CN108872091A - 一种基于高光谱成像的蔬菜农药残留浓度的检测方法 - Google Patents
一种基于高光谱成像的蔬菜农药残留浓度的检测方法 Download PDFInfo
- Publication number
- CN108872091A CN108872091A CN201810229877.6A CN201810229877A CN108872091A CN 108872091 A CN108872091 A CN 108872091A CN 201810229877 A CN201810229877 A CN 201810229877A CN 108872091 A CN108872091 A CN 108872091A
- Authority
- CN
- China
- Prior art keywords
- sample
- spectrum
- image
- data
- vegetables
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 102
- 235000013311 vegetables Nutrition 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 239000000447 pesticide residue Substances 0.000 title claims abstract description 20
- 238000012937 correction Methods 0.000 claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 16
- 239000000575 pesticide Substances 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000002360 preparation method Methods 0.000 claims abstract description 7
- 230000003595 spectral effect Effects 0.000 claims abstract description 7
- 238000002310 reflectometry Methods 0.000 claims abstract description 5
- 238000004611 spectroscopical analysis Methods 0.000 claims description 15
- 230000002045 lasting effect Effects 0.000 claims description 5
- 239000007921 spray Substances 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 4
- 239000002917 insecticide Substances 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims 1
- 235000011299 Brassica oleracea var botrytis Nutrition 0.000 description 17
- 235000017647 Brassica oleracea var italica Nutrition 0.000 description 17
- 240000003259 Brassica oleracea var. botrytis Species 0.000 description 16
- 239000005660 Abamectin Substances 0.000 description 5
- RRZXIRBKKLTSOM-XPNPUAGNSA-N avermectin B1a Chemical compound C1=C[C@H](C)[C@@H]([C@@H](C)CC)O[C@]11O[C@H](C\C=C(C)\[C@@H](O[C@@H]2O[C@@H](C)[C@H](O[C@@H]3O[C@@H](C)[C@H](O)[C@@H](OC)C3)[C@@H](OC)C2)[C@@H](C)\C=C\C=C/2[C@]3([C@H](C(=O)O4)C=C(C)[C@@H](O)[C@H]3OC\2)O)C[C@H]4C1 RRZXIRBKKLTSOM-XPNPUAGNSA-N 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000013519 translation Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 235000001169 Brassica oleracea var oleracea Nutrition 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000002329 infrared spectrum Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- IBSREHMXUMOFBB-JFUDTMANSA-N 