1 东北农业大学电气与信息学院, 黑龙江 哈尔滨 150030
2 哈尔滨市大数据中心, 黑龙江 哈尔滨 150030
针对大白菜农药残留传统化学检测手段存在前期处理过程繁琐、 检测周期长等不足, 提出了一种快速无损识别大白菜农药残留种类的方法。 以1组无农药残留和4组含有均匀喷洒农药(毒死蜱、 乐果、 灭多威和氯氰菊酯)的大白菜样本为研究对象(药液浓度配比分别为0.10, 1.00, 0.20和2.00 mg·kg-1), 经12小时自然吸收后, 利用高光谱成像系统获取400~1 000 nm高光谱图像, 并选取ROI感兴趣区域后经多元散射校正(MSC)预处理; 分别采用竞争性自适应重加权算法(CARS)、 主成分分析算法(PCA)和离散小波变换(DWT)降维(分别基于db1, sym2, coif1, bior2.2和rbio1.5小波基函数); 最后, 将降维后的高光谱数据分别输入卷积神经网络(CNN)、 多层感知机(MLP)、 K最邻近算法(KNN)和支持向量机(SVM)建立模型并比较。 结果显示, CNN, MLP, KNN和SVM算法均在降维算法DWT(小波基函数及变换层数分别为coif1-2, coif1-4, bior2.2-2和sym2-2)取得最优总体精度分别为91.20%, 83.20%, 66.40%和90.40%, Kappa系数分别为0.89, 0.79, 0.58和0.88, 预测集用时分别为86.01, 63.23, 20.02和14.03 ms, 总体精度和Kappa指标均优于基于CARS和PCA降维算法建模结果。 可见, 高光谱与离散小波变换和卷积神经网络相融合显著提高分类识别精度, 改善“休斯”现象, 为实现无损和快速检测识别大白菜农残提供一个新的方法。
高光谱 大白菜 农残检测 离散小波变换 卷积神经网络 Hyperspectral Chinese cabbage Identification of pesticide residues Discrete wavelet transform Convolutional neural network(CNN) 光谱学与光谱分析
2022, 42(5): 1385
乐山师范学院电子与材料工程学院，四川 乐山 614000
针对市场上销售的蔬菜存在的农药残留问题，提出了一种高效无损的小白菜农药残留定性分类鉴别方法。将3组小白菜叶片和氯氟氰菊酯农药作为研究对象，并分别对其中的2组小白菜喷洒2种不同浓度 （农药与水的配比分别为1∶500和1∶20）的农药，从而形成不含农药、含轻度农残和含重度农残的三类样本。然后分别采集三类样本的近红外光谱数据，并对其进行小波软阈值预处理，再利用主成分分析 （Principal Component Analysis，PCA）对数据进行降维，最后采用Fisher判决和K近邻 (K-Nearest Neighbor, KNN)分类方法进行鉴别。实验结果表明，此方法对无农药残留与含轻度农药残留两类样本的正确鉴别率为95%，且对含轻度农残与含重度农残两类样本的正确鉴别率为90%。因此，本文方法可用于对小白菜农残进行有效的定性分类鉴别，为蔬菜农残定性分类鉴别提供了一种新思路。
近红外光谱 农药残留鉴别 K-近邻分类 near infrared spectroscopy identification of pesticide residues K-nearest neighbor classification
