CN112730275B - 显微光谱成像系统、农药检测系统及其方法 - Google Patents

Abstract

本申请提供了一种显微光谱成像系统、农药检测系统及其方法。显微光谱成像系统包括光谱光源控制系统、显微成像系统、智能设备端和云端服务器。农药检测系统包括：用于提供多波长光照的光源模组、用于获取样品的显微光谱图像的显微摄像模组、用于预处理该显微光谱图像的预处理模组、用于提取到图像特征的特征提取模组以及用于根据图像特征获得样品表面的农药含量的判别模组。农药检测方法用于实现上述农药检测系统的功能。本申请的系统和方法基于多波长光源和显微光谱图像分析处理等技术手段进行农产品表面农药残留的快速检测，具有无污染、环保绿色、操作简单、易于现场应用等优点。

Description

显微光谱成像系统、农药检测系统及其方法

技术领域

本发明属于食品安全检测技术领域，具体涉及一种显微光谱成像系统、农药检测系统及其方法。

背景技术

蔬菜瓜果表面农药的残余量一直是大众关心的问题，因此，有必要对该农药残余量进行检测，以利于对食品安全的有效监管。目前，国内外常见的农药的检测方法包括薄层层析法、色谱法和酶抑制法等。

其中，薄层层析法是一种成熟的、应用较广的微量快速检测方法，其步骤包括：先用适宜的溶剂提取农药成分，经纯化浓缩后，在薄层硅胶板上分离展开(即薄层分离)，显色后与农药标准品比较Rf值进行定性测定或用仪器进行定量测定，例如，用紫外分光光度法在特定波长处测定。虽然该方法既是重要的分离手段，又是定性、定量的分析方法，但其需要提取农药成分，提取过程中会造成农药成分损失，导致检测结果存在一定的系统误差，并且操作复杂。

色谱法检测农药残留一般使用的是高效液相色谱法和气相色谱法。高效液相色谱是以液体作为流动相，其检测效率、灵敏度和自动化程度高，适合分析沸点高而不太容易汽化、热不稳定和强极性农药及其代谢产物，且可以与柱前提取、纯化及柱后荧光衍生化反应和质谱等仪器联用，易实现分析自动化。同时一些新型检测仪器的问世在一定程度上提高了高效液相色谱法的检测灵敏度。如今，该方法在菊酯类检测领域使用较多。气相色谱法使用气体作流动相。由于物质在气相中传递速度快，待测组分汽化后与固定相相互作用次数多，具有微小差别的组分可以更好地分离。气相色谱法具有高选择性、高分离效能、高灵敏度等优点，是农药残留量检测最常用的方法之一。但是，无论是气相色谱法还是液相色谱法，均存在溶剂消耗量大、分析时间长、费用较高，且对操作人员要求高等缺点，不适合作为现场快速检测方法。

酶抑制法是研究较多且相对成熟的一种对部分农药进行快速检测的技术，其原理为：有机磷农药可以抑制乙酰胆碱酯酶的活性，当有机磷农药存在时，乙酰胆碱酯酶的分解产物的乙酸也相应减少。虽然该方法的特点为灵敏度高、选择性强，但是部分农药对酶的抑制并不明显，需要附加氧化助剂或预处理，以提高对农药检测的灵敏度。

除了上述三种方法外，基于光谱信息进行样品定性和定量的快速检测技术也有所应用。现阶段利用高光谱成像技术进行农药残留的快速检测的方法也有报道。高光谱图像是指在对目标的空间域成像的同时，对每个小空间域经过色散形成几十至几百个窄波段以进行连续的光谱覆盖，获得空间域叠加图像，然后通过分析这些叠加图像实现对农药残留的检测。然而，空间域成像受到拍照镜头初始像素的制约，在图像分析时若对空间域进行放大，则最终分辨率会降低，从而影响分析结果的精度。

发明内容

本申请的目的在于提供一种农药检测系统。在本申请中，该农药检测系统采用多波长照射和显微放大联用的方法获得样品表面的显微光谱图像，并通过对该显微光谱图像的特征提取和分析处理得到样品表面的农药残余量，具有无污染、环保绿色、操作简单、易于现场应用、检测效率高等优点。

本申请的第二个目的在于提供一种农药检测方法，其能够采用上述的农药检测系统对样品表面的农药残余量进行快速检测。

本申请的第三个目的在于提供一种显微光谱成像系统，其能够实现上述农药检测系统的功能。该显微光谱成像系统将对显微光谱图像的分析处理放于云端，能够不受场地的限制而高效、快速、方便地得到检测结果。

为了达到上述目的，本申请提供了一种农药检测系统，用于根据显微光谱分析的方法来检测农作物表面的农药残余量(或农药含量)。该系统具体包括：光源模组、显微摄像模组、预处理模组、特征提取模组、判别模组等。

其中，光源模组用于采用一种或多种波长的光照对样品表面进行照射。

显微摄像模组用于获取样品表面的一幅或多幅显微光谱图像，显微光谱图像的数目与光照的波长的数目一一对应。

预处理模组用于对每一幅显微光谱图像进行预处理，得到修正后图像。在本申请的一些实施例中，预处理模组可以包括：图像转化模块和分量提取模块。其中，图像转化模块用于将显微光谱图像从RGB空间图像转化为HSI空间图像。分量提取模块用于提取HSI空间图像中的I分量，得到I分量灰度图像作为上述修正后图像。

特征提取模组用于提取每一幅修正后图像中的图像特征。在本申请的一些实施例中，特征提取模组可以为LHG特征提取模组，包括：LBP特征向量提取模块、HOG特征向量提取模块、GILLES特征向量提取模块、LHG特征向量获取模块等。其中，LBP特征向量提取模块用于提取修正后图像的LBP特征向量。HOG特征向量提取模块用于提取修正后图像的HOG特征向量。GILLES特征向量提取模块用于提取修正后图像的GILLES特征向量。LHG特征向量获取模块用于横向拼接LBP特征向量、HOG特征向量和GILLES特征向量，得到LHG特征向量作为图像特征。在本申请的另一些实施例中，特征提取模组可以为CNN特征提取模组，其采用CNN法(即卷积神经网络方法)来提取修正后图像的图像特征，具体包括：对修正后图像依次进行第一次卷积、第一次池化、第二次卷积、第二次池化、矩阵拉伸后，得到图像特征。LHG特征提取模组和CNN特征提取模组可以择一选用。