5u8924t11h Chemical group O1[C@@H](C)[C@H](O)[C@@H](OC)C[C@@H]1O[C@@H]1[C@@H](OC)C[C@H](O[C@@H]2C(=C/C[C@@H]3C[C@@H](C[C@@]4(O3)C=C[C@H](C)[C@@H](C(C)C)O4)OC(=O)[C@@H]3C=C(C)[C@@H](O)[C@H]4OC\C([C@@]34O)=C/C=C/[C@@H]2C)/C)O[C@H]1C.C1=C[C@H](C)[C@@H]([C@@H](C)CC)O[C@]11O[C@H](C\C=C(C)\[C@@H](O[C@@H]2O[C@@H](C)[C@H](O[C@@H]3O[C@@H](C)[C@H](O)[C@@H](OC)C3)[C@@H](OC)C2)[C@@H](C)\C=C\C=C/2[C@]3([C@H](C(=O)O4)C=C(C)[C@@H](O)[C@H]3OC\2)O)C[C@H]4C1 IBSREHMXUMOFBB-JFUDTMANSA-N 0.000 description 1
- 101100545096 Bacillus subtilis (strain 168) yxiE gene Proteins 0.000 description 1
- 235000006008 Brassica napus var napus Nutrition 0.000 description 1
- 240000007124 Brassica oleracea Species 0.000 description 1
- 235000003899 Brassica oleracea var acephala Nutrition 0.000 description 1
- 235000011301 Brassica oleracea var capitata Nutrition 0.000 description 1
- 244000308180 Brassica oleracea var. italica Species 0.000 description 1
- 235000010149 Brassica rapa subsp chinensis Nutrition 0.000 description 1
- 235000000536 Brassica rapa subsp pekinensis Nutrition 0.000 description 1
- 241000499436 Brassica rapa subsp. pekinensis Species 0.000 description 1
- 241000219193 Brassicaceae Species 0.000 description 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- 240000008574 Capsicum frutescens Species 0.000 description 1
- 241001674939 Caulanthus Species 0.000 description 1
- 240000008067 Cucumis sativus Species 0.000 description 1
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 description 1
- 102220609776 Nuclear protein MDM1_N17E_mutation Human genes 0.000 description 1
- 235000002597 Solanum melongena Nutrition 0.000 description 1
- 244000061458 Solanum melongena Species 0.000 description 1
- QKGJFQMGPDVOQE-UHFFFAOYSA-N Sulforaphen Natural products CS(=O)C=CCCN=C=S QKGJFQMGPDVOQE-UHFFFAOYSA-N 0.000 description 1
- 230000001093 anti-cancer Effects 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 239000001390 capsicum minimum Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000002894 chemical waste Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000004817 gas chromatography Methods 0.000 description 1
- 125000004383 glucosinolate group Chemical group 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 150000002367 halogens Chemical class 0.000 description 1
