基于光譜圖像識(shí)別蔬菜表面農(nóng)藥殘留物的研究

摘" "要" "蔬菜表面農(nóng)藥殘留對(duì)公眾健康構(gòu)成重大威脅，開發(fā)無損且快速的檢測(cè)技術(shù)已成為食品安全領(lǐng)域亟待解決的關(guān)鍵問題。提出了結(jié)合高光譜圖像與深度學(xué)習(xí)技術(shù)的蔬菜表面農(nóng)藥殘留檢測(cè)方法，旨在提供一種高效、快速的蔬菜篩查方案。研究以菠菜作為模型作物，針對(duì)敵敵畏與吡蟲啉兩種廣泛使用的農(nóng)藥，運(yùn)用高光譜成像技術(shù)捕捉作物表面光譜特征，再通過一維卷積神經(jīng)網(wǎng)絡(luò)（1D-CNN）的深度學(xué)習(xí)模型進(jìn)行數(shù)據(jù)解析，成功實(shí)現(xiàn)了農(nóng)藥殘留的非接觸式、高精度檢測(cè)。結(jié)果顯示，該方法在農(nóng)藥殘留量預(yù)測(cè)上展現(xiàn)出優(yōu)異的性能，與國(guó)家標(biāo)準(zhǔn)檢測(cè)結(jié)果相比，具有高度的線性關(guān)系，可為農(nóng)產(chǎn)品農(nóng)藥殘留的無損、高效檢測(cè)提供具有推廣應(yīng)用價(jià)值的解決方案。

關(guān)鍵詞" "食品安全；農(nóng)藥殘留檢測(cè)；光譜分析；卷積神經(jīng)網(wǎng)絡(luò)（CNN）；隨機(jī)森林回歸

伴隨著社會(huì)文明程度的發(fā)展以及人民生活水平的不斷提高，人們對(duì)食品安全越來越關(guān)注，蔬菜表面的農(nóng)藥殘留直接關(guān)系到消費(fèi)者的健康。隨著人們食品安全意識(shí)的提升和各國(guó)食品安全法規(guī)的日趨嚴(yán)格，如何實(shí)現(xiàn)蔬菜表面農(nóng)藥殘留的有效監(jiān)測(cè)和控制，已經(jīng)成為國(guó)內(nèi)外食品安全領(lǐng)域所面臨的一項(xiàng)重大挑戰(zhàn)。目前，普遍采用的蔬菜表面農(nóng)藥殘留檢測(cè)方法有高效液相色譜（HPLC）檢測(cè)法、氣相色譜（GC）檢測(cè)法和質(zhì)譜（MS）檢測(cè)法等。上述蔬菜表面農(nóng)藥殘留檢測(cè)方法雖然準(zhǔn)確性高，但存在成本高昂、操作復(fù)雜、耗時(shí)較長(zhǎng)等局限，目前僅是各級(jí)食品安全檢驗(yàn)檢測(cè)機(jī)構(gòu)在使用，難以滿足大規(guī)?？焖俸Y查的日常需求。

近年來，高光譜成像技術(shù)的迅猛發(fā)展為蔬菜農(nóng)藥殘留檢測(cè)提供了全新的視角。高光譜成像結(jié)合了成像技術(shù)和光譜分析的優(yōu)勢(shì)，能夠在獲取物體二維圖像的同時(shí)，記錄每個(gè)像素點(diǎn)的完整光譜信息，從而實(shí)現(xiàn)對(duì)物體表面化學(xué)成分的無損、快速識(shí)別。高光譜成像技術(shù)與傳統(tǒng)的單波段或多波段成像相比，高光譜成像能夠提供更加豐富和精細(xì)的光譜數(shù)據(jù)，為蔬菜表面農(nóng)藥殘留的定性和定量分析開辟了新路徑。