判别模组用于将一幅或多幅修正后图像中的图像特征与预设的农药判别模型进行匹配，获得样品表面的农药含量。

在本申请的一些实施例中，农药检测系统还可以包括预测模组，其根据农药含量从农药降解数据库中获取对应的降解方程，并根据降解方程获得降解环境及对应的降解时间。

本申请还提供了一种农药检测方法，其包括如下步骤：

(1)、使用光源模组采用一种或多种波长的光照对样品表面进行照射；

(2)、使用显微摄像模组获取样品表面的一幅或多幅显微光谱图像，显微光谱图像的数目与光照的波长的数目一一对应；

(3)、使用预处理模组对每一幅显微光谱图像进行预处理，得到修正后图像；

(4)、使用特征提取模组提取每一幅修正后图像中的图像特征；以及

(5)、使用判别模组将一幅或多幅修正后图像中的图像特征与预设的农药判别模型进行匹配，获得样品表面的农药含量。

其中，在步骤(3)中，预处理模组将显微光谱图像从RGB空间图像转化为HSI空间图像，然后提取HSI空间图像中的I分量，得到I分量灰度图像并作为修正后图像。

在步骤(4)中，特征提取模组可以分别提取修正后图像的LBP特征向量、HOG特征向量和GILLES特征向量，然后横向拼接，得到图像特征。在本申请的其它一些实施例中，特征提取模组也可以对修正后图像依次进行第一次卷积、第一次池化、第二次卷积、第二次池化、矩阵拉伸后，得到图像特征。

在步骤(5)中，农药判别模型的建立方法可以包括如下步骤：

(5-1)、将一种以上农作物的表面喷洒具有两种以上已知浓度的一种以上农药，并对应制成多个样品；

(5-2)、使用光源模组采用一种以上波长的光照分别对多个样品的表面进行照射；

(5-3)、使用显微摄像模组获取多个样品表面的一幅以上显微光谱图像，显微光谱图像的数目与光照的波长的数目一一对应；

(5-4)、使用预处理模组对每一幅显微光谱图像进行预处理，得到修正后图像；

(5-5)、使用特征提取模组提取每一幅修正后图像中的图像特征；

(5-6)、使用计算模块分别计算多个样品的每一个图像特征的各个特征向量间的欧式距离，利用KS检验法划分建模集和检验集，利用支持向量机法根据建模集的图像特征建立农药判别模型。

在本申请的一些实施例中，农药检测方法还可以包括如下步骤：使用预测模组根据农药含量从农药降解数据库中获取对应的降解方程，并根据降解方程获得降解环境及对应的降解时间。

本申请还提供了一种显微光谱成像系统，其包括：光谱光源控制系统、显微成像系统、智能设备端和云端服务器。

其中，光谱光源控制系统包括：一个或多个LED灯珠和波长控制系统。在一个或多个LED灯珠中，每个LED灯珠可以发射特定波长的光照。波长控制系统用于控制对应的LED灯珠发射对应波长的光照。这些LED灯珠发射波长的范围可以为330nm-960nm。每个LED灯珠的散光角度可以大于90°。在本申请的一些实施例中，光谱光源控制系统还可以包括：芯片和PCB电路板。多个LED灯珠可以以阵列形式排布在芯片上，芯片可以焊接在PCB电路板上。

显微成像系统包括：载样台、镜头和显微摄像机。载样台用于安放样品(农作物经处理后得到的制片)。镜头用于对样品表面进行显微放大。显微摄像机用于获取样品在特定波长下的显微光谱图像。

智能设备端与云端服务器数据互连，用于根据相关指令将数据上传至云端服务器中，以便于其加工处理，或者将云端服务器处理完毕的数据下载下来并向用户显示。

云端服务器包括：农药判别数据库和农药残余量显微图像分析系统。农药判别数据库用于储存农药判别模型。农药残余量显微图像分析系统用于对智能设备端发来的显微光谱图像进行分析，根据农药判别模型获取待测样品表面的农药含量，并通过智能设备端进行显示。农药判别模型可以含有样品种类、农药种类、农药浓度、波长种类与图像特征之间的对应关系，因此，根据所获得的图像特征与农药判别模型里面的相关参数相匹配，就能够得到待测样品表面的农药含量。

在本申请的一些实施例中，农药残余量显微图像分析系统可以包括：预处理模组、特征提取模组和判别模组。其中，预处理模组用于对每一幅显微光谱图像进行预处理，得到修正后图像。特征提取模组用于提取每一幅修正后图像中的图像特征。判别模组用于将一幅或多幅修正后图像中的图像特征与预设的农药判别模型进行匹配，获得样品表面的农药含量。

在本申请的一些实施例中，农药残余量显微图像分析系统包括计算模块，分别计算表面的农药浓度已知的样品的每一个图像特征的各个特征向量间的欧式距离，利用KS检验法划分建模集和检验集，利用支持向量机法根据建模集的图像特征建立农药判别模型，也可以由检验集中的样品来评价该农药判别模型的预测准确度，因为检验集中的样品表面的农药含量是已知的，根据该模型的判别结果与已知的农药含量进行比较就能够得到预测准确度。

在本申请的一些实施例中，农药残余量显微图像分析系统还包括：农药降解数据库以及预测模组，预测模组根据农药含量从农药降解数据库中获取对应的降解方程，并根据降解方程获得降解环境及对应的降解时间。

由于采用以上技术方案，本申请取得了以下技术效果：

第一、在本申请的系统和方法中，首先对农作物制片后得到样品，采集样品在多个波长的光照下的显微光谱图像，然后进行图像分析与处理，得到关于样品表面农药残余量的预测结果。因此，与传统的薄层层析法、色谱法、色谱-质谱联用法相比，本申请无需使用化学试剂对样品进行处理，能够降低因在化学处理过程中样品的损失而产生的系统误差。另外，由于不使用化学试剂，故本申请的系统和方法绿色、环保。再者，本申请对样品仅需要制片过程，样品前处理简单。

第二、本申请通过采集样品表面的显微光谱图像，通过图像分析和处理过程即可得到样品表面的农药残余量，故本申请分析一个样品只需几分钟，检测速度大大提升。

第三、本申请的设备便携、制造费用低，便于现场随时制样随时检测，对设备的使用和操作要求低，能够克服色谱、质谱等仪器造价高昂、不适合现场应用且对操作人员有较高的专业要求的缺陷。