- 238000004128 high performance liquid chromatography Methods 0.000 description 1
- 238000003018 immunoassay Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 125000001189 phytyl group Chemical group [H]C([*])([H])/C([H])=C(C([H])([H])[H])/C([H])([H])C([H])([H])C([H])([H])[C@@](C([H])([H])[H])([H])C([H])([H])C([H])([H])C([H])([H])[C@@](C([H])([H])[H])([H])C([H])([H])C([H])([H])C([H])([H])C(C([H])([H])[H])([H])C([H])([H])[H] 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- QKGJFQMGPDVOQE-HWKANZROSA-N raphanin Chemical compound CS(=O)\C=C\CCN=C=S QKGJFQMGPDVOQE-HWKANZROSA-N 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009758 senescence Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000003440 toxic substance Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于高光谱成像的蔬菜农药残留浓度的检测方法，首先制备出喷洒了不同浓度农药的蔬菜样本，对制备的蔬菜样本进行高光谱图像采集，并进行黑白校正；然后计算感兴趣区域中所有像素的光谱反射率作为每个样本的平均光谱，根据每个样本的平均光谱计算各个样本组的平均光谱，并将各个样本组的平均光谱作为本样本组的标准光谱，对样本组中的每个样本的光谱进行多元散射校正处理，并对校正处理后的光谱进行归一化处理，转换成二维矩阵后保存为灰度图像；最后以各样本的灰度图像建立基于数据灰度图的卷积神经网络模型，对蔬菜中农药残留进行预测。本发明的检测方法，具有无损坏、无污染、自动化、快速高效等优点。
Description
技术领域
本发明属于食品安全检测技术领域，尤其涉及一种基于高光谱成像的蔬菜农药残留浓度的检测方法。
背景技术
蔬菜在种植过程中，易发生害虫病害，采用农药来进行杀虫也是一种常用的处理方法。例如西兰花(broccoli)，属于十字花科芸苔属甘蓝的一个变种，原产于意大利，于19世纪末传入我国。西兰花可食用部分为肥嫩的花蕾球及花茎，口感爽脆，且其营养价值极高，有“蔬菜皇冠”的美誉，而且还含有抗癌解毒、延缓衰老等作用的硫代葡萄糖苷及其衍生物萝卜硫素等。西兰花生长过程中，易发生害虫病害等等，因此西兰花种植过程中农药的使用不可避免。
传统的西兰花农药残留检测方法均为有损检测，如气相色谱法、高效液相色谱法、免疫分析法等等。这些传统方法虽然检测精度高，但是检测耗时长，依赖大量的化学试剂，浪费大，有污染，属于有损检测，不利于推广。
发明内容
本发明的目的是提供一种基于高光谱成像的蔬菜农药残留浓度的检测方法，以解决现有技术检测方法检测过程耗时长，依赖大量的化学试剂，浪费大，有污染，属于有损检测的问题。
为了实现上述目的，本发明技术方案如下：
一种基于高光谱成像的蔬菜农药残留浓度的检测方法，所述基于高光谱成像的蔬菜农药残留浓度的检测方法，包括：
在蔬菜上喷洒农药并历时18小时至28小时后采摘，制备出喷洒了不同浓度农药的蔬菜样本；
对制备的蔬菜样本进行高光谱图像采集，并进行黑白校正；
提取样本高光谱图像的感兴趣区域，计算感兴趣区域中所有像素的光谱反射率作为每个样本的平均光谱；
根据每个样本的平均光谱计算各个样本组的平均光谱，将各个样本组的平均光谱作为各自样本组的标准光谱，对样本组中的每个样本的光谱进行多元散射校正处理，并对校正处理后的光谱进行归一化处理，并转换成二维矩阵后保存为灰度图像；
以各样本的灰度图像建立基于数据灰度图的卷积神经网络模型，采用建立的卷积神经网络模型对蔬菜中农药残留进行预测。
进一步地，所述对制备的蔬菜样本进行高光谱图像采集，并进行黑白校正，采用如下公式：
其中：Rci是校正后数据，Sci是原始样本数据，Wci是白板数据，Dci是暗背景数据。
进一步地，所述对校正处理后的光谱进行归一化处理，归一化处理公式为：
其中，xmax为光谱数据xi中最大值，xmin为光谱数据xi中最小值，得到归一化后的光谱数据为xi,NORM＝(x1,NORM,x2,NORM,…,xn-1,NORM,xn,NORM)，n为样本光谱数据xi中波长的数量，xi为样本i的光谱数据。
进一步地，所述转换成二维矩阵后保存为灰度图像，包括：
将归一化后的光谱数据使用reshape()函数转换成二维转置矩阵；
再使用imwrite()函数将数据保存为灰度图。
