基于可見／近紅外高光譜成像技術(shù)的番茄表面農(nóng)藥殘留無損檢測

張令標(biāo) 何建國 劉貴珊 王松磊

ZHANG Ling－biao 1 HE Jian－guo 1 LIU Gui－shan 1 WANG Song－lei 1

賀曉光1 王 偉2

HE Xiao－guang 1 WANG Wei 2

（1.寧夏大學(xué)農(nóng)學(xué)院，寧夏 銀川 750021；2.寧夏大學(xué)物理電氣信息學(xué)院，寧夏 銀川 750021）

（1.School of Agriculture，Ningxia University，Yinchuan，Ningxia 750021，China；2.School of Physics and Electronics Information Engineering，Ningxia University，Yinchuan，Ningxia 750021，China）

小番茄學(xué)名“圣女果”，是一年生草木植物，屬茄科番茄屬，在中國一年四季均可種植。小番茄形狀酷似櫻桃，外觀可愛，并且含糖量高，口感香甜，風(fēng)味獨特。小番茄具有很高的營養(yǎng)價值，含有大量的Vc、谷胱甘肽和番茄紅素等特殊物質(zhì)，這些物質(zhì)不僅可以促進(jìn)人體生長發(fā)育、增加人體抵抗力、延緩衰老還具有一定防癌抗癌的作用，深受人們的喜愛。但這些年，農(nóng)民為了減少病蟲害，增加農(nóng)產(chǎn)品的產(chǎn)量，大量施用農(nóng)藥如嘧霉胺、百菌清等。并且常常出現(xiàn)當(dāng)天施藥當(dāng)天采收的現(xiàn)象，造成嚴(yán)重的農(nóng)藥污染問題［1］。傳統(tǒng)的農(nóng)藥檢測方法如高效液相色譜法、氣相色譜法、酶抑制劑法等操作復(fù)雜、耗時長、浪費大，無法滿足消費者和生產(chǎn)需要，亟需尋求一種快速、無損檢測果蔬表面農(nóng)殘的方法。

無損檢測具有快速、簡便、在線檢測等特點。陳菁菁等［2］運(yùn)用近紅外光譜技術(shù)快速檢測微量有機(jī)磷農(nóng)藥，相關(guān)系數(shù)為0.989。劉翠玲等［3］運(yùn)用近紅外光譜技術(shù)對蔬菜內(nèi)農(nóng)藥殘留量進(jìn)行了定性和定量的試驗研究，其預(yù)測集的相關(guān)性為0.989，預(yù)測均方差為0.154。黎靜等［4］應(yīng)用可見－近紅外光譜對臍橙表面農(nóng)藥殘留量的檢測研究，通過模型比較得出偏最小二乘模型最好，其預(yù)測相關(guān)性為0.981 7。Long Xue等［5］采用可見近紅外和粒子群算法對臍橙表面敵敵畏殘留進(jìn)行檢測研究，結(jié)果表明，建立粒子群－偏最小二乘模型效果最好，其相關(guān)性為0.873 2。

高光譜技術(shù)［6］是近幾年應(yīng)用到農(nóng)畜產(chǎn)品檢測的新技術(shù)，它融合了光學(xué)、電子學(xué)、信息處理以及計算機(jī)科學(xué)等學(xué)科，將傳統(tǒng)二維成像技術(shù)和光譜技術(shù)有機(jī)地結(jié)合在一起，具有光譜分析和圖像處理能力，對農(nóng)畜產(chǎn)品內(nèi)外品質(zhì)無損檢測有重大的研究意義。薛龍等［7］利用高光譜圖像技術(shù)檢測柑橘表面農(nóng)藥殘留，檢測結(jié)果表明；高濃度農(nóng)藥（1∶20，1∶100）檢測率為100%、低濃度（1∶1 000）檢測率為13%。Jing Li等［8］利用高光譜成像技術(shù)檢測柑橘表面的敵敵畏殘留，相關(guān)系數(shù)為0.832。Jiangbo Li等［9］應(yīng)用高光譜成像技術(shù)對臍橙潰瘍進(jìn)行檢測，檢測率為93.7%。薛龍［10］、LüQiang［11］、徐爽［12］等分別對梨表面碰壓傷、獼猴桃隱形損傷和棗子糖度的檢測進(jìn)行了試驗研究，均有較高的檢測率。J Wang等［13］應(yīng)用400～720 nm的高光譜系統(tǒng)對紅棗外部蟲眼進(jìn)行識別研究，蟲眼識別率為94.4%，整體識別率為97%。

