张令标 何建国 刘贵珊 王松磊

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

贺晓光1 王 伟2

HE Xiao－guang 1 WANG Wei 2

（1.宁夏大学农学院，宁夏 银川 750021；2.宁夏大学物理电气信息学院，宁夏 银川 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）

小番茄学名“圣女果”，是一年生草木植物，属茄科番茄属，在中国一年四季均可种植。小番茄形状酷似樱桃，外观可爱，并且含糖量高，口感香甜，风味独特。小番茄具有很高的营养价值，含有大量的Vc、谷胱甘肽和番茄红素等特殊物质，这些物质不仅可以促进人体生长发育、增加人体抵抗力、延缓衰老还具有一定防癌抗癌的作用，深受人们的喜爱。但这些年，农民为了减少病虫害，增加农产品的产量，大量施用农药如嘧霉胺、百菌清等。并且常常出现当天施药当天采收的现象，造成严重的农药污染问题［1］。传统的农药检测方法如高效液相色谱法、气相色谱法、酶抑制剂法等操作复杂、耗时长、浪费大，无法满足消费者和生产需要，亟需寻求一种快速、无损检测果蔬表面农残的方法。

无损检测具有快速、简便、在线检测等特点。陈菁菁等［2］运用近红外光谱技术快速检测微量有机磷农药，相关系数为0.989。刘翠玲等［3］运用近红外光谱技术对蔬菜内农药残留量进行了定性和定量的试验研究，其预测集的相关性为0.989，预测均方差为0.154。黎静等［4］应用可见－近红外光谱对脐橙表面农药残留量的检测研究，通过模型比较得出偏最小二乘模型最好，其预测相关性为0.981 7。Long Xue等［5］采用可见近红外和粒子群算法对脐橙表面敌敌畏残留进行检测研究，结果表明，建立粒子群－偏最小二乘模型效果最好，其相关性为0.873 2。

高光谱技术［6］是近几年应用到农畜产品检测的新技术，它融合了光学、电子学、信息处理以及计算机科学等学科，将传统二维成像技术和光谱技术有机地结合在一起，具有光谱分析和图像处理能力，对农畜产品内外品质无损检测有重大的研究意义。薛龙等［7］利用高光谱图像技术检测柑橘表面农药残留，检测结果表明；高浓度农药（1∶20，1∶100）检测率为100%、低浓度（1∶1 000）检测率为13%。Jing Li等［8］利用高光谱成像技术检测柑橘表面的敌敌畏残留，相关系数为0.832。Jiangbo Li等［9］应用高光谱成像技术对脐橙溃疡进行检测，检测率为93.7%。薛龙［10］、LüQiang［11］、徐爽［12］等分别对梨表面碰压伤、猕猴桃隐形损伤和枣子糖度的检测进行了试验研究，均有较高的检测率。J Wang等［13］应用400～720 nm的高光谱系统对红枣外部虫眼进行识别研究，虫眼识别率为94.4%，整体识别率为97%。

本研究拟应用高光谱系统（400～1 000 nm）采集小番茄表面农药残留的光谱信息和图像信息，再利用主成分分析（PCA）选择特征波长并结合PCA和波段比建立一个识别算法来识别小番茄表面农药点。旨在探索高光谱成像技术在果蔬表面农药残留检测方面的应用。

1 材料与方法

1.1 试验材料

小番茄：购于宁夏银川市西夏区怀远市场；

苯胺基嘧啶类杀菌剂：有效成分为40%的嘧霉胺悬浮剂，陕西汤普森生物科技有限公司；

样品处理：将60个小番茄洗净晾干，置于实验台上待用。用蒸馏水把农药分别配置成1∶20，1∶100，1∶500的溶液。然后用10 m L的注射器分别滴到洗净的番茄表面，在番茄表面形成3×3矩阵形状（见图1）。由于人为因素，每个农药点的大小不一，但每个农药点的直径均为10～15 mm。将番茄放置到通风阴凉处12 h后，采集光谱和图像信息。

图1 农药点在番茄表面的分布Figure 1 Pesticide distribution on tomatoes surface

1.2 高光谱成像系统

高光谱成像系统：HyperSpec VNIR型，美国 Headwall公司。该装置包括：VNIRN型成像光谱仪、一个CCD相机、一个150 W卤素灯、一套高精度载物平台和一台高性能计算机等部件组成，其中，成像光谱仪的波段范围为400～1 000 nm，光谱分辨率为2.8 nm，由于设备具有像元混合功能，所以在400～1 000波长范围内一共有125个波段。