本发明提出了一种基于高光谱成像的蔬菜农药残留浓度的检测方法，采用多元散射校正进行预处理，并建立卷积神经网络模型，实现西兰花中阿维菌素残留浓度的无损检测。本发明采用高光谱成像技术，高光谱图像具有图谱合一的优点，结合了传统的二维成像技术和光谱技术，具有无损坏、无污染、自动化、快速高效等优点。
附图说明
图1为本发明一种基于高光谱成像的蔬菜农药残留浓度的检测方法流程图；
图2为本发明卷积神经网络模型示意图；
图3为本发明极限学习机模型示意图。
具体实施方式
下面结合附图和实施例对本发明技术方案做进一步详细说明，以下实施例不构成对本发明的限定。
本技术方案基于高光谱成像技术，高光谱成像技术在电磁波谱的紫外、可见光、近红外和中红外区域，以数十至数百个连续且细分的光谱波段对目标区域同时成像，采集的图像具有图像与光谱结合的优点。本技术方案采用高光谱成像技术来进行蔬菜农药残留检测，具有无损坏、无污染、自动化、快速高效等优点。
如图1所示，本技术方案一种基于高光谱成像的蔬菜农药残留浓度的检测方法，包括如下步骤：
步骤S1、在蔬菜上喷洒农药并历时18小时至28小时后采摘，制备出喷洒了不同浓度农药的蔬菜样本。
本实施例中，蔬菜以西兰花为例进行说明，农药为阿维菌素。容易理解的是，对于其他蔬菜例如包心菜、黄瓜、茄子、辣椒、青菜、大白菜等均适用，所喷洒的农药可以是市场上常用的农药。在本实施例中，西兰花品种为炎秀，所用农药为阿维菌素(有效成分含量2％，由济南金地农药有限公司生产)。样本均来自浙江省杭州市余杭区乔司农场西兰花种植基地，制备100颗样本，样本分为五组。各组样本喷洒阿维菌素农药浓度分别为：0.04mg/Kg、0.08mg/Kg、0.12mg/Kg、0.16mg/Kg、0.20mg/Kg。
在制备样本时，于17:00进行喷药，历时24小时后对各组西兰花样本进行采摘，装入保鲜袋密封保存并编号作为样本。随后立即送至实验室进行高光谱图像采集和农药浓度化学检测。
为了保证后期模型的准确性，在制备样本时，农药喷洒时间一般为下午16：00-18：00，最好在历时18-28小时后进行采摘。本实施例制作样本的西兰花最好种植在大棚中，从而在喷洒农药后不会因为雨水的冲刷导致被喷洒的农药浓度被稀释。如果种植在户外，则在天气晴朗，无大雨的条件下制作样本。
步骤S2、对制备的蔬菜样本进行高光谱图像采集，并进行黑白校正。
本实施例所用高光谱成像系统为由台湾五铃光学股份有限公司提供的近红外高光谱成像系统，包括近红外光谱仪(ImSpector N17E，Specimen)、近红外相机、150W卤素灯光源、电动平移台、计算机。波长范围为900～1700nm，采样间隔为4nm，光谱分辨率5nm。整个系统均在暗箱中，避免外界环境光干扰。高光谱图像数据采集软件为Spectral Image，光谱范围900～1700nm，曝光时间20ms，平移台移动速度6.0mm/s，线性光源与平移台成45度夹角。
在对制备的蔬菜样本进行高光谱图像采集时，将近红外高光谱成像系统打开30分钟预热，确保光源稳定。然后按组依次对100颗西兰花样本进行近红外高光谱图像采集，另将白板放置在与西兰花相同距离和照明位置并充满相机一帧采集范围进行白板数据采集，然后关闭光源盖上镜头盖进行暗背景数据采集，随后进行黑白校正处理。
黑白校正公式为：
其中：Rci是校正后数据，Sci是原始样本数据，Wci是白板数据，Dci是暗背景数据。
步骤S3、提取样本高光谱图像的感兴趣区域，计算感兴趣区域中所有像素的光谱反射率作为每个样本的平均光谱。
本实施例对西兰花样品的高光谱图像提取感兴趣区域，统一选取样本中心区域60像素*60像素的正方形区域内4个30像素*30像素正方形区域作为感兴趣区域(ROI)。取所有像素的ROI的反射率的平均值，从而获得每个样本的平均光谱，重复相同的工序获得所有测试样品的高光谱图像的平均光谱。
步骤S4、根据每个样本的平均光谱计算各个样本组的平均光谱，将各个样本组的平均光谱作为各自样本组的标准光谱，对样本组中的每个样本的光谱进行多元散射校正处理，并对校正处理后的光谱进行归一化处理，并转换成二维矩阵后保存为灰度图像。
本实施例西兰花表面呈半球形且表面花苞呈颗粒状且分布不均匀，在采集高光谱图像时会产生光的散射现象，会导致同种样品同一时间内采集的光谱出现差异，通过使用多元散射校正算法来消除这些差异。
多元散射校正算法，假设光散射对每个波长下每个样品产生的影响是线性的，首先计算所有样品近红外光谱的平均光谱(步骤S3中已经计算出平均光谱)，然后将平均光谱作为标准光谱，每个样品的近红外光谱与标准光谱进行一元线性回归运算，求得各光谱相对于标准光谱的线性平移量(回归常数b)和倾斜偏移量(回归系数m)。在每个样品原始光谱中减去回归常数b同时除以回归系数，修正光谱的基线相对倾斜，这样每个光谱的基线平移和偏移都在标准光谱的参考下予以修正。
本实施例制备了100个样本，并分为5个样本组，对每个样本组中的样本光谱进行多元散射校正处理。具体对每个样本组中的样本光谱进行多源散射校正的计算，在对光谱进行校正的处理中常用，这里不再赘述。本实施例技术方案在于根据每个样本的平均光谱计算各个样本组的平均光谱，并将各个样本组的平均光谱作为各自样本组的标准光谱，对样本组中的每个样本的光谱进行多元散射校正处理，使得计算得到的样本光谱更加准确，对于后续的建模和检测具有重大的意义，使得检测的结果比较精确。
例如：对于阿维菌素农药浓度为0.04mg/Kg的样本组，有20个样本，将本样本组的平均光谱作为本样本组的标准光谱，对本样本组中的每个样本的光谱进行多元散射校正处理。
