返回當(dāng)前位置:主頁>應(yīng)用案例>農(nóng)業(yè)監(jiān)測(cè)
來源:賽斯拜克 發(fā)表時(shí)間:2023-09-14 瀏覽量:652 作者:awei
高光譜相機(jī)技術(shù)為西蘭花農(nóng)藥殘留的無損檢測(cè)提供了一種先進(jìn)的方法。
以下是利用高光譜相機(jī)對(duì)西蘭花農(nóng)藥殘留進(jìn)行深入研究的步驟和考慮因素:
樣本準(zhǔn)備與數(shù)據(jù)采集:選擇具有代表性且已知農(nóng)藥殘留情況的西蘭花樣本。使用高光譜相機(jī)獲取這些樣本的高光譜圖像數(shù)據(jù),確保在采集數(shù)據(jù)時(shí)控制光照、角度和相機(jī)參數(shù),以獲得高質(zhì)量的數(shù)據(jù)。
數(shù)據(jù)預(yù)處理與特征提取:對(duì)獲取的高光譜圖像進(jìn)行預(yù)處理,包括噪聲去除、光譜校準(zhǔn)等,以提高數(shù)據(jù)質(zhì)量。根據(jù)西蘭花表面特性和農(nóng)藥殘留的光譜響應(yīng),提取與農(nóng)藥殘留相關(guān)的特征。這些特征可能包括特定波長范圍的反射率、吸收峰等。
建模與算法選擇:利用提取的光譜特征,采用適當(dāng)?shù)幕瘜W(xué)計(jì)量學(xué)方法或機(jī)器學(xué)習(xí)算法,建立農(nóng)藥殘留量與光譜特征之間的定量模型??蛇x擇的算法包括馬氏距離算法、最小二乘支持向量機(jī)算法、人工神經(jīng)網(wǎng)絡(luò)等。通過訓(xùn)練和優(yōu)化模型,提高預(yù)測(cè)準(zhǔn)確性和穩(wěn)定性。
模型驗(yàn)證與應(yīng)用:使用獨(dú)立的驗(yàn)證數(shù)據(jù)集對(duì)建立的模型進(jìn)行驗(yàn)證。評(píng)估模型在預(yù)測(cè)西蘭花農(nóng)藥殘留方面的性能,如準(zhǔn)確性、精確度和召回率。如果模型表現(xiàn)出良好的性能,則可以應(yīng)用于實(shí)際的高光譜圖像數(shù)據(jù),對(duì)西蘭花農(nóng)藥殘留進(jìn)行快速、無損的檢測(cè)和評(píng)估。
深入研究與擴(kuò)展:進(jìn)一步探索不同農(nóng)藥種類、濃度與光譜特征之間的關(guān)系,以提高模型的普適性和應(yīng)用范圍。同時(shí),可以結(jié)合其他無損檢測(cè)技術(shù)(如近紅外光譜、拉曼光譜等)或多源數(shù)據(jù)融合方法,提高農(nóng)藥殘留檢測(cè)的準(zhǔn)確性和可靠性。
需要注意的是,高光譜相機(jī)在農(nóng)藥殘留檢測(cè)中的應(yīng)用仍面臨一些挑戰(zhàn),如農(nóng)藥種類和濃度的多樣性、樣本表面的不均勻性、環(huán)境因素的影響等。因此,在實(shí)際應(yīng)用中,建議綜合考慮樣本特性、數(shù)據(jù)處理方法、模型性能等因素,以獲得準(zhǔn)確可靠的農(nóng)藥殘留檢測(cè)結(jié)果。
利用高光譜相機(jī)對(duì)西蘭花農(nóng)藥殘留進(jìn)行深入研究
本研究應(yīng)用了400-1000nm的高光譜相機(jī),可采用廣東賽斯拜克科技有限公司產(chǎn)品SP130M進(jìn)行相關(guān)研究。光譜范圍在400-1000nm,波長分辨率優(yōu)于2.5nm,可達(dá)1200個(gè)光譜通道。采集速度全譜段可達(dá)128FPS,波段選擇后最高3300Hz(支持多區(qū)域波段選擇)。