第四、本申请采用显微拍摄法和多波长补光法获得样品的显微光谱图像，并且结合有效的图像分析法以及预先得到的稳健的农药判别模型，经过检验集的验证可知，针对喷洒常规浓度农药的样品而言，本申请的预测准确率可稳定在90％以上，能够有效地投入实际应用。

第五、目前的高光谱图像是在不同波长下的叠加图像，需要较多的降维和去噪过程，而本申请并非叠加图像，而是横向拼接特征向量，因此，本申请与高光谱图像处理法相比，能够极大地简化降维、去噪操作，从而大幅度提升了处理效率。

附图说明

图1是本申请实施例1的显微光谱成像系统的结构示意图；

图2是本申请实施例1的显微光谱成像系统元件连接框图；

图3是本申请实施例1的PCB电路板以及LED阵列图；

图4是本申请实施例3的卷积神经网络提取图像特征示意图。

附图标记：

光谱光源控制系统100、电源控制系统110、电源输入系统111、带指示灯的波长调节系统112、波长控制系统113、光谱生成系统120、含多个波长LED灯珠的PCB电路板121、微电机系统122、LED灯珠123、显微光谱成像系统200、载样台201、镜头202、显微摄像机203、智能设备端300、云端服务器400、农药残余量显微图像分析系统401、农药降解数据库402。

具体实施方式

以下结合具体实施方式，对本申请的技术进行详细描述。应当知道的是，以下具体实施方式仅用于帮助本领域技术人员理解本申请，而非对本申请的限制。

[农药检测系统]

本申请提供了一种农药检测系统，用于对瓜果蔬菜表面的农药残余量进行检测，其至少包括如下部件：光源模组、显微摄像模组、预处理模组、特征提取模组、判别模组、预测模组等。

其中，光源模组用于采用一种或多种波长的光照对样品表面进行照射。在本发明的一些实施例中，光源模组先后使用多种波长的光照对样品表面进行照射。光照的波长的范围可以为300-960nm，也可以为430nm-660nm，还可以为470nm-560nm。示例性地，针对上海青样品，可以使用430nm、470nm、560nm、660nm这四种波长对其表面进行照射。

显微摄像模组用于获取样品表面的一幅或多幅显微光谱图像，显微光谱图像的数目与光照的波长的数目一一对应。针对同一个样品，光源模组先后使用多种波长的光照对样品表面进行照射，针对每一种波长的光照，显微摄像模组均会获得一幅显微光谱图像，故每个样品(其表面含有特定浓度的农药残余量)会对应产生多幅显微光谱图像。由于显微摄像模组针对每一个样品的放大倍数保持一样，同一个样品所获得的显微光谱图像的放大倍数是一致的。在本发明的一些实施例中，显微摄像模组的放大倍数可以为100-400倍，也可以为200-300倍。因为本发明在获取样品表面光谱图像时直接对其进行了放大，所以在后继进行图像处理时不容易丢失细节(如像素等)，反而更能保留图像的细节，从而使得检测的精度更高。对于叶类蔬菜，显微光谱图像中可观测到叶片表皮、叶肉(如栅栏组织和海绵组织)以及叶脉的结构。样品上表皮上覆盖角质层，下表皮具有不同大小的气孔，叶片中的叶绿体主要分布在叶肉中的栅栏组织，这些均会影响农药的降解。因此，农作物表面的显微光谱图像可为其表面农药残留的分析研究提供重要的信息。

预处理模组用于对每一幅显微光谱图像进行预处理，得到修正后图像。显微摄像模组一开始获得显微光谱图像为自然色照片，噪声较多，需要经过预处理后才能进行特征提取，因此就需要预处理模组的加工处理过程。预处理模组可以包括：图像转化模块和分量提取模块。

其中，图像转化模块用于将显微光谱图像(其为真彩色图像)从RGB空间图像转化为HSI空间图像，包括如下步骤：由于在RGB空间中R、G、B三个矩阵分别代表红、绿、蓝通道的灰度图像，矩阵中每个像素点的灰度值用r、g、b代指，其值属于0到1之间。设max是某一固定坐标中R、G、B三个矩阵中的三个值中的最大值，设min为这些值中的最小值，则具体转化公式为：

i＝0.5×(max+min)。

分量提取模块用于提取HSI空间图像中的I分量(即分割处理过程)，以得到修正后图像(即I分量灰度图像)，从而便于后继由特征提取模组提取其中特定的图像特征。I分量提取的具体过程为：提取出I分量，对I分量灰度图像进行光照均匀操作。其中，提取I分量是光照均匀操作的一部分，通过对I分量进行下面公式中的函数映射获得O(x,y)。

式中，O(x，y)为修正后图像(即I分量灰度图像)，F(x，y)为原图像(即HSI空间图像)，γ为亮度增强的指数值。

特征提取模组用于提取每一幅修正后图像中的图像特征。具体而言，特征提取模组分别从修正后图像中提取不同种类的特征向量，然后拼接所提取的特征向量，最终得到所需的一个图像特征。当一个样品采用多个波长照射时，会得到多幅I分量灰度图像，由于每一幅修正后图像(即I分量灰度图像)最终仅提取到一个图像特征，因此每个样品会对应提取到多个图像特征。特征提取模组可以采用LHG方法从I分量灰度图像中提取到所需的图像特征，也可以采用卷积神经网络法(CNN)从I分量灰度图像中提取到所需的图像特征。二种方法是并列的，任选其一即可。

其中，采用LHG方法的特征提取模组包括：LBP特征向量提取模块、HOG特征向量提取模块、GILLES特征向量提取模块、以及LHG特征向量获取模块等。

LBP特征向量提取模块用于提取修正后图像的LBP特征向量，其具体包括如下步骤：

(1-1)、首先将修正后图像(I分量灰度图像)的整幅图像作为一个检测窗口。如果该检测窗口为正方形，将其划分为n×n的小区域，n为任意自然数。示例性地，n可以为大于或等于3的自然数，也可以为大于或等于10的自然数，还可以为大于或等于15的自然数。如果该检测窗口为长方形，可以将关键区域截取为正方形，之后再划分为n×n的小区域。示例性地，在一些实施例中，n的值可以取16。