为使得光谱数据转换成灰度图像后的纹理更加明显，本实施例对多元散射校正后的每个样本的光谱进行归一化处理，归一化处理公式为：
式中xmax为该光谱数据xi中最大值，xmin为该光谱数据xi中最小值，得到归一化后的光谱数据为xi,NORM＝(x1,NORM,x2,NORM,…,xn-1,NORM,xn,NORM)。其中，n为样本光谱数据xi中波长的数量，xi为样本i的光谱数据。
将归一化后的光谱数据使用reshape()函数转换成二维转置矩阵，如B＝reshape(A,[m n])，其中A为转换前光谱数据，B为转换后矩阵，矩阵大小为m*k，m表示行数，k表示列数，m和k的值为预设的值；然后再使用imwrite()函数将数据保存为灰度图，如：imwrite(A,‘E:\image\A.png’)。其中A为矩阵名，E:\image\A.png为图片保存路径及图片名。从而将每个样本的光谱保存为灰度图像。
最后，每个样本对应一个灰度图像，将各样本组的灰度图像按3:1的比例将其分为训练集和测试集，并进行标记，作为卷积神经网络分类模型的输入数据。
步骤S5、以各样本的灰度图像建立基于数据灰度图的卷积神经网络模型，采用建立的卷积神经网络模型对蔬菜中农药残留进行预测。
本实施例卷积神经网络模型如图2所示共有4层网络，包含3个卷积层convl、conv2、conv3，在每个卷积层后都跟随一个relu激活函数和一个pooling降采样层，在3个卷积层后跟随一个全连接层fc，最终网络输出正确率和损失率。
此外，还可以根据各样本的灰度图像建立基于数据灰度图的极限学习机模型，采用建立的极限学习机模型对蔬菜中农药残留进行预测。极限学习机模型其结构如图3所示，输入变量x1,…,xn对应输入层n个神经元，隐含层有l个神经元，输出层有m个神经元对应输出变量y1,…,ym。
输入层和隐含层之间连接权值ω为：
隐含层和输出层之间连接权值β为：
设隐含层神经元阈值为则对含有P个样本的训练集输入矩阵为X，输出矩阵为Y，激活函数为g(x)，可求出网络隐含层输出矩阵
则网络的输出T＝[t1,t2,…,tP]m×P可由式得出：
算法主要步骤为：首先训练前随机产生输入层与隐含层之间权值ω和隐含层节点阈值b；然后确定隐含层神经元个数和激活函数进而计算隐含层输出矩阵H；最后计算输出层权值β。本发明中设置模型隐含层节点数为45，激活函数为sigmoid。
根据以上步骤得出的结果为下表所示，其结果显示：总训练样本数量为300时，卷积神经网络模型的准确识别率达84.9％，对比同等数量训练集的极限学习机模型正确率高出10.1％，验证了卷积神经网络算法可用于西兰花表面低浓度阿维菌素残留量的高光谱图像识别检测中。
表1
以上实施例仅用以说明本发明的技术方案而非对其进行限制，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (4)
1.一种基于高光谱成像的蔬菜农药残留浓度的检测方法，其特征在于，所述基于高光谱成像的蔬菜农药残留浓度的检测方法，包括：
在蔬菜上喷洒农药并历时18小时至28小时后采摘，制备出喷洒了不同浓度农药的蔬菜样本；
对制备的蔬菜样本进行高光谱图像采集，并进行黑白校正；
提取样本高光谱图像的感兴趣区域，计算感兴趣区域中所有像素的光谱反射率作为每个样本的平均光谱；
根据每个样本的平均光谱计算各个样本组的平均光谱，将各个样本组的平均光谱作为各自样本组的标准光谱，对样本组中的每个样本的光谱进行多元散射校正处理，并对校正处理后的光谱进行归一化处理，转换成二维矩阵后保存为灰度图像；
以各样本的灰度图像建立基于数据灰度图的卷积神经网络模型，采用建立的卷积神经网络模型对蔬菜中农药残留进行预测。
2.如权利要求1所述的所述的基于高光谱成像的蔬菜农药残留浓度的检测方法，其特征在于，所述对制备的蔬菜样本进行高光谱图像采集，并进行黑白校正，采用如下公式：
其中：Rci是校正后数据，Sci是原始样本数据，Wci是白板数据，Dci是暗背景数据。
3.如权利要求1所述的基于高光谱成像的蔬菜农药残留浓度的检测方法，其特征在于，所述对校正处理后的光谱进行归一化处理，归一化处理公式为：
其中，xmax为光谱数据xi中最大值，xmin为光谱数据xi中最小值，得到归一化后的光谱数据为xi,NORM＝(x1,NORM,x2,NORM,…,xn-1,NORM,xn,NORM)，n为样本光谱数据xi中波长的数量，xi为样本i的光谱数据。
4.如权利要求1所述的基于高光谱成像的蔬菜农药残留浓度的检测方法，其特征在于，所述转换成二维矩阵后保存为灰度图像，包括：
将归一化后的光谱数据使用reshape()函数转换成二维转置矩阵；
再使用imwrite()函数将数据保存为灰度图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810229877.6A CN108872091A (zh) | 2018-03-20 | 2018-03-20 | 一种基于高光谱成像的蔬菜农药残留浓度的检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810229877.6A CN108872091A (zh) | 2018-03-20 | 2018-03-20 | 一种基于高光谱成像的蔬菜农药残留浓度的检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108872091A true CN108872091A (zh) | 2018-11-23 |
