基于高光譜圖像信息的桑葉農(nóng)殘精確定量無損檢測與可視化分析.pdf

1、農(nóng)殘可以通過食物鏈傳遞給人畜，對人畜健康構成嚴重威脅。因此，尋求一種高效快速精準無損的農(nóng)殘檢測方法是當務之急。目前農(nóng)殘的檢測主要依賴于色譜分析法和色質(zhì)聯(lián)用分析法等化學方法，雖然有關學者已使用光譜技術進行農(nóng)副產(chǎn)品的農(nóng)殘檢測，但是檢測效果不是很理想。本文將高光譜圖像技術應用到桑葉農(nóng)殘檢測中來，對桑葉毒死蜱農(nóng)殘進行定量檢測研究。以育71-1號桑葉為研究對象，首先利用掃描電鏡和透射電鏡技術研究毒死蜱對桑葉微觀結(jié)構的影響，采用氣相色譜儀對桑葉中的

2、農(nóng)殘量進行化學測定，然后采取高光譜成像技術聯(lián)合數(shù)據(jù)分析、圖像處理方法對桑葉農(nóng)殘進行定量檢測研究。具體研究內(nèi)容如下：
　?。?）利用掃描電鏡和透射電鏡觀察噴灑不同濃度毒死蜱的桑葉組織，發(fā)現(xiàn)低濃度毒死蜱處理后的氣孔開口度和密度變大，嗜鋨顆粒變多。如果毒死蜱濃度過高，桑葉氣孔會變小，桑葉葉片變厚，嗜鋨顆粒變多且體積變大。
　?。?）為了獲取更多的有效信息，采用信息融合方式將光譜信息和紋理信息結(jié)合起來。首先通過波段比算法和閾值分割法

3、來分割圖像，并將桑葉葉面設為感興趣區(qū)域（ROI），計算得到的桑葉ROI內(nèi)光譜平均值作為光譜數(shù)據(jù)。然后利用主成分分析（PCA）提取桑葉特征圖像，提取特征圖像基于灰度共生矩陣的桑葉紋理特征（對比度Contrast、相關性Correlation、能量Energy、同質(zhì)性Homogeneity、熵Entropy和均值Mean）。
　　（3）利用光譜分析方法進行數(shù)據(jù)處理，對感興趣區(qū)域的光譜信息進行SNV_detrending預處理，降低光譜

4、噪聲、光譜散射和基線漂移等因素的影響。并采用連續(xù)投影算法（SPA）、逐步回歸（SR）和權重回歸系數(shù)法（wB)來選擇特征波長，分別得到2個特征波長（461、902nm）、7個特征波長（452、453、527、602、814、957、982nm）和5個特征波長（450、552、683、729、819nm）。
　?。?）運用多元線性回歸（MLR）、偏最小二乘回歸法（PLSR）、最小二乘支持向量機回歸算法（LS-SVM）和細菌群趨藥性優(yōu)化

5、最小二乘支持向量機回歸算法（BCC-LS-SVM）建模，分別建立基于全光譜和特征波長下光譜與光譜紋理融合信息的MLR、PLSR、LS-SVM和BCC-LS-SVM桑葉農(nóng)殘定量檢測模型。結(jié)果表明與基于光譜信息的模型相比，基于光譜紋理融合信息的模型效果較好。與基于全光譜融合信息的模型相比，基于特征波長下融合信息的模型具有一定優(yōu)勢。其中，Bw_BCC-LS-SVM回歸模型性能最佳，Rc和RMSEC分別為1和14.638，Rp和RMSEP分別為