高光谱成像原理是将探测器在聚焦面的垂直方向进行线列或面阵横向排列完成横向扫描（x轴向），从在条状空间中而获取样本各个波长λi（i＝1，2，3…，n，n为整数）下的图像信息；排列的探测器如同刷子一样扫出载物台前进过程中的一条带状轨迹从而完成纵向扫描（y轴向），综合横纵扫描信息就可得到样本的三维高光谱图像数据［14－16］。如图2所示，x轴和y轴确定平面可视图像的坐标，λ为波长信息坐标轴。高光成像系统兼有图像处理和光谱分析的优点，可以在灰度图上选择任意感兴趣区域而获得光谱信息。

图2 高光谱图像数据块Figure 2 Hyperspectral imaging datacube

1.3 高光谱系统参数设定及黑白校正

1.3.1 参数设定 图像采集前，先对高光谱系统的参数进行设定。首先将一张黑白相间的纸板放置在载物台上调节镜头的焦距，再对曝光时间进行调节。经过多次调整和参数优化，最终确定曝光时间8 ms，扫面距离40 mm，扫描速度15 mm／s，物距33 cm，光源距物体的距离85 cm。

1.3.2 黑白校正 高光谱系统采集数据前，要对图像进行黑白校正。这是由于光源强度在不同波段下分布不均匀，以及摄像头中暗电流的影响，使光强分布较弱波段下的图像噪声较大。而黑白校正后的图像，可有效的消除部分噪声影响。开启高光谱系统后，待焦距和曝光时间调整好后，扫描反射率为100%标准白色校正板得到全白的标定图像W；然后盖上摄像头的镜盖获取全黑的标定图像D；根据式（1）计算出样本的校正图像R［17］：

式中：

I——原始高光谱图像；

D——全黑的标定图像；

W——全白的标定图像；

R——标定后的高光谱图像。

本研究中所有高光谱图像数据采集均基于Hyper Spec VNIR系统平台，后续数据处理是基于ENVI 4.6和 Matlab 2011软件平台。

2 结果与分析

由于番茄每个像素点在不同的波长下都存在光谱信息，为了使每个感兴趣区域（ROI）更具有代表性，每个ROI都有5×5个像素点，图3为一幅高光谱图像不同感兴趣区域的光谱曲线。

图3 平均光谱曲线图Figure 3 The average spectra

由图3可知，在400～454 nm时曲线交乱无章，噪声干扰较大，因此去除这部分的光谱信息，对454～1 000 nm范围内的光谱信息进行主成分分析。

2.1 特征波长的提取

主成分分析［18］是一种常见有效的去噪降维的方法，它将样本原始波段含有的大量信息经过线性组合的方式用较少相互独立的变量表示。从而达到增强信息含量、隔离噪声、减少数据维数的目的。通过主成分分析，根据累计贡献率的大小选择主成分数。本研究所有样本经主成分分析后的累计贡献率均达到95%。图4为滴有嘧霉胺农药的小番茄高光谱图像的PC－1到PC－4主成分图像。

图4 涂有嘧霉胺农药的番茄主成分分析的前4个主成分图像Figure 4 Principal component（PC）image from 1st to 4th of the tomato obtained by principal component analysis（PCA）

由图4可知，PC－1至PC－3都能很清晰的看到高浓度农药点的分布。由于每个PC图像都是由原始数据中的各个波段下的图像经过线性组合而成，所以通过权重系数可以对最佳特征图像进行选择。经过对全体样本PC图像分析，PC－1至PC－3都可清晰的显现高浓度农药点，但PC－1光斑较大影响较大，而PC－3整体图像较模糊、干扰大、影响因子较小，所以根据PC－2的权重系数选取特征波长。图5为权重系数曲线图，依据曲线的波峰波谷选择的特征波长为497，564，636，670，723，809，967 nm。

图5 PC－2图像光谱曲线权重系数Figure 5 Spectral weighting coefficients for PC－2

2.2 农药点识别算法

经过对PC图像处理分析，发现PC图像不能很好地反应农药点的分布。为了达到研究目的，本研究对特征波长下的图像经过一系列的图像处理，最终开发了一种适合番茄表面农药点识别的波段比算法。波段比算法［15］不但可以有效的降低番茄距离光源的远近产生的反射不均的影响，还能增强波段之间波谱差异，其原理是用两个波段下的图像相除从而获得一副相对波段强度图像。通过对各个特征波段进行不同的组合运算发现，采用单波段564 nm和809 nm参与波段比运算效果较好。