同時(shí)，深度學(xué)習(xí)技術(shù)的興起更有助于高光譜數(shù)據(jù)分析。深度學(xué)習(xí)模型，尤其是卷積神經(jīng)網(wǎng)絡(luò)（CNN），因其強(qiáng)大的特征學(xué)習(xí)能力和模式識(shí)別能力，被廣泛應(yīng)用于圖像識(shí)別、語(yǔ)音識(shí)別和自然語(yǔ)言處理等領(lǐng)域。在高光譜數(shù)據(jù)處理中，深度學(xué)習(xí)模型能夠自動(dòng)從復(fù)雜光譜中提取關(guān)鍵特征，實(shí)現(xiàn)對(duì)蔬菜表面農(nóng)藥殘留的精準(zhǔn)識(shí)別與量化，極大地提高了檢測(cè)的效率和準(zhǔn)確性。

鑒于此，本研究旨在探索一種基于高光譜成像技術(shù)和深度學(xué)習(xí)技術(shù)相結(jié)合的蔬菜表面農(nóng)藥殘留檢測(cè)新技術(shù)。通過結(jié)合高光譜成像系統(tǒng)捕獲的精細(xì)光譜信息和一維卷積神經(jīng)網(wǎng)絡(luò)（1D-CNN）的特征提取能力，開發(fā)一種能夠快速、準(zhǔn)確檢測(cè)菠菜表面農(nóng)藥殘留的智能檢測(cè)方法。這項(xiàng)研究將為食品安全監(jiān)測(cè)提供強(qiáng)有力的科技支撐，能夠彌補(bǔ)傳統(tǒng)檢測(cè)技術(shù)的使用局限，滿足日常中對(duì)蔬菜農(nóng)藥殘留快速篩查的生活需求。

1" "試驗(yàn)方法

1.1" "高光譜系統(tǒng)的原理及主要組成部分" "高光譜成像技術(shù)是通過精細(xì)的光譜分辨能力捕捉物體表面的光譜特征，進(jìn)而進(jìn)行物質(zhì)識(shí)別和定量分析的前沿技術(shù)。本研究所采用的高光譜成像系統(tǒng)具備卓越的光譜分辨率，覆蓋從紫外線到近紅外的寬光譜波段（200～1 100 nm），特別配備工業(yè)級(jí)微型光譜儀，確保了數(shù)據(jù)采集的準(zhǔn)確性和可靠性，此外系統(tǒng)核心組件還包括鹵鎢燈光源、積分球、成像鏡頭、移動(dòng)平臺(tái)以及數(shù)據(jù)采集軟件。整個(gè)高光譜采集系統(tǒng)示意圖如圖1所示。

1.2" "實(shí)驗(yàn)樣本制作" "本實(shí)驗(yàn)選取新鮮菠菜葉作為研究對(duì)象，精心挑選200片表面無損傷的菠菜葉片，分為20組，每組10片。試驗(yàn)中選擇了兩種常見農(nóng)藥——敵敵畏和吡蟲啉，根據(jù)國(guó)家規(guī)定的農(nóng)藥殘留限量標(biāo)準(zhǔn)，敵敵畏和吡蟲啉分別配制了10組濃度梯度的農(nóng)藥溶液，每組10個(gè)樣品，如表1所示為敵敵畏溶液的10組濃度清單（吡蟲林和敵敵畏10組濃度相同）。

將菠菜清洗干凈，裁剪成200片，共分20組，每組10片浸泡在敵敵畏和吡蟲啉的溶液中1個(gè)小時(shí)，取出晾干，用于光譜檢測(cè)。

1.3" "光譜數(shù)據(jù)采集" "在本研究中，為提高光譜數(shù)據(jù)的信噪比，本研究實(shí)施了多階段數(shù)據(jù)預(yù)處理策略。首先，確保光源穩(wěn)定，環(huán)境光線條件一致，以減少外部因素對(duì)光譜信號(hào)的影響。然后，將菠菜樣本放置于高光譜成像系統(tǒng)的工作臺(tái)上，調(diào)整好距離和角度，保證每個(gè)樣本的光譜圖像清晰、完整。光譜數(shù)據(jù)采集過程中，覆蓋可見光至近紅外波段（400～1 100 nm），以全面捕捉菠菜表面農(nóng)藥殘留的光譜特征。在試驗(yàn)中選擇在每個(gè)菠菜葉樣本上隨機(jī)選擇10個(gè)位置處的光譜數(shù)據(jù)進(jìn)行采集，每個(gè)濃度共采集100條光譜曲線。如圖2所示為吡蟲啉在菠菜表面10組濃度的光譜曲線。