Family
ID=64326149
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810229877.6A Pending CN108872091A (zh) | 2018-03-20 | 2018-03-20 | 一种基于高光谱成像的蔬菜农药残留浓度的检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108872091A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109740729A (zh) * | 2018-12-14 | 2019-05-10 | 北京中科寒武纪科技有限公司 | 运算方法、装置及相关产品 |
| CN110057764A (zh) * | 2019-04-25 | 2019-07-26 | 浙江省农业科学院 | 一种农药施药安全管理警示装置及方法 |
| CN112016392A (zh) * | 2020-07-17 | 2020-12-01 | 浙江理工大学 | 一种基于高光谱图像的大豆虫害程度的小样本检测方法 |
| CN112033950A (zh) * | 2020-09-10 | 2020-12-04 | 青海省农林科学院 | 一种农药残留检测方法 |
| CN112730275A (zh) * | 2021-02-04 | 2021-04-30 | 华东理工大学 | 显微光谱成像系统、农药检测系统及其方法 |
| CN112861789A (zh) * | 2021-03-10 | 2021-05-28 | 上海交通大学 | 基于图像深度学习的crt荧光粉智能清理及品质控制方法 |
| CN113406030A (zh) * | 2021-08-04 | 2021-09-17 | 石河子大学 | 一种基于卷积神经网络的哈密瓜农药残留鉴别方法 |
| CN113740276A (zh) * | 2021-09-02 | 2021-12-03 | 福州大学 | 基于多光谱探测系统果蔬农残可视化实时检测方法及系统 |
| CN113777063A (zh) * | 2021-09-07 | 2021-12-10 | 福州大学 | 一种果蔬农残快速实时检测多光谱探测系统及其使用方法 |
| US20220349828A1 (en) * | 2020-03-26 | 2022-11-03 | Tata Consultancy Services Limited | System and method of detecting concentration of plurality of chemical residue in an agricultural produce |
| CN115371916A (zh) * | 2022-08-08 | 2022-11-22 | 无锡迅杰光远科技有限公司 | 包装密封性识别系统、方法、装置和存储介质 |
| CN117250322A (zh) * | 2023-09-12 | 2023-12-19 | 新疆绿丹食品有限责任公司 | 一种基于大数据的红枣食品安全智能监测方法及系统 |
| CN117705754A (zh) * | 2023-11-30 | 2024-03-15 | 浙江大学 | 一种基于高光谱成像的纺织品聚酯纤维含量在线检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2405258A2 (de) * | 2010-07-09 | 2012-01-11 | Fraunhofer Gesellschaft zur Förderung der angewandten Wissenschaft E.V. | Trainingsverfahren für einen adaptiven Auswertealgorithmus, ein hyperspektrales Messgerät, sowie eine Vorrichtung zum Ausbringen eines Betriebsmittels |
| CN103630498A (zh) * | 2013-11-12 | 2014-03-12 | 浙江大学 | 基于高光谱成像技术的脐橙表面农药残留量的检测方法 |
| CN105092489A (zh) * | 2015-08-14 | 2015-11-25 | 浙江大学 | 基于藻类高光谱信号的水体残留农药检测方法 |
-
2018
- 2018-03-20 CN CN201810229877.6A patent/CN108872091A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2405258A2 (de) * | 2010-07-09 | 2012-01-11 | Fraunhofer Gesellschaft zur Förderung der angewandten Wissenschaft E.V. | Trainingsverfahren für einen adaptiven Auswertealgorithmus, ein hyperspektrales Messgerät, sowie eine Vorrichtung zum Ausbringen eines Betriebsmittels |