本研究擬應(yīng)用高光譜系統(tǒng)（400～1 000 nm）采集小番茄表面農(nóng)藥殘留的光譜信息和圖像信息，再利用主成分分析（PCA）選擇特征波長并結(jié)合PCA和波段比建立一個識別算法來識別小番茄表面農(nóng)藥點。旨在探索高光譜成像技術(shù)在果蔬表面農(nóng)藥殘留檢測方面的應(yīng)用。

1 材料與方法

1.1 試驗材料

小番茄：購于寧夏銀川市西夏區(qū)懷遠(yuǎn)市場；

苯胺基嘧啶類殺菌劑：有效成分為40%的嘧霉胺懸浮劑，陜西湯普森生物科技有限公司；

樣品處理：將60個小番茄洗凈晾干，置于實驗臺上待用。用蒸餾水把農(nóng)藥分別配置成1∶20，1∶100，1∶500的溶液。然后用10 m L的注射器分別滴到洗凈的番茄表面，在番茄表面形成3×3矩陣形狀（見圖1）。由于人為因素，每個農(nóng)藥點的大小不一，但每個農(nóng)藥點的直徑均為10～15 mm。將番茄放置到通風(fēng)陰涼處12 h后，采集光譜和圖像信息。

圖1 農(nóng)藥點在番茄表面的分布Figure 1 Pesticide distribution on tomatoes surface

1.2 高光譜成像系統(tǒng)

高光譜成像系統(tǒng)：HyperSpec VNIR型，美國 Headwall公司。該裝置包括：VNIRN型成像光譜儀、一個CCD相機(jī)、一個150 W鹵素?zé)?、一套高精度載物平臺和一臺高性能計算機(jī)等部件組成，其中，成像光譜儀的波段范圍為400～1 000 nm，光譜分辨率為2.8 nm，由于設(shè)備具有像元混合功能，所以在400～1 000波長范圍內(nèi)一共有125個波段。

高光譜成像原理是將探測器在聚焦面的垂直方向進(jìn)行線列或面陣橫向排列完成橫向掃描（x軸向），從在條狀空間中而獲取樣本各個波長λi（i＝1，2，3…，n，n為整數(shù)）下的圖像信息；排列的探測器如同刷子一樣掃出載物臺前進(jìn)過程中的一條帶狀軌跡從而完成縱向掃描（y軸向），綜合橫縱掃描信息就可得到樣本的三維高光譜圖像數(shù)據(jù)［14－16］。如圖2所示，x軸和y軸確定平面可視圖像的坐標(biāo)，λ為波長信息坐標(biāo)軸。高光成像系統(tǒng)兼有圖像處理和光譜分析的優(yōu)點，可以在灰度圖上選擇任意感興趣區(qū)域而獲得光譜信息。

圖2 高光譜圖像數(shù)據(jù)塊Figure 2 Hyperspectral imaging datacube

1.3 高光譜系統(tǒng)參數(shù)設(shè)定及黑白校正

1.3.1 參數(shù)設(shè)定 圖像采集前，先對高光譜系統(tǒng)的參數(shù)進(jìn)行設(shè)定。首先將一張黑白相間的紙板放置在載物臺上調(diào)節(jié)鏡頭的焦距，再對曝光時間進(jìn)行調(diào)節(jié)。經(jīng)過多次調(diào)整和參數(shù)優(yōu)化，最終確定曝光時間8 ms，掃面距離40 mm，掃描速度15 mm／s，物距33 cm，光源距物體的距離85 cm。