(1-2)、对于任意一个小区域中的每个像素点，均将其与邻域内所有像素点进行比较。其中，其中，小区域为图像分成的n×n个小区域，邻域是指每个像素点周围环绕的8个像素点。若周围像素值大于中心像素值，则该位置被标记为1，否则为0，得到的8个数字即为检测窗口的中心像素点的LBP值。

(1-3)、然后计算每个小区域的直方图，即每个数字出现的频率，之后对该直方图进行归一化处理。

(1-4)、将归一化后的直方图进行连接，成为LBP特征向量。

HOG特征向量提取模块用于提取修正后图像的HOG特征向量，其具体包括如下步骤：

(2-1)、计算修正后图像(I分量灰度图像)中每个像素的梯度(包括大小和方向)。

(2-2)、再一次将修正后图像划分成更小的m×m的小区域，根据步骤(1)计算出来的每个像素的梯度，统计每个小区域的梯度直方图。其中，m的值小于n。如果该修正后图像为长方形，可以将关键区域截取为正方形，之后再划分为m×m的小区域。在一些实施例中，m的值可以为n-3，也可以为n-5，还可以为n-7，也可以为n-10。示例性地，在一些实施例中，m的值可以取6。

(2-3)、将梯度直方图归一化后，连接归一化后的直方图，成为一个HOG特征向量。

GILLES特征向量提取模块用于提取修正后图像的GILLES特征向量。

(3-1)、针对修正后图像(I分量灰度图像)建立掩模，用于指定计算熵的区域。掩模在建立好之后，在整个图像上进行遍历。一幅图像只建立一个掩模即可。在本申请的一些实施例中，掩模可以为正方形掩模，其大小是3×3的正方形。在其它一些实施例中，掩模可以为圆形掩模，该掩模半径一般取5～20(像素点)。

(3-2)、利用建立的建模计算I分量灰度图像中局部领域的熵。其中，局部领域的熵即为掩模范围的熵。每个局部领域的熵都要进行计算。

(3-3)、过滤，得到大于给定阈值(该给定阈值为预先设定)的坐标。在一些实施例中，阈值可以为0.95max。

(3-4)、选取数个不同掩模半径，得到多个图像信息熵极值坐标，归一化后连接成一个GILLES特征向量。

LHG特征向量获取模块用于横向拼接上述所得的LBP特征向量、HOG特征向量和GILLES特征向量，得到所需的图像特征(即LHG特征向量)。通过对同一幅I分量灰度图像分别进行不同种类的特征提取，然后再横向拼接，既能够不丢失关键细节，同时又能大幅度降低噪音，故该LHG特征向量提取方法鲁棒性强、分类准确率高。

另外，也可以采用CNN法的特征提取模组提取图像特征，具体包括：对修正后图像依次进行第一次卷积、第一次池化、第二次卷积、第二次池化、矩阵拉伸后，得到所需的图像特征。CNN法进行特征提取与LHG法进行特征提取是并列的方法，择其一即可。虽然本申请描述了LHG法(LBP+HOG+GILLES方法)和CNN法这两种特征提取方法，但是其它类似的特征提取方法也可以应用于本申请的检测系统中。

判别模组用于将一幅或多幅修正后图像中的图像特征与预设的农药判别模型进行匹配，获得样品表面的农药含量。匹配指的是：将待预测样品的图像特征(即样品数据)代入农药判别模型(又称SVM判别模型)中，在该判别模型中样品数据被农药判别模型中的超平面分到超平面的一边，即完成了上述匹配过程。如果采用多个波长而并非仅采用一个波长照射样品，则一个样品会对应获得多幅显微光谱图像，对每一幅显微光谱图像进行预处理和LHG特征向量提取后，则该样品对应获得多个图像特征。由于农药判别模型里面存储了不同种类样品的不同图像特征与农药残余量的对应关系，故判别模组根据某一个样品所提取出来的多个图像特征，从农药判别模型里面获取与上述图像特征一一对应的多个农药残余量(即得到了多个预测结果)，然后利用投票制筛选法从多个预测结果中获得唯一的最终预测结果，即得到最终的农药残余量(即作为上述的农药含量)。投票制筛选法这种算法是将上述多个预测结果中出现最多的结果选择出来，作为唯一的最终预测结果。若因为预测结果数量太少而最终无法获得出现最多的结果，则取加权平均结果或绝对平均数作为唯一的最终预测结果。

本申请中，农药判别模型是预先建立的，即事先将不同种类的农作物(如上海青、大白菜、包菜等)的表面喷洒不同种类和不同已知浓度的农药，在制作成不同种类的样品后，利用光源模组采用不同波长的光照进行照射，采用显微摄像模组得到多幅显微光谱图像。采用预处理模块按照上述的预处理方法对这些显微光谱图像进行预处理，得到多幅修正后图像。采用特征提取模组提取每一幅修正后图像中的图像特征。通过KS方法和支持向量机法利用上述多个图像特征建立了农药判别模型。由此，农药判别模型含有“农作物种类—农药种类—农药浓度—波长种类”之间的对应关系，前一种与后一种均为一对多的关系，例如，1种农作物种类对应多种农药种类，1种农药种类对应多种农药浓度，1种农药浓度对应多个波长照射。因此，针对待测定的目标样品(含有未知的农药浓度)所拍摄的每一幅显微光谱图像(仅包含一个图像特征)而言，必然存在着“特定的农作物种类—特定的农药种类—特定的农药浓度—特定的波长种类”之间的一一对应关系，从而根据待测定的目标样品的图像特征及与之一一对应的农作物种类、农药种类和波长种类就能够从农药判别模型中获取相应的农药浓度数据，该过程可以通过上述的“匹配”过程实现。如果含有未知农药浓度的目标样品被多个波长的光照照射，则可能会匹配出多个农药浓度数据，此时，采用投票制筛选算法就能确定唯一的最终预测结果，作为该目标样品的农药残余含量而输出。如果预先尽可能多地获取上述对应关系，则该农药判别模型所包含的数据就越多，从而预测结果就越准确，由此可发展为针对不同品种的农作物、不同种类的农药的快速预测系统，为进一步发展以计算机视觉为基础的农药检测仪提供了基础。