| CN103630498A (zh) * | 2013-11-12 | 2014-03-12 | 浙江大学 | 基于高光谱成像技术的脐橙表面农药残留量的检测方法 |
| CN105092489A (zh) * | 2015-08-14 | 2015-11-25 | 浙江大学 | 基于藻类高光谱信号的水体残留农药检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 宋欣益: "基于卷积神经网络的高光谱数据分类方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 索少增 等: "高光谱图像技术检测梨表面农药残留试验研究", 《北京工商大学学报(自然科学版)》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109740729A (zh) * | 2018-12-14 | 2019-05-10 | 北京中科寒武纪科技有限公司 | 运算方法、装置及相关产品 |
| CN110057764A (zh) * | 2019-04-25 | 2019-07-26 | 浙江省农业科学院 | 一种农药施药安全管理警示装置及方法 |
| CN110057764B (zh) * | 2019-04-25 | 2021-09-14 | 浙江省农业科学院 | 一种农药施药安全管理警示装置及方法 |
| US11977031B2 (en) * | 2020-03-26 | 2024-05-07 | Tata Consultancy Services Limited | System and method of detecting concentration of plurality of chemical residue in an agricultural produce |
| US20220349828A1 (en) * | 2020-03-26 | 2022-11-03 | Tata Consultancy Services Limited | System and method of detecting concentration of plurality of chemical residue in an agricultural produce |
| CN112016392A (zh) * | 2020-07-17 | 2020-12-01 | 浙江理工大学 | 一种基于高光谱图像的大豆虫害程度的小样本检测方法 |
| CN112016392B (zh) * | 2020-07-17 | 2024-05-28 | 浙江理工大学 | 一种基于高光谱图像的大豆虫害程度的小样本检测方法 |
| CN112033950A (zh) * | 2020-09-10 | 2020-12-04 | 青海省农林科学院 | 一种农药残留检测方法 |
| CN112730275A (zh) * | 2021-02-04 | 2021-04-30 | 华东理工大学 | 显微光谱成像系统、农药检测系统及其方法 |
| CN112861789A (zh) * | 2021-03-10 | 2021-05-28 | 上海交通大学 | 基于图像深度学习的crt荧光粉智能清理及品质控制方法 |
| CN113406030A (zh) * | 2021-08-04 | 2021-09-17 | 石河子大学 | 一种基于卷积神经网络的哈密瓜农药残留鉴别方法 |
| CN113740276A (zh) * | 2021-09-02 | 2021-12-03 | 福州大学 | 基于多光谱探测系统果蔬农残可视化实时检测方法及系统 |
| CN113777063A (zh) * | 2021-09-07 | 2021-12-10 | 福州大学 | 一种果蔬农残快速实时检测多光谱探测系统及其使用方法 |
| CN115371916A (zh) * | 2022-08-08 | 2022-11-22 | 无锡迅杰光远科技有限公司 | 包装密封性识别系统、方法、装置和存储介质 |
| CN117250322A (zh) * | 2023-09-12 | 2023-12-19 | 新疆绿丹食品有限责任公司 | 一种基于大数据的红枣食品安全智能监测方法及系统 |
| CN117250322B (zh) * | 2023-09-12 | 2024-04-12 | 新疆绿丹食品有限责任公司 | 一种基于大数据的红枣食品安全智能监测方法及系统 |
| CN117705754A (zh) * | 2023-11-30 | 2024-03-15 | 浙江大学 | 一种基于高光谱成像的纺织品聚酯纤维含量在线检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108872091A (zh) | 一种基于高光谱成像的蔬菜农药残留浓度的检测方法 | |