2" "數(shù)據(jù)處理

2.1" "算法實(shí)現(xiàn)原理" "本研究通過分析菠菜表面的光譜信號(hào)來確定其所含農(nóng)藥殘留的含量?？紤]到光譜信號(hào)的復(fù)雜性以及農(nóng)藥殘留對(duì)光譜反射特性的影響，光譜數(shù)據(jù)處理采用深度學(xué)習(xí)方法，通過將光譜數(shù)據(jù)映射到高維特征空間，識(shí)別不同農(nóng)藥殘留的光譜特征，從而實(shí)現(xiàn)農(nóng)藥殘留含量的準(zhǔn)確預(yù)測(cè)。深度學(xué)習(xí)方法通過學(xué)習(xí)光譜信號(hào)與農(nóng)藥殘留之間的非線性關(guān)系，實(shí)現(xiàn)對(duì)食品污染物含量的準(zhǔn)確預(yù)測(cè)。光譜信號(hào)由于其高維性和復(fù)雜性，使用傳統(tǒng)數(shù)據(jù)分析方法難以有效區(qū)分不同含量的食品污染物。因此，本算法采用深度學(xué)習(xí)模型，特別是卷積神經(jīng)網(wǎng)絡(luò)（CNN），通過建立從光譜信號(hào)到食品污染物含量的映射模型，提取能夠表示食品污染物含量的高級(jí)特征。

2.2" "光譜數(shù)據(jù)處理" "由于光譜曲線中存在由外部環(huán)境、基線變化以及采集過程中隨機(jī)噪聲所造成的波動(dòng)，本實(shí)驗(yàn)首先使用標(biāo)準(zhǔn)正態(tài)變換（standard normal variate，SNV）對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理，降低噪聲和散射對(duì)于后續(xù)研究的影響。接著，使用Savizky-Golay濾波器（savitzky-golay，SG）和離散小波變換（discrete wavelet transformation，DWT）減少隨機(jī)噪聲對(duì)光譜的影響。最后，將預(yù)處理之后的光譜數(shù)據(jù)集按照4 ∶ 1的比例劃分為訓(xùn)練集和測(cè)試集用于模型訓(xùn)練。

為了更加精確地識(shí)別出菠菜表面農(nóng)藥殘留，本文構(gòu)建了多層一維卷積神經(jīng)網(wǎng)絡(luò)，來對(duì)高光譜信息信息進(jìn)行有效提取和識(shí)別。如圖3為光譜特征提取網(wǎng)絡(luò)，其中4個(gè)卷積核（Conv）大小都為3×1，步長(zhǎng)為1。此外，4個(gè)池化層（Pool）的核大小為2，進(jìn)行特征聚合。最后，通過端到端的高光譜特征提取，模型能夠自動(dòng)學(xué)習(xí)光譜特征與農(nóng)藥殘留量之間的內(nèi)在聯(lián)系，實(shí)現(xiàn)高效準(zhǔn)確的農(nóng)藥殘留檢測(cè)。

3" "結(jié)果與討論

3.1" "試驗(yàn)結(jié)果" "在完成了基于高光譜成像和深度學(xué)習(xí)的農(nóng)藥殘留檢測(cè)模型的訓(xùn)練后，我們采用準(zhǔn)確率對(duì)模型的性能進(jìn)行的評(píng)估，其計(jì)算公式如下所示：

準(zhǔn)確率（%）=TP/（TP+FP）×100

式中，TP表示正確分類的農(nóng)藥類別，F(xiàn)P表示錯(cuò)誤分類的農(nóng)藥類別。最終，測(cè)試結(jié)果如表2所示，可以看到，本文所提出的算法對(duì)于檢測(cè)敵敵畏、吡蟲啉這兩種菠菜表面農(nóng)藥殘留具有較高的識(shí)別準(zhǔn)確率和可靠性，能夠滿足一般的應(yīng)用需求。與傳統(tǒng)的化學(xué)分析方法相比，該方法無需對(duì)樣本進(jìn)行破壞性處理，且檢測(cè)速度更快、成本更低。