在一些实施例中，农药检测系统还可以包括预测模组。该预测模组能够根据上述得到的农药含量从农药降解数据库中获取对应的降解方程，并根据降解方程获得降解环境(如pH值)及对应的降解时间。示例性地，针对目标样品表面的某种农药含量(或农药残余量)，可以根据降解方程得出：该种农药可以在某种pH值的环境下放置特定天数，以便提示用户注意何时会达到无害降解水平。

[农药检测方法]

本申请提供了一种农药检测方法，其包括如下步骤：

(1)、使用光源模组通过一种或多种波长的光照对样品表面进行照射；该样品表面含有未知浓度的农药。

(2)、使用显微摄像模组获取样品表面的一幅或多幅显微光谱图像，显微光谱图像的数目与光照的波长的数目一一对应；

(3)、使用预处理模组对每一幅显微光谱图像进行预处理，得到修正后图像；

(4)、使用特征提取模组提取每一幅修正后图像中的图像特征；以及

(5)、使用判别模组将一幅或多幅修正后图像中的图像特征与预设的农药判别模型进行比较，获得样品表面的农药含量。

其中，在步骤(3)中，预处理模组可以将显微光谱图像从RGB空间图像转化为HSI空间图像，然后提取HSI空间图像中的I分量，得到修正后图像。

在步骤(4)中，特征提取模组可以分别提取修正后图像的LBP特征向量、HOG特征向量和GILLES特征向量，然后横向拼接，得到图像特征。在其它一些实施例中，特征提取模组也可以对修正后图像依次进行第一次卷积、第一次池化、第二次卷积、第二次池化、矩阵拉伸后，得到图像特征。

在步骤(5)中，农药判别模型是预先建立的，其建立方法可以包括如下步骤：

(5-1)、将一种以上农作物的表面喷洒具有两种以上已知浓度的一种以上农药，并对应制成多个样品；必要时，已知浓度可以以浓度梯度的形式构建。

(5-2)、使用光源模组采用一种以上波长的光照分别对多个样品的表面进行照射；

(5-3)、使用显微摄像模组获取多个样品表面的一幅以上显微光谱图像，显微光谱图像的数目与光照的波长的数目一一对应；

(5-4)、使用预处理模组对每一幅显微光谱图像进行预处理，得到修正后图像；

(5-5)、使用特征提取模组提取每一幅修正后图像中的图像特征；

(5-6)、使用计算模块分别计算多个样品的每一个图像特征的各个特征向量间的欧式距离，利用KS检验法划分建模集和检验集，利用支持向量机法根据建模集的图像特征建立农药判别模型，根据检验集样本的判别结果评价该模型的预测准确度。

在一些实施例中，农药检测方法还可以包括如下步骤：使用预测模组根据农药含量从农药降解数据库中获取对应的降解方程，并根据降解方程获得降解环境及对应的降解时间。

[显微光谱成像系统]

如图1和图2所示，本申请提供了一种显微光谱成像系统，其特征在于，包括：光谱光源控制系统100、显微成像系统200、智能设备端300和云端服务器400；

其中，光谱光源控制系统100包括：一个或多个LED灯珠123、芯片、PCB电路板121、波长控制系统113。每个LED灯珠发射特定波长的光照，因此，通过控制不同的LED灯的开启，就能对应发射不同波长的光照。LED灯珠发射波长的总范围为330nm-960nm。每个LED灯珠的散光角度大于90°。波长控制系统113用于控制对应的LED灯珠发射对应波长的光照。多个LED灯珠123以阵列形式示例性地，如矩形阵列、圆形阵列排布在芯片上，芯片焊接在PCB电路板121。

显微成像系统200包括：载样台201、镜头202和显微摄像机203。其中，载样台201用于安放样品。样品是由农作物经制片过程获得，即将待测的农作物制成约15mm×15mm的矩形切片，切片不厚于0.5mm，将制好的切片放置于载玻片上，依据不同样品的特性决定是否需要盖玻片。若需要，则将盖玻片盖好，在盖好的载玻片上叠加一块载玻片，从而得到样品。若不需要盖玻片，则在制好的切片上直接放置载玻片，从而得到样品。镜头202用于对样品表面进行显微放大，一般放大的倍数为100-400倍。放大的倍数根据样品的特定确定。显微摄像机203用于获取样品在特定波长下的显微光谱图像，同种样品在同一波长的光照下会获得一幅显微光谱图像。

智能设备端300与云端服务器400数据互传互连。

云端服务器400包括：农药判别数据库和农药残余量显微图像分析系统401等。

其中，农药判别数据库用于储存农药判别模型。农药判别模型含有样品种类、农药种类、农药浓度、波长种类与图像特征之间的对应关系。

农药残余量显微图像分析系统401用于对智能设备端300发来的显微光谱图像进行分析，获得了某个样品的图像特征后，通过将该图像特征与农药判别模型进行匹配，以便根据农药判别模型获取样品表面的农药含量，并发送给智能设备端300，由其进行显示。

具体而言，农药残余量显微图像分析系统401包括：预处理模组、特征提取模组、判别模组和计算模块等。预处理模组用于对每一幅显微光谱图像进行预处理，得到修正后图像。特征提取模组用于提取每一幅修正后图像中的图像特征。判别模组用于将一幅或多幅修正后图像中的图像特征与预设的农药判别模型进行匹配，获得样品表面的农药含量。计算模块用于分别计算多个样品的每一个图像特征的各个特征向量间的欧式距离，利用KS检验法划分建模集和检验集，利用支持向量机法根据建模集的图像特征建立农药判别模型。在本申请的一些实施例中，计算模块还根据检验集中的样本并结合实际喷洒的已知浓度的农药对农药判别模型的判别准确率进行预测。在本申请另一些实施例中，农药残余量显微图像分析系统401还包括农药降解数据库以及预测模组。农药降解数据库存储了降解方程。预测模组根据农药残余量显微图像分析系统401分析所得的农药含量从农药降解数据库中获取对应的降解方程，并根据降解方程获得降解环境及对应的降解时间。