1.3.2 黑白校正 高光譜系統(tǒng)采集數(shù)據(jù)前，要對圖像進(jìn)行黑白校正。這是由于光源強(qiáng)度在不同波段下分布不均勻，以及攝像頭中暗電流的影響，使光強(qiáng)分布較弱波段下的圖像噪聲較大。而黑白校正后的圖像，可有效的消除部分噪聲影響。開啟高光譜系統(tǒng)后，待焦距和曝光時間調(diào)整好后，掃描反射率為100%標(biāo)準(zhǔn)白色校正板得到全白的標(biāo)定圖像W；然后蓋上攝像頭的鏡蓋獲取全黑的標(biāo)定圖像D；根據(jù)式（1）計算出樣本的校正圖像R［17］：

式中：

I——原始高光譜圖像；

D——全黑的標(biāo)定圖像；

W——全白的標(biāo)定圖像；

R——標(biāo)定后的高光譜圖像。

本研究中所有高光譜圖像數(shù)據(jù)采集均基于Hyper Spec VNIR系統(tǒng)平臺，后續(xù)數(shù)據(jù)處理是基于ENVI 4.6和 Matlab 2011軟件平臺。

2 結(jié)果與分析

由于番茄每個像素點在不同的波長下都存在光譜信息，為了使每個感興趣區(qū)域（ROI）更具有代表性，每個ROI都有5×5個像素點，圖3為一幅高光譜圖像不同感興趣區(qū)域的光譜曲線。

圖3 平均光譜曲線圖Figure 3 The average spectra

由圖3可知，在400～454 nm時曲線交亂無章，噪聲干擾較大，因此去除這部分的光譜信息，對454～1 000 nm范圍內(nèi)的光譜信息進(jìn)行主成分分析。

2.1 特征波長的提取

主成分分析［18］是一種常見有效的去噪降維的方法，它將樣本原始波段含有的大量信息經(jīng)過線性組合的方式用較少相互獨立的變量表示。從而達(dá)到增強(qiáng)信息含量、隔離噪聲、減少數(shù)據(jù)維數(shù)的目的。通過主成分分析，根據(jù)累計貢獻(xiàn)率的大小選擇主成分?jǐn)?shù)。本研究所有樣本經(jīng)主成分分析后的累計貢獻(xiàn)率均達(dá)到95%。圖4為滴有嘧霉胺農(nóng)藥的小番茄高光譜圖像的PC－1到PC－4主成分圖像。

圖4 涂有嘧霉胺農(nóng)藥的番茄主成分分析的前4個主成分圖像Figure 4 Principal component（PC）image from 1st to 4th of the tomato obtained by principal component analysis（PCA）

由圖4可知，PC－1至PC－3都能很清晰的看到高濃度農(nóng)藥點的分布。由于每個PC圖像都是由原始數(shù)據(jù)中的各個波段下的圖像經(jīng)過線性組合而成，所以通過權(quán)重系數(shù)可以對最佳特征圖像進(jìn)行選擇。經(jīng)過對全體樣本PC圖像分析，PC－1至PC－3都可清晰的顯現(xiàn)高濃度農(nóng)藥點，但PC－1光斑較大影響較大，而PC－3整體圖像較模糊、干擾大、影響因子較小，所以根據(jù)PC－2的權(quán)重系數(shù)選取特征波長。圖5為權(quán)重系數(shù)曲線圖，依據(jù)曲線的波峰波谷選擇的特征波長為497，564，636，670，723，809，967 nm。