首先采集一系列涂有农药点番茄的高光谱图像，图6表明了图像识别算法过程中主要的运算过程和结果图像。由图6可知，波段比和阈值分割是识别农药点的两个主要算法。图6（c）是564 nm和809 nm的原始图像经图6（b）掩膜后的图像，然后图6（c）中的两幅图像进行564 nm／809 nm得到比值图像图6（d）。图6（e）是由比值图像经阈值分割后得到的二值化图像，当阈值为0.6时二值化图像最佳。图6（e）表明除农药点外还有一个较大的白点，与图6（a）对比可知，这是由于番茄表面垂直反射而产生的光斑。光斑的存在严重影响检测结果。Byoung－Kwan Cho等［19］提到从全波段高光谱图像中提取一个光斑影响最大的原始图像，通过对该图像进行掩膜、阈值分割等处理最终得到一张只含光斑点的图像，然后用二值化结果图像减去只含光斑的图像获得最终的检测图像。本研究参照上述方法，在阈值分割后增加了膨胀算法，使光斑点扩大到原来的大小。图6（f）是提取光斑点的识别算法中的主要结果。把967nm下的原始图像经图6（b）掩膜后进行阈值分割和膨胀算法得到只含农药点的二值化图像。图6（g）是由图6（e）减去图6（f）中二值化图像并进过连通度分析后得到的结果图像。结果图像表明：高浓度1∶20，1∶100的识别率均为100%，低浓度1∶500为0。

图6 番茄表面农药点的识别流程图Figure 6 The identification progress image of pesticides of tomatoes

3 结论

本研究的主要目的是探索高光谱成像技术对小番茄表面农药残留无损检测的可行性。通过对两个波段564 nm和809 nm比值图像（564 nm／809 nm）进行图像处理可准确的检测出农药点的位置，其中高浓度1∶20、1∶100的识别率均为100%，低浓度1∶500为0。结果表明，高光谱成像技术对小番茄表面农药残留的无损检测是可行的。

本研究也存在不足，如对低浓度农药点检测率较低，出现这种结果的原因：① 浓度过低，高光谱图像识别较困难；② 由于光斑在低浓度附近，它严重影响附近农药点的检测。在今后研究过程中可从光源的位置、光斑去除方法、识别算法的优化等方面进行研究，减少光源对图像和光谱的影响，降低光斑的影响，提高低浓度农药点的识别率。以此为基础，利用光谱信息对农药种类及农药浓度定性判别和农药含量定量分析将是今后的研究重点。

1 钟锋，杨晓云，李小玺，等.农药残留检测的技术研究进展［J］.世界农药，2008，30（6）：41～44.

2 陈菁菁，李永玉，吴建虎，等.基于近红外光谱技术的微量有机磷农药的快速检测［J］.食品安全质量检测技术，2009，1（1）：45～50.

3 刘翠玲，郑光，孙晓荣，等.近红外光谱技术在农药残留量检测中的研究［J］.北京工商大学学报，2010，28（4）：52～64.

4 黎静，薛龙，刘木华，等.基于可见－近红外光谱识别氧乐果污染的脐橙［J］.农业工程学报，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，乔晓艳，董有尔，等.高光谱图像技术在农产品检测中的应用进展［J］.应用光学，2009，30（4）：639～644.

7 薛龙，黎静，刘木华.基于高光谱图像技术的水果表面农药残留检测试验研究［J］.光学学报，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 薛龙，黎静，刘木华.利用高光谱图像技术检测梨表面碰压伤的试验研究［J］.粮油加工，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，何建国，易东，等.基于高光谱图像技术的长枣糖度无损检测［J］.食品与机械，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 刘木华，赵杰文，郑建鸿，等.农畜产品品质无损检测中高光谱图像技术的应用进展［J］.农业机械学报，2005，36（9）：139～143.15 刘燕德，张光伟.高光谱成像技术在农产品检测中的应用［J］.食品与机械，2012，28（5）：223～226.

16 洪添胜，李震，吴春胤，等.高光谱图像技术在水果品质无损检测中的应用［J］.农业工程学报，2007，23（11）：280～285.

17 李江波，饶秀勤，应义斌，等.基于高光谱成像技术检测脐橙溃疡［J］.农业工程学报，2010，26（8）：222～228.

18 李遂贤，廖宁放，孙雨南.基于主成分分析的多光谱相机灵敏度优化［J］.光电工程，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.