基于最小二乘支持向量机和特征波长的水果表面农药残留无损检测方法

张正伟

(沧州市疾病预防控制中心，河北 沧州 061000)

引言

水果的产量和质量直接影响到人民群众的生活水平。我国是世界上最大的水果生产国和消费国，同时也是农药使用量最大的国家。由于我国农产品生产中农药使用不规范，所以农产品中农药残留量超标是一个普遍存在的问题。随着人们对食品安全问题越来越关注，对水果中农药残留的检测技术也越来越受到人们的关注。农残检测的手段很多，目前对水果中农药残留检测技术主要有理化分析法、近红外光谱分析法和酶联免疫吸附法等。为了降低检测丢弃率，无损检测是当前最常用的手段。水果表面的农残检测涉及了化学、光学和信息处理等多学科的交叉问题，是对水果质量安全进行有效控制的重要技术手段[1]。目前，水果表面农药残留的无损检测方法主要包括化学分析法、光谱吸收法和图像处理法[2-4]。目前，水果表面农药残留检测多采用化学分析法，该方法操作简单、价格低廉，但易受到样本浓度和样本破坏的影响，且容易造成检测结果的误判。光谱吸收法是通过肉眼观察表面特征，但是在实际的应用中，存在效率低、成本高和样本损耗大等问题[5]。但是，这些方法都存在着检测周期长、检测精度不高和缺乏专一性等问题。因此，快速、准确地对水果表面农药残留进行无损检测具有十分重要的意义。光谱法是一种利用物质光谱吸收特性来检测化学物质是否存在的方法，需要对水果表面进行采样，具有样品获取困难、检测精度低等缺点，且所需检测时间长、仪器复杂；图像处理法是利用光学原理来检测水果表面农药残留的方法，虽能在一定程度上减少样品的破坏，但同时会造成光谱数据的损失[6]。以上几种方法均存在一定的缺陷，在精准分析农药残留的数据量过程中，难以满足目前快速无损检测水果表面农药残留的检测精度要求。因此，本文提出了一种基于最小二乘支持向量机(LS-SVM)和特征波长的水果表面农药残留检测方法[7]。本文的检测方法中，主要是利用最小二乘支持向量机算法对水果表面的农药残留进行分类，通过比较不同波长提取方法对农药残留分类效果的影响，选择最佳的波长提取方法。

1 水果表面农药残留无损检测方法

1.1 水果表面农药残留高光谱图像采集与处理 水果表面农药残留检测可通过对水果表面进行高光谱图像采集，结合光谱吸收技术进行研究。光谱吸收技术是一种基于物质在特定波段吸收特性的无损检测技术，可以应用于水果表面农药残留的检测。高光谱图像采集硬件主要包括光学传感器、图像采集卡等，其中光学传感器主要负责获取高光谱图像数据，实现数据的存储和传输；图像采集卡负责将高光谱图像数据传输至计算机[8-9]。为降低高光谱谱图噪声和提高高光谱谱图信噪比，采用基于灰度共生矩阵和最小二乘支持向量机的水果表面农药残留高光谱谱图预处理方法。在高光谱图像采集的过程中，使用的是高光谱成像平台，光源首选卤素灯，与被测样品之间呈现45°的夹角。采集设备示意图(图1)。

图1 图像采集设备示意图

在以上的设备下，选择SpectraVIEW软件进行采集。采集过程中，需要设计系统物距和图像拍摄过程中的曝光时间。在以上的设备中，主要的光源为卤素灯，除去卤素灯外，环境中无任何光照。该设备能够排除外界环境明暗变化对于检测结果的影响[10-11]。但是卤素灯自身的电源稳定性和照明过程中的波段差异性会发生一定的变化，这会使图像中存在大量的噪声。为保证高光谱图像的真实性，需要根据设备的不同，对图像进行去噪处理。在上述设备中放置标准白板，并对白板进行高光谱图像的拍摄。改变设备内的光线，得到纯黑背景高光谱图像。首先将高光谱图像进行灰度转换，利用标准白板高光谱图像和暗背景图像作为标定图像，对获取到的水果表面农残高光谱图像进行校正：