圖5 PC－2圖像光譜曲線權(quán)重系數(shù)Figure 5 Spectral weighting coefficients for PC－2

2.2 農(nóng)藥點識別算法

經(jīng)過對PC圖像處理分析，發(fā)現(xiàn)PC圖像不能很好地反應(yīng)農(nóng)藥點的分布。為了達(dá)到研究目的，本研究對特征波長下的圖像經(jīng)過一系列的圖像處理，最終開發(fā)了一種適合番茄表面農(nóng)藥點識別的波段比算法。波段比算法［15］不但可以有效的降低番茄距離光源的遠(yuǎn)近產(chǎn)生的反射不均的影響，還能增強(qiáng)波段之間波譜差異，其原理是用兩個波段下的圖像相除從而獲得一副相對波段強(qiáng)度圖像。通過對各個特征波段進(jìn)行不同的組合運(yùn)算發(fā)現(xiàn)，采用單波段564 nm和809 nm參與波段比運(yùn)算效果較好。

首先采集一系列涂有農(nóng)藥點番茄的高光譜圖像，圖6表明了圖像識別算法過程中主要的運(yùn)算過程和結(jié)果圖像。由圖6可知，波段比和閾值分割是識別農(nóng)藥點的兩個主要算法。圖6（c）是564 nm和809 nm的原始圖像經(jīng)圖6（b）掩膜后的圖像，然后圖6（c）中的兩幅圖像進(jìn)行564 nm／809 nm得到比值圖像圖6（d）。圖6（e）是由比值圖像經(jīng)閾值分割后得到的二值化圖像，當(dāng)閾值為0.6時二值化圖像最佳。圖6（e）表明除農(nóng)藥點外還有一個較大的白點，與圖6（a）對比可知，這是由于番茄表面垂直反射而產(chǎn)生的光斑。光斑的存在嚴(yán)重影響檢測結(jié)果。Byoung－Kwan Cho等［19］提到從全波段高光譜圖像中提取一個光斑影響最大的原始圖像，通過對該圖像進(jìn)行掩膜、閾值分割等處理最終得到一張只含光斑點的圖像，然后用二值化結(jié)果圖像減去只含光斑的圖像獲得最終的檢測圖像。本研究參照上述方法，在閾值分割后增加了膨脹算法，使光斑點擴(kuò)大到原來的大小。圖6（f）是提取光斑點的識別算法中的主要結(jié)果。把967nm下的原始圖像經(jīng)圖6（b）掩膜后進(jìn)行閾值分割和膨脹算法得到只含農(nóng)藥點的二值化圖像。圖6（g）是由圖6（e）減去圖6（f）中二值化圖像并進(jìn)過連通度分析后得到的結(jié)果圖像。結(jié)果圖像表明：高濃度1∶20，1∶100的識別率均為100%，低濃度1∶500為0。

圖6 番茄表面農(nóng)藥點的識別流程圖Figure 6 The identification progress image of pesticides of tomatoes

3 結(jié)論

本研究的主要目的是探索高光譜成像技術(shù)對小番茄表面農(nóng)藥殘留無損檢測的可行性。通過對兩個波段564 nm和809 nm比值圖像（564 nm／809 nm）進(jìn)行圖像處理可準(zhǔn)確的檢測出農(nóng)藥點的位置，其中高濃度1∶20、1∶100的識別率均為100%，低濃度1∶500為0。結(jié)果表明，高光譜成像技術(shù)對小番茄表面農(nóng)藥殘留的無損檢測是可行的。

本研究也存在不足，如對低濃度農(nóng)藥點檢測率較低，出現(xiàn)這種結(jié)果的原因：① 濃度過低，高光譜圖像識別較困難；② 由于光斑在低濃度附近，它嚴(yán)重影響附近農(nóng)藥點的檢測。在今后研究過程中可從光源的位置、光斑去除方法、識別算法的優(yōu)化等方面進(jìn)行研究，減少光源對圖像和光譜的影響，降低光斑的影響，提高低濃度農(nóng)藥點的識別率。以此為基礎(chǔ)，利用光譜信息對農(nóng)藥種類及農(nóng)藥濃度定性判別和農(nóng)藥含量定量分析將是今后的研究重點。

1 鐘鋒，楊曉云，李小璽，等.農(nóng)藥殘留檢測的技術(shù)研究進(jìn)展［J］.世界農(nóng)藥，2008，30（6）：41～44.

