高光谱成像技术的柿子表面农药残留检测研究

技术原理

高光谱成像技术通过融合成像技术与光谱技术，实现对目标物二维空间信息及一维光谱信息的同步采集。其核心在于获取连续、窄波段的高分辨率图像数据（通常覆盖400-1000 nm波长范围），结合光谱特征库比对，精准识别农药残留种类。相较于传统破坏性检测方法（如气相色谱法、酶抑制法），该技术具有无损性、快速性（秒级响应）及多参数同步分析的优势，可同时获取农药种类、浓度及空间分布信息。

2. 实验材料与方法

2.1 样品制备

样本选择：选取颜色、大小、成熟度一致的柿子样品80个，清洗并干燥以消除表面杂质干扰。

农药喷洒：选用毒死蜱、哒螨灵、嘧霉胺三种常见农药，按1:300比例稀释后分组喷洒（每组20个样本），并设置蒸馏水对照组。

2.2 数据采集参数

设备配置：采用推扫式高光谱成像系统（如赛斯拜克Sinespec系列），物距设定为45 cm，曝光时间0.05 s，电移平台匀速0.6 cm/s移动以保障图像清晰度。

校正处理：通过黑白校正消除光源不均及噪声影响，公式为 R= 

W−D

S−D

 ，其中 S 为原始数据，W 为白板标定，D 为暗背景数据。

3. 数据处理与分析

3.1 光谱特征提取

预处理：利用ENVI软件进行去噪、光谱匹配及波形拟合，提取感兴趣区域（ROI）的平均反射率曲线（图1）。结果显示，650 nm处为反射率波谷，700-800 nm为特征峰，不同农药组在600-900 nm波段差异显著。

特征波长筛选：通过主成分分析（PCA）提取PC3权重系数，确定610 nm、650 nm、700 nm、800 nm及940 nm为关键波长，减少数据冗余并提升模型效率。

3.2 分类建模

算法选择：采用支持向量机（SVM）结合RBF核函数，将农药种类编码（如嘧霉胺=1，毒死蜱=4），划分44个训练样本与36个测试样本。

模型性能：训练集准确率达93.18%，测试集为66.67%，表明需优化样本量以避免过拟合。

4. 结果与优势

检测精度：高光谱技术可区分不同农药的光谱特征，如毒死蜱组在700 nm反射率显著高于对照组。

效率对比：传统色谱法需数小时且破坏样本，而高光谱成像可在1分钟内完成单样本无损检测。

5. 应用前景与挑战

发展方向：提升分辨率（如超光谱成像）、优化算法（如深度学习）以增强小样本泛化能力。

产业化潜力：结合便携式设备（如无人机载系统iSpecHyper-VM100），可实现场快速筛查，推动农产品安全监管智能化。

图1 不同农药组平均光谱反射率曲线

（示例：650 nm波谷与700 nm峰位差异显著，毒死蜱组反射率高于对照组）

图2 SVM分类模型训练与测试结果

（训练集高准确率与测试集需优化的对比）

结论：高光谱成像技术为柿子农药残留检测提供了高效、无损的解决方案，未来通过硬件优化与算法升级，有望在果蔬安全领域实现规模化应用。