上式中，S表示样品的原始高光谱数据，W表示标准白板高光谱图像，D表示暗背景图。基于高光谱图像采集的水果表面农药残留检测方法包括基于连续投影算法和遗传算法的特征波长选择方法。实现了对水果表面农药残留的定量分析[12-13]。为提高高光谱图像信噪比，采用高斯滤波器对原始高光谱图像进行去噪处理，完成高光谱图像的采集和处理。

1.2 选择特征波长 为提高水果表面农药残留检测模型的预测精度，选择合适的特征波长进行光谱预处理至关重要。由于水果表面农药残留特征波长在可见光波段，本文的波长选择方法主要是连续投影算法(SPA)[14]。连续投影算法算法通过随机产生的基因序列编码不同的染色体，并利用遗传算法对种群进行优化，从而实现染色体空间上的最优分配，以达到全局寻优。本文设定最大特征波长为15。对于一般的农产品样品来说，其均方根误差大小与特征波长数之间的关系(图2)。

图2 均方根误差大小与特征波长数之间的数量关系

(2)

上式中，Pcm表示主成分图像，排序为m，Ii为第i波段样本浓度，αi表示第i波段图像的权重系数，n为图像数量。在以上计算中，选择合适的主成分图像，能够得到高光谱数据特征波长。

1.3 基于最小二乘支持向量机建立检测模型 根据LS-SVM算法中的核函数可以将其分为两种，即线性核函数和非线性核函数。对于水果农残的检测来说，随着样本集规模的增大，一般情况下，传统的模型中检测精度会逐渐下降[15]。由于水果表面农药残留光谱吸收随时间变化较小，故可通过时间积分获取水果表面的高光谱图像，从而对其进行定量分析。但是由于其参数较多且难以确定，所以本文采用线性核函数进行建模。模型检测流程(图3)。

图3 最小二乘支持向量机检测模型流程

在以上流程下，通过LS-VSM模型，能够获取到水果表面农药浓度的检测。至此完成基于最小二乘支持向量机和特征波长的水果表面农药残留无损检测方法的设计。

2 方法性能测试

2.1 实验设计 为验证本文方法的有效性，在本章对设计的农药残留无损检测方法进行性能验证。在实验中选择的设备以及试剂情况(表1)。

表1 实验设备以及试剂

在以上的实验准备下，以农药噻虫啉、哒螨灵为研究对象，将实验所选择的1 000份水果样品洗涤、风干，并将其随机分成4组，每组250份，从每组中选择100个样本，共400份样本作为训练集，其余则为测试集。本文选择PCA特征以及SPA特征提取出不同农药的全光谱数据特征波长，对应情况(表2)。

表2 不同浓度、不同农药下的特征波长

在以上的实验准备下，分别使用本文设计的基于最小二乘支持向量机和特征波长的水果表面农药残留无损检测方法和基于化学分析的检测方法共同进行测试，并将得到的结果进行对比和分析。

2.2 实验结果对比与分析 在以上的实验环境下，分别将提取到的PCA特征波长、SPA特征波长作为输入数据，利用不同的检测方法对样本进行水果表面农药残留无损检测。不同无损检测方法下，针对噻虫啉农药，不同特征波长的检测结果与真实结果(图4)。

图4 不同检测方法结果与实际情况对比

按照相同的方法，使用不同的检测方法对农药哒螨灵残留进行检测，得到的结果(图5)。

图5 不同检测方法结果与实际情况对比

从以上的检测结果中可以看出，在两种不同的农药检测下，基于不同的特征波长，本文设计的基于最小二乘支持向量机和特征波长的残留检测方法得到的检测结果与实验设计时样品的实际残留浓度最相近，经过统计，得到的不同方法的结果(表3)：

表3 检测结果对比

从上表中可以直观的看出，本文设计的基于最小二乘支持向量机和特征波长的水果表面农药残留无损检测方法在实际应用中具有较高的可靠性，为果蔬农药残留检测提供了一种新方法。

3 结束语

水果表面农药残留的快速无损检测方法研究，对于果蔬生产、销售和人体健康具有重要意义。本文采用遗传算法对特征波长进行选择。今后的研究工作可以进一步开展以下方面：利用现代信息技术实现水果表面农药残留检测，从原理上突破现有检测方法的局限性，开发快速无损的水果表面农药残留检测仪器，以满足现代社会对高质量水果产品需求的迫切需要。除此之外，要进一步研究利用多传感器信息融合技术实现水果表面农药残留快速无损检测。