以下结合具体实施例对本申请作进一步的说明。

实施例1

如图1和图2所示，本实施例提供了一种显微光谱成像系统，其能够实现上述的农药检测系统的功能。该显微光谱成像系统包括光谱光源控制系统100、显微光谱成像系统200、智能设备端300和云端服务器400。其工作原理如下：首先制取喷洒不同的已知浓度的农药的农产品样本，使用显微光谱成像系统200获取该样品的显微光谱图像，随后将显微光谱图像传输到智能设备端300，智能设备端300将显微光谱图像数据上传到云端服务器400。云端服务器400上的显微图像分析系统对获得的图像数据进行预处理、图像特征抽提后建立农产品的农药残留量判别模型并给出判别结果，并根据已知的实际浓度情况判断该系统预测的准确率。本实施例的显微光谱成像系统还可以根据农药残留量判别模型所预测的农药残留水平和建于云端服务器400的农药降解数据库，测算出该浓度下农药降解所需天数，可供用户判断农产品的合适采收时间。

其中，如图1和图2所示，光谱光源控制系统100包括：电源控制系统110和光谱生成系统120。本实施例的光谱光源控制系统100能够实现上述的光源模组的功能，即能够采用一种或多种波长的光照对样品表面进行照射，每次照射时仅采用一种波长的光照进行照射，而并非同时采用不同波长的光照进行照射。光谱光源控制系统100放置于不透光箱体中，以避免外界光线对显微拍照的影响。该箱体具有数据线联通口，口径不小于2mm。

电源控制系统110又包括电源输入系统111、带指示灯的波长调节系统112和波长控制系统113。电源输入系统111用于为上述组件提供电力，输入电压为100-240伏特，交流电频率为50Hz或者60Hz，输出电压为9伏特，最大输出电流1安。带指示灯的波长调节系统112用于根据用户的输入指令(包括需要采取何种波长的光照)通过指示灯是否开启或颜色的不同向用户显示当前输出的光波的波长。GPU控制系统113又称波长控制系统113，用于控制特定波长的光照的产生，即按照上述指令开启特定波长的LED灯珠，以产生特定波长的光照。

光谱生成系统120包括微电机系统122和含多个波长LED灯珠的PCB电路板121。电源输入系统111、带指示灯的波长调节系统112、GPU控制系统113、和含多个波长LED灯珠的PCB电路板121依次连接。微电机系统122用于实现波长切换，即通过微电机系统122切换光谱生成系统120的补光波长。PCB电路板121以螺栓连接方式固定在光敏树脂模型上，其用于放置并连接LED灯珠，每个LED灯珠负责发射一种波长的光照。LED灯珠发射波长的范围为330nm(紫外光)至960nm(红外光)。LED灯珠以阵列(示例性地，如矩形阵列、圆形阵列)排布在芯片上，芯片焊接在PCB电路板121上(如图3所示)。LED灯珠散光角度大于90°。波长调节系统112收到用户的波长调节指令并通过其附带的指示灯是否开启或颜色的不同向用户显示当前输出的光波的波长。波长控制系统113(又称GPU控制系统113)接收到波长调节指令后，向PCB电路板121发送波长控制指令(含有波长数值)。PCB电路板121上的芯片收到了波长控制指令后，在微电机系统122的控制下对应开启与该波长数值对应的LED灯珠，以便使该LED灯珠发射出对应波长的光照。同时，PCB电路板121上的芯片在微电机系统122的控制下关闭与该波长数值不对应的其它LED灯珠。由此，在微电机系统122的切换补光波长的控制下，光谱生成系统120一次仅由一种波长的光照发出。

显微光谱成像系统200与光谱光源控制系统100相连，包括：载样台201、镜头202和显微摄像机203。载样台201、镜头202和显微摄像机203依次连接。本实施例的显微光谱成像系统200能够实现上述的显微摄像模组的功能，即其能获取样品表面的一幅或多幅显微光谱图像，显微光谱图像的数目与光照的波长的数目一一对应。由于显微摄像模组针对每一个样品的放大倍数不变，故同一个待测样品所获得的多幅显微光谱图像的放大倍数是一致的。

其中，载样台201含有用于放置待检测农作物制片的插口槽。农作物制片是由表面喷洒有农药的农作物经处理而得的样品，处理过程为：将待检测农作物制成约15mm×15mm的矩形切片，切片不厚于0.5mm，以作为上述的待测样品。将制好的切片(即待测样品)放置于载玻片上，依据不同样品的特性决定是否需要盖玻片。若需要，则将盖玻片盖在样品上，然后在盖好的载玻片上再叠加一块载玻片。若不需要盖玻片，则在制好的切片上直接放置载玻片。制好的制片放置于载样台201的插口槽中。

镜头202用于调整焦距以放大样品。本实施例的镜头202的显微放大倍数可以为100-400倍，也可以为200-300倍。当镜头202调焦完成后，使用波长控制系统113根据波长调节指令调节LED灯珠的发光波长，使得该LED灯珠作为补光光源以单一波长对样品进行照射。

显微摄像机203在暗室中且在该补光光源的照射下进行显微光谱图像拍摄，得到显微光谱图像。显微摄像机203包括但不限于CMOS和CCD摄像机。

智能设备端300包括台式机电脑、笔记本电脑、平板电脑等，与显微光谱成像系统200进行数据传输。显微摄像机203通过有线USB数据线或无线与智能设备端300连接，从而显微摄像机203拍摄得到的图片通过有线USB数据线或无线传输至智能设备端300中。

云端服务器400与智能设备端300数据交互连接。智能设备端300将获取到的数据(如显微光谱图像)传输至云端服务器400中。云端服务器400中存有农药残余量显微图像分析系统401、农药判别数据库(附图中未显示，存储有农药判别模型)和农药降解数据库402。农药残余量显微图像分析系统401对显微光谱图像进行处理，将计算后的结果(如农药含量等)返还至智能设备端300，由智能设备端300向用户显示农药含量(即农药残留信息)。

农药残余量显微图像分析系统401用于分析显微光谱图像并据此得到农药含量，其包括上述的预处理模组、特征提取模组、判别模组、预测模组等。

其中，预处理模组用于对每一幅显微光谱图像进行预处理，得到修正后图像。预处理模组包括图像转化模块和分量提取模块。图像转化模块用于将显微光谱图像从RGB空间图像转化为HSI空间图像。分量提取模块用于提取HSI空间图像中的I分量，得到修正后图像(I分量灰度图像)。