3.2" "光譜數(shù)據(jù)驗(yàn)證" "為了確保光譜檢測(cè)方法的可靠性，將部分樣本送至西安市產(chǎn)品質(zhì)量監(jiān)督檢驗(yàn)院，按現(xiàn)有國(guó)家食品檢測(cè)標(biāo)準(zhǔn)對(duì)菠菜的農(nóng)藥殘留含量進(jìn)行檢驗(yàn)，檢驗(yàn)結(jié)果如表3所示。通過與國(guó)家標(biāo)準(zhǔn)檢測(cè)結(jié)果的比較，發(fā)現(xiàn)光譜檢測(cè)結(jié)果數(shù)據(jù)和西安市產(chǎn)品質(zhì)量監(jiān)督檢驗(yàn)院按國(guó)家標(biāo)準(zhǔn)檢測(cè)的結(jié)果數(shù)據(jù)是線性關(guān)系。

4" "小結(jié)與討論

本研究通過基于光譜圖像的方法實(shí)現(xiàn)了對(duì)蔬菜表面農(nóng)藥殘留的快速、準(zhǔn)確檢測(cè)，為農(nóng)產(chǎn)品質(zhì)量安全監(jiān)管提供了一種新的技術(shù)手段。雖然模型在整體上表現(xiàn)出了令人滿意的性能，但在極端條件下，如農(nóng)藥殘留量極低或極高時(shí)，模型的預(yù)測(cè)準(zhǔn)確性略有下降。這可能是由于在這些濃度范圍內(nèi)，光譜特征的變化更為微妙，加之?dāng)?shù)據(jù)集在這些濃度下的樣本量相對(duì)較少，導(dǎo)致模型訓(xùn)練時(shí)的特征學(xué)習(xí)不夠充分。因此，未來的研究工作將集中在擴(kuò)大數(shù)據(jù)集，特別是增加極端濃度樣本的數(shù)量，以及探索更復(fù)雜的模型結(jié)構(gòu)，以進(jìn)一步提升模型在這些特殊情況下的表現(xiàn)。

此外，模型的實(shí)時(shí)性和實(shí)用性也是值得探討的方向。當(dāng)前模型雖然在實(shí)驗(yàn)室環(huán)境下表現(xiàn)優(yōu)秀，但其在實(shí)際生產(chǎn)環(huán)境中的應(yīng)用還需進(jìn)一步考慮計(jì)算資源的限制和操作的便捷性。優(yōu)化模型結(jié)構(gòu)，減少計(jì)算復(fù)雜度，以及開發(fā)易于部署的模型版本，將是推動(dòng)這一技術(shù)走向?qū)嶋H應(yīng)用的關(guān)鍵步驟。

未來，我們將進(jìn)一步完善該技術(shù)，提高其檢測(cè)精度和穩(wěn)定性，拓展其在其他農(nóng)產(chǎn)品上的應(yīng)用，并探索其在實(shí)際生產(chǎn)中的推廣和應(yīng)用。

參考文獻(xiàn)

[1] 楊恒一，鄧梅，克麗比努爾·艾尼.我國(guó)蔬菜水果有機(jī)磷類農(nóng)藥檢測(cè)標(biāo)準(zhǔn)方法前處理技術(shù)發(fā)展現(xiàn)狀[J].新疆農(nóng)墾科技，2024，47（03）：55-58.

[2] 俞發(fā)榮，李登樓.有機(jī)磷農(nóng)藥對(duì)人類健康的影響及農(nóng)藥殘留檢測(cè)方法研究進(jìn)展[J].生態(tài)科學(xué)，2015，34（03）：197-203.

[3] 黃瓊輝.國(guó)內(nèi)外農(nóng)藥殘留檢測(cè)技術(shù)研究進(jìn)展和發(fā)展方向[J].福建農(nóng)業(yè)學(xué)報(bào)，2008（02）：218-222.

