(shù)研究[J]． 食品界，2023（6）：99-101．

［11］付文琪．食用農(nóng)產(chǎn)品農(nóng)藥殘留快速檢測方法研究[J]．食品安全導(dǎo)刊，2023（16）：180-182．

FU Wenqi．Study on the rapid detection method of pesticide residues inedible agricultural products[J]． China Food Safety Magazine，2023（16）：180-182．

［12］王瑩．氣相色譜法檢測糧食中4 種有機(jī)磷農(nóng)藥殘留量[J]．現(xiàn)代食品，2023，29（10）：211-214．

WANG Ying． Determination of 4 organophosphorus pesticide residuesin grain by gas chromatography[J]． Modern Food， 2023， 29（ 10） ：211-214．

［13］覃華容，梁華南．農(nóng)產(chǎn)品質(zhì)量安全控制措施以及農(nóng)藥殘留檢測技術(shù)[J]．當(dāng)代農(nóng)機(jī)，2023（5）：74，76．

［14］翁艷鴻，李艷萍，巫鑫城，等．全自動樣品前處理技術(shù)在中藥禁用農(nóng)藥殘留檢測中應(yīng)用[J]．藥學(xué)研究，2023，42（ 5）：313-320，329．

WENG Yanhong， LI Yanping， WU Xincheng， et al． Application ofautomatic sample pretreatment technology in the detection of bannedpesticide residues in traditional Chinese medicine[J]． Journal of PharmaceuticalResearch，2023，42（5）：313-320，329．

［15］劉中海，柴娟，張國玉，等．LC-MS 聯(lián)用技術(shù)在農(nóng)產(chǎn)品農(nóng)藥殘留檢測中的應(yīng)用[J]．食品安全導(dǎo)刊，2023（13）：139-141．

LIU Zhonghai， CHAI Juan， ZHANG Guoyu， et al． Application ofLC-MS combined technology in the detection of pesticide residues in agriculturalproducts[J]．China Food Safety Magazine，2023（13）：139-141．