本研究以日本秀炎西蘭花為研究對(duì)象,主要針對(duì)其表面農(nóng)藥殘留進(jìn)行無損檢測(cè),應(yīng)用高光譜成像技術(shù)結(jié)合化學(xué)檢測(cè)方法,對(duì)西蘭花表面農(nóng)藥殘留種類無損檢測(cè)、低濃度阿維菌素殘留量無損檢測(cè)進(jìn)行初步研究。主要研究結(jié)果如下∶
(1)基于高光譜圖像的西蘭花表面多種農(nóng)藥殘留種類檢測(cè)研究。利用高光譜圖像技術(shù)采集四組不同農(nóng)藥殘留的西蘭花樣本圖像(400-1000mm),根據(jù)圖像信息選取感興趣區(qū)域的平均光譜后,針對(duì)西蘭花表面凹凸不平的特點(diǎn)采用分段多元散射校正算法進(jìn)行預(yù)處理,有效消除顆粒造成的非線性光散射影響,分別采用馬氏距離算法、最小二乘支持向量機(jī)算法、人工神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機(jī)算法基于全光譜信息進(jìn)行分類建模。對(duì)比各類模型結(jié)果,人工神經(jīng)網(wǎng)絡(luò)分類算法效果最優(yōu),訓(xùn)練集和測(cè)試集識(shí)別率分別為99.17%和98.33%。為剔除大量高光譜冗余數(shù)據(jù),提高模型的識(shí)別速度,采用主成分分析算法選取前10個(gè)主成分和連續(xù)投影算法選擇8個(gè)特征值波長(458.51、500.02、522.13、551.77、614.04、720.32、769.08、818.26nm)進(jìn)行特征提取,分別建立基于特征信息的判別模型。在實(shí)驗(yàn)分類器中,基于SPA 特征波長的極限學(xué)習(xí)機(jī)模型識(shí)別效果均優(yōu)于其他三類分類器,訓(xùn)練集的正確率為98.33%,測(cè)試集的正確率為96.67%。
(3)基于高光譜圖像的西蘭花表面低濃度阿維菌素殘留定量檢測(cè)研究。利用高光譜成像系統(tǒng)采集5組(共100顆)噴有不同濃度梯度阿維菌素農(nóng)藥西蘭花樣本(900-1700nm)。使用液相色譜-質(zhì)譜聯(lián)用法根據(jù)GB23200.20-2016標(biāo)準(zhǔn)對(duì)5組西蘭花進(jìn)行具體阿維菌素殘留量抽樣檢測(cè),測(cè)得各組濃度分別為24.25μg/Kg、82.66μg/Kg、126.49μg/Kg、151.57μg/Kg和170.03μg/Kg。將原始光譜數(shù)據(jù)進(jìn)行提取和預(yù)處理后,結(jié)果表明,基于全波段光譜數(shù)據(jù)的極限學(xué)習(xí)機(jī)模型識(shí)別效果最好,準(zhǔn)確率為72%。
(4)基于卷積神經(jīng)網(wǎng)絡(luò)的西蘭花表面阿維菌素低濃度殘留檢測(cè)方法研究。針對(duì)本文研究的西蘭花表面低濃度阿維菌素殘留檢測(cè)模型識(shí)別率較低的問題,提出一種將采集的阿維菌素殘留濃度在24.25μg/Kg至170.03μg/Kg之間的西蘭花光譜信息轉(zhuǎn)換為灰度圖的方法,利用卷積網(wǎng)絡(luò)學(xué)習(xí)不同阿維菌素殘留濃度西蘭花樣本光譜數(shù)據(jù)的灰度圖之間變化的紋理。