| Wendel et al. | Maturity estimation of mangoes using hyperspectral imaging from a ground based mobile platform | |
| Qiao et al. | UAV-based chlorophyll content estimation by evaluating vegetation index responses under different crop coverages | |
| Neupane et al. | Automatic identification and monitoring of plant diseases using unmanned aerial vehicles: A review | |
| Zhou et al. | Diagnosis of winter-wheat water stress based on UAV-borne multispectral image texture and vegetation indices | |
| Chen et al. | A YOLOv3-based computer vision system for identification of tea buds and the picking point | |
| CN105004320B (zh) | 一种高分卫星数据陆表植被覆盖度反演方法及系统 | |
| Zhao et al. | Object-oriented vegetation classification method based on UAV and satellite image fusion | |
| CN112345458A (zh) | 一种基于无人机多光谱影像的小麦产量估测方法 | |
| CN110514597A (zh) | 基于星地遥感数据协同的农作物病虫害监测方法 | |
| CN110287944A (zh) | 基于深度学习的多光谱遥感影像的农作物虫害监测方法 | |
| CN109376600A (zh) | 多光谱遥感影像综合特征云检测方法及装置 | |
| WO2001033505A2 (en) | Multi-variable model for identifying crop response zones in a field | |
| CN110544277A (zh) | 一种无人机载高光谱成像仪反演亚热带植被叶面积指数的方法 | |
| AU2021105287A4 (en) | Method for Simultaneously Retrieving Surface Temperature and Emissivity from Remote Sensing Data Based on Deep Learning | |
| CN105931223A (zh) | 基于波段比方法的高光谱反射图像中玉米胚部的分割方法 | |
| CN110118732A (zh) | 土壤含水量检测方法及装置 | |
| Breunig et al. | Assessing the effect of spatial resolution on the delineation of management zones for smallholder farming in southern Brazil | |
| CN116519557A (zh) | 一种气溶胶光学厚度反演方法 | |
| Lang et al. | Detection of chlorophyll content in maize canopy from UAV imagery | |
| Xuefeng et al. | Estimation of carbon and nitrogen contents in citrus canopy by low-altitude remote sensing | |
| Chapman et al. | Visible, near infrared, and thermal spectral radiance on-board UAVs for high-throughput phenotyping of plant breeding trials | |
| CN112964643A (zh) | 一种遥感影像可见光波段地形落影校正方法 | |
| Cao et al. | Discrimination of tea plant variety using in-situ multispectral imaging system and multi-feature analysis | |
| Zhou et al. | Radiometric calibration of a large-array commodity CMOS multispectral camera for UAV-borne remote sensing |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181123 |
|
| RJ01 | Rejection of invention patent application after publication |