[4] 桂文君.農(nóng)藥殘留檢測(cè)新技術(shù)研究進(jìn)展[J].北京工商大學(xué)學(xué)報(bào)（自然科學(xué)版），2012，30（03）：13-18.

[5] 胡雨，丁紅梅，陳丹丹，等.液相色譜質(zhì)譜法檢測(cè)蔬菜中6種有機(jī)磷農(nóng)藥殘留[J].化學(xué)工程師，2024，38（07）：23-27.

[6] 傅若農(nóng).近年國(guó)內(nèi)固相萃取-色譜分析的進(jìn)展[J].分析試驗(yàn)室，2007（02）：100-122.

[7] 馮潔.茶葉中農(nóng)藥殘留分析方法的應(yīng)用研究[D].北京：北京化工大學(xué)，2014.

[8] 何佩雯，趙海譽(yù)，杜鋼，等.氣相色譜技術(shù)在中藥農(nóng)藥殘留檢測(cè)中的應(yīng)用[J].中國(guó)實(shí)驗(yàn)方劑學(xué)雜志，2010，16（02）：126-134.

[9] 張英明.氣相色譜法的原理及其在食品農(nóng)藥殘留檢測(cè)中的應(yīng)用[J].食品安全導(dǎo)刊，2021（35）：187-189.

[10] 徐輝.氣相色譜法與液相色譜法測(cè)定地下水樣品中10種有機(jī)污染物的研究[D].長(zhǎng)春：吉林大學(xué)，2013.

[11] 譚菊英，蔣潔，劉莊蔚，等.超高效液相色譜-串聯(lián)質(zhì)譜檢測(cè)蔗糖中47種農(nóng)藥殘留量的方法[J].藥物分析雜志，2024，44（06）：979-989.

[12] 劉柏林，莊美慧，趙紫微，等.高分辨質(zhì)譜技術(shù)在食品安全污染物高通量檢測(cè)中的應(yīng)用進(jìn)展[J].安徽預(yù)防醫(yī)學(xué)雜志，2024，30（03）：230-234+239.

[13] 胡業(yè)軒.基于分子印跡-表面增強(qiáng)拉曼光譜的農(nóng)藥殘留檢測(cè)方法的研究[D].煙臺(tái)：煙臺(tái)大學(xué)，2024.

[14] 邸志剛，韓玉潔，王娜，等.熒光光譜技術(shù)在農(nóng)藥檢測(cè)的研究綜述[J/OL].激光雜志，1-8[2024-07-15].http：//kns.cnki.net/kcms/detail/50.1085.TN.20240625.1412.006.html.

[15] 張仲勛.基于光譜技術(shù)的水稻農(nóng)藥殘留與重金屬聯(lián)合檢測(cè)研究[J].北方水稻，2024，54（03）：67-69.

[16] 田有文，吳偉，盧時(shí)鉛，等.深度學(xué)習(xí)在水果品質(zhì)檢測(cè)與分級(jí)分類中的應(yīng)用[J].食品科學(xué)，2021，42（19）：260-270.

[17] 韓月.基于機(jī)器學(xué)習(xí)的湖泊環(huán)境污染物光譜檢測(cè)方法研究[D].淮安：淮陰工學(xué)院，2022.

[18] 倪民.基于高光譜技術(shù)的小白菜農(nóng)藥殘留檢測(cè)方法研究[D].武漢：武漢大學(xué)，2020.

[19] 瞿芳芳.太赫茲光譜在農(nóng)產(chǎn)品農(nóng)藥殘留檢測(cè)中的關(guān)鍵技術(shù)研究[D].杭州：浙江大學(xué)，2020.

[20] 汪凱麗.基于深度學(xué)習(xí)模型的農(nóng)業(yè)害蟲識(shí)別研究[D].雅安：四川農(nóng)業(yè)大學(xué)，2022.

【基金項(xiàng)目】：陜西省重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（項(xiàng)目編號(hào)2022NY-231）支持。

曹捷，張國(guó)琦，張亞龍，中國(guó)科學(xué)院西安光學(xué)精密機(jī)械研究所，郵編710119。

收稿日期：2024-07-29