特征提取模组用于提取每一幅修正后图像中的图像特征。本实施例的特征提取模组采用LHG法提取图像特征，其包括LBP特征向量提取模块、HOG特征向量提取模块、GILLES特征向量提取模块和LHG特征向量获取模块等。LBP特征向量提取模块用于提取修正后图像的LBP特征向量。HOG特征向量提取模块用于提取修正后图像的HOG特征向量。GILLES特征向量提取模块用于提取修正后图像的GILLES特征向量。LHG特征向量获取模块用于横向拼接LBP特征向量、HOG特征向量和GILLES特征向量，得到图像特征(LHG特征向量)。判别模组用于将一幅或多幅修正后图像中的图像特征与预设的农药判别模型进行比较，获得样品表面的农药含量。

在本申请的一些实施例中，农残显微光谱图像分析系统401在得出待测样品表面的农药残留浓度后，还可以根据农药降解数据库402得出该待测样品所含农药的降解方程，并计算该样品中残留农药量降解到定量限的时间与所需化学环境。

实施例2

本实施例的显微光谱成像系统可以由农药残余量显微图像分析系统401预先建立农药判别模型，其构建方法为：事先将不同种类的农作物(如上海青、大白菜、包菜等)的表面喷洒不同种类和不同已知浓度的农药(农药浓度可以构建为已知的浓度梯度)，在制作成不同种类的样品后，利用光源模组采用不同波长的光照进行照射，采用显微摄像模组得到多幅显微光谱图像。采用预处理模块按照上述的预处理方法对这些显微光谱图像进行预处理，得到多幅修正后图像。采用特征提取模组提取每一幅修正后图像中的图像特征。利用欧氏距离计算法、KS方法和支持向量机(SVM)方法根据上述图像特征建立农药判别模型。由此，农药判别模型含有“农作物种类—农药种类—农药浓度—波长种类”之间的对应关系。

上述农药判别模型的判别准确率的原理为：获取各个标准样品(含有已知的农药浓度)的图像特征向量，计算这些标准样品的图像特征向量间的欧氏距离，利用KS方法(Kolmogorov-Smirnov检验)划分建模集和检验集，利用模式识别方法(如支持向量机，Support Vector Machine，SVM方法)根据建模集中的样本建立各个标准样品是否喷洒农药的预测模型，随后使用所建立的模型根据检验集中的样本对待测样品进行判别，根据判别结果与实际结果的对应关系计算判别的准确率。

本实施例中，以十字花科上海青种的上海青小青菜为农作物，以杀虫剂中拟除虫菊酯类中的高效氯腈菊酯类为农药，其有效成分含量为100g/L，由美国仙农有限公司生产。选用不同浓度的高效氯腈菊酯喷洒上海青小青菜叶片，喷洒农药的浓度为0.1mg/mL、0.05mg/mL、0.025mg/mL和对照组(不喷洒)。

首先将农作物进行分组，具体分为四组：对照组(不喷洒高效氯腈菊酯)、0.1mg/mL组、0.05mg/mL组、0.025mg/mL组，每组添加标签并进行编号。

根据标签对各组分别喷洒对应的农药，历时20小时后对四组上海青进行采摘。对选取叶片部分进行预处理及制片：首先检查并去除叶片部分上的污物(如泥斑等)。再将其制成约15mm×15mm的矩形切片，切片不厚于0.5mm，将制好的切片放置于载玻片上，在制好的切片上直接放置载玻片并压实，使样品叶片平整。

将制片安装入显微成像系统200中的载样台201，通过镜头202调整焦距得到清晰的显微图像，得到清晰图像后使用波长控制系统113更改补光波长，在智能设备端300操作显微摄像机203进行显微图像拍摄。针对每一个样品(含有已知的农药浓度)，采用多个波长进行照射，从而得到分别与上述多个波长一一对应的多幅显微图像。光波波长的范围为300～960nm。本实施例中选取430nm、470nm、560nm和660nm四种波长的光照对上海青样品表面进行补光照射。

利用农药残余量显微图像分析系统401对四组上海青样品分别在四种波长照射下所得的显微光谱图像进行预处理和图像特征提取。预处理和图像特征提取的方法如实施例1所示。

将提取到的图像特征按行依照样品次序向下排布，获得特征矩阵。利用KS方法(Kolmogorov-Smirnov检验)挑选样品，按照7:3的比例划分建模集和检验集。KS方法的具体步骤为：先选择欧氏距离最大的两个图像特征(作为样品)进入训练集，其后计算剩下的图像特征到训练集内每一个已存在的图像特征的欧式距离，依次寻找拥有最大距离的图像特征放入建模集，直到达到预设的建模集样本数，余下的图像特征作为检验集。利用SVM(支持向量机)方法根据建模集的图像特征建立农药判别模型，并利用该农药判别模型对检验集样品(即检验集中的图像特征)进行预测，根据检验集样品的判别准确率评价判别模型的预测准确度。

本实施例中SVM分类步骤如下：

步骤一：

预设超平面为ω^TX+b＝0；X为输入的图像特征数据(如LHG特征)，ω为法向量，b为偏移值；由二分类数据特性可得yⁿ(w^Txⁿ+b)>0(y为分类结果)，计算得到每个样品(即建模集中的每个图像特征)在空间中距超平面距离为：

步骤二：

在n个γ中选取最小值即为margin，即超平面间隔，margin越大分隔超平面对两个数据集(即建模集和检验集)的划分越稳定，满足margin最大的条件：

步骤三：

连续进行3次二分类，分别建立对照组与其他三组样品的分类模型，根据检验集样品的图像特征利用所建立的判别模型(又称分类模型)对样品类别进行预测。预测结果如下表1所示：

表1SVM方法对喷洒不同浓度高效氯腈菊酯上海青叶片的预测准确率结果

实施例3

与实施例1相比，本实施例的特征提取模组采用CNN法提取图像特征(卷积神经网络)。如图3所示，特征提取模组共有2层网络，包含两个卷积层conv1和conv2。每个卷积层后都跟随一个池化层，故一共有两个池化层，即pooling1和pooling2，在最后一次pooling2完成降采样后连接一个全连接层，对获得的矩阵进行拉伸，使之成为一个矢量并输出，得到图像特征。因此，本实施例的特征提取模组对修正后图像(I分量灰度图像)依次进行第一次卷积(conv1)、第一次池化(pooling1)、第二次卷积(conv2)、第二次池化(pooling2)、矩阵拉伸后，得到图像特征。