2 陳菁菁，李永玉，吳建虎，等.基于近紅外光譜技術(shù)的微量有機(jī)磷農(nóng)藥的快速檢測［J］.食品安全質(zhì)量檢測技術(shù)，2009，1（1）：45～50.

3 劉翠玲，鄭光，孫曉榮，等.近紅外光譜技術(shù)在農(nóng)藥殘留量檢測中的研究［J］.北京工商大學(xué)學(xué)報，2010，28（4）：52～64.

4 黎靜，薛龍，劉木華，等.基于可見－近紅外光譜識別氧樂果污染的臍橙［J］.農(nóng)業(yè)工程學(xué)報，2010，26（2）：366～369.

5 Long Xue，Jun Cai，Jing Li，et al.Application of particle swarm optimization（PSO）algorithm to determine dichlorvos residue on the surface of navel orange with Vis－NIR spectroscopy［J］.Procedia Engineering，2012（29）：4 124～4 128.

6 王雷，喬曉艷，董有爾，等.高光譜圖像技術(shù)在農(nóng)產(chǎn)品檢測中的應(yīng)用進(jìn)展［J］.應(yīng)用光學(xué)，2009，30（4）：639～644.

7 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）：2 277～2 280.

8 Jing Li，Long Xue，Muhua Liu，et al.Hyperspectral imaging technology for determination of dichlorvos residue on the surface of navel orange［J］.Chinese Optics Letters，2010，11（8）：1 050～1 052.

9 Jiangbo Li，Xiuqin Rao，Yibin Ying.Detection of common defects on oranges using hyperspectral reflectance imaging［J］.Computers and Electronics in Agriculture，2011（78）：38～48.

10 薛龍，黎靜，劉木華.利用高光譜圖像技術(shù)檢測梨表面碰壓傷的試驗研究［J］.糧油加工，2009（4）：136～139.

11 LüQiang，Tang Mingjie.Detection of hidden bruise on kiwi fruit using hyperspectral imaging and parallelepiped classification［J］.Procedia Environmental Sciences，2012，12：1 172～1 179.

12 徐爽，何建國，易東，等.基于高光譜圖像技術(shù)的長棗糖度無損檢測［J］.食品與機(jī)械，2012，28（6）：168～170.

13 J Wang，K Nakano，S Ohashi，et al.Detection of external insect infestations in jujube fruit using hyperspectral reflectance imaging［J］.Biosystems Engineering，2011（108）：345～351.

14 劉木華，趙杰文，鄭建鴻，等.農(nóng)畜產(chǎn)品品質(zhì)無損檢測中高光譜圖像技術(shù)的應(yīng)用進(jìn)展［J］.農(nóng)業(yè)機(jī)械學(xué)報，2005，36（9）：139～143.15 劉燕德，張光偉.高光譜成像技術(shù)在農(nóng)產(chǎn)品檢測中的應(yīng)用［J］.食品與機(jī)械，2012，28（5）：223～226.

16 洪添勝，李震，吳春胤，等.高光譜圖像技術(shù)在水果品質(zhì)無損檢測中的應(yīng)用［J］.農(nóng)業(yè)工程學(xué)報，2007，23（11）：280～285.

17 李江波，饒秀勤，應(yīng)義斌，等.基于高光譜成像技術(shù)檢測臍橙潰瘍［J］.農(nóng)業(yè)工程學(xué)報，2010，26（8）：222～228.

18 李遂賢，廖寧放，孫雨南.基于主成分分析的多光譜相機(jī)靈敏度優(yōu)化［J］.光電工程，2006，33（3）：127～136.

19 Byoung－Kwan Cho，Dae－Young Kim，In－Seok Baek，et al.Multispectral reflectance imaging for detecting defects on cherry tomatoes［J］.Postharvest Biology and Technology，2013（76）：40～49.