对本实施例所获得的图像特征采用KS方法和SVM法建立判别模型，并且预测准确率，然后进行准确率的比较。比较结果如下表2所示。

表2LHG+SVM法和CNN+SVM的预测准确率比较结果图

表2中的总训练样本数量不多，其原因为显微光谱图像尺寸远大于一般拍摄图像。实施例2与实施例3中图像分辨率为2592×1944。

该表结果表明在小样本情况下LHG+SVM与CNN+SVM预测准确率相差不大，伴随着农药浓度的增大，CNN+SVM的预测准确率可上升至93.93％，随着样本数的增多，CNN+SVM的预测准确率会增大。

实施例4

在经过模式识别得到样品农药残留量水平后，将农药残留量结果放入农药降解数据库402进行匹配，得出该样品所含品种的农药在不同环境下的半衰期，从而计算得出降解方程。

本实施例中，若检测出农药甲基对硫磷的残留量为0.089mg/kg，将该数据输送至云端服务器400中，农药降解数据库给出pH＝7时的半衰期T_0.5＝11d，根据降解方程：

C_t＝C₀e^kt，

系统输出结果：该样品的残留农药还需要在pH＝7的条件下放置24.03d。

本申请已由上述相关实施例加以描述，然而上述实施例仅为实施本申请的范例。必需指出的是，已公开的实施例并未限制本申请的范围。相反地，包含于权利要求书的精神及范围的修改及均等设置均包括于本申请的范围内。

Claims (9)

1.一种农药检测系统，其特征在于，包括：

光源模组，采用一种或多种波长的光照对样品表面进行照射；所述光照的波长范围为430nm-660nm；

显微摄像模组，获取所述样品表面的一幅或多幅显微光谱图像，所述显微光谱图像的数目与所述光照的波长的数目一一对应；

预处理模组，对每一幅所述显微光谱图像进行预处理，得到修正后图像；

特征提取模组，提取每一幅所述修正后图像中的图像特征；以及

判别模组，将一幅或多幅修正后图像中的图像特征与预设的农药判别模型进行匹配，获得所述样品表面的农药含量；

所述预处理模组用于将所述显微光谱图像从RGB空间图像转化为HSI空间图像，并提取所述HSI空间图像中的I分量，以得到I分量灰度图像并作为所述修正后图像；

所述特征提取模组用于分别提取所述修正后图像的LBP特征向量、HOG特征向量和GILLES特征向量，并横向拼接，以得到所述图像特征；

所述特征提取模组还用于对所述修正后图像依次进行第一次卷积、第一次池化、第二次卷积、第二次池化、矩阵拉伸后，得到所述图像特征；

其中，所述农药判别模型的建立方法包括如下步骤：

使用计算模块分别计算所述多个样品的每一个所述图像特征的各个特征向量间的欧式距离，利用KS检验法划分建模集和检验集，利用支持向量机法根据所述建模集的图像特征建立所述农药判别模型。

2.如权利要求1所述的农药检测系统，其特征在于，所述预处理模组包括：

图像转化模块，将所述显微光谱图像从RGB空间图像转化为HSI空间图像；以及

分量提取模块，提取所述HSI空间图像中的I分量，得到I分量灰度图像作为所述修正后图像。

3.如权利要求1所述的农药检测系统，其特征在于，所述特征提取模组被配置为以下配置中的至少一种：

a)所述特征提取模组包括：

LBP特征向量提取模块，提取所述修正后图像的LBP特征向量；

HOG特征向量提取模块，提取所述修正后图像的HOG特征向量；

GILLES特征向量提取模块，提取所述修正后图像的GILLES特征向量；以及

LHG特征向量获取模块，横向拼接所述LBP特征向量、所述HOG特征向量和所述GILLES特征向量，得到LHG特征向量作为所述图像特征；

b)所述特征提取模组用于对所述修正后图像依次进行第一次卷积、第一次池化、第二次卷积、第二次池化、矩阵拉伸后，得到所述图像特征。

4.如权利要求1所述的农药检测系统，其特征在于，该农药检测系统包括：预测模组，根据所述农药含量从农药降解数据库中获取对应的降解方程，并根据所述降解方程获得降解环境及对应的降解时间。

5.一种农药检测方法，其特征在于，包括如下步骤：

使用光源模组采用一种或多种波长的光照对样品表面进行照射；所述光照的波长范围为430nm-660nm；

使用显微摄像模组获取所述样品表面的一幅或多幅显微光谱图像，所述显微光谱图像的数目与所述光照的波长的数目一一对应；

使用预处理模组对每一幅显微光谱图像进行预处理，得到修正后图像；

使用特征提取模组提取每一幅修正后图像中的图像特征；以及

使用判别模组将一幅或多幅修正后图像中的图像特征与预设的农药判别模型进行匹配，获得所述样品表面的农药含量；

其中，所述农药检测方法还包括如下步骤中的至少一个步骤：

a)使用所述预处理模组将所述显微光谱图像从RGB空间图像转化为HSI空间图像，并提取所述HSI空间图像中的I分量，以得到I分量灰度图像并作为所述修正后图像；

b)使用所述特征提取模组分别提取所述修正后图像的LBP特征向量、HOG特征向量和GILLES特征向量，并横向拼接，以得到所述图像特征；

c)使用所述特征提取模组对所述修正后图像依次进行第一次卷积、第一次池化、第二次卷积、第二次池化、矩阵拉伸后，以得到所述图像特征；

所述农药检测方法还包括所述农药判别模型的建立方法，其包括如下步骤：

使用计算模块分别计算所述多个样品的每一个所述图像特征的各个特征向量间的欧式距离，利用KS检验法划分建模集和检验集，利用支持向量机法根据所述建模集的图像特征建立所述农药判别模型。

6.如权利要求5所述的农药检测方法，其特征在于，所述农药检测方法还包括如下步骤中的至少一个步骤：

d)所述农药判别模型的建立方法还包括如下步骤：

(1)、将一种以上农作物的表面喷洒具有两种以上已知浓度的一种以上农药，并对应制成多个样品；

(2)、使用所述光源模组采用一种以上波长的光照分别对所述多个样品的表面进行照射；

(3)、使用所述显微摄像模组获取所述多个样品表面的一幅以上显微光谱图像，所述显微光谱图像的数目与所述光照的波长的数目一一对应；

(4)、使用所述预处理模组对每一幅所述显微光谱图像进行预处理，得到所述修正后图像；

(5)、使用所述特征提取模组提取每一幅所述修正后图像中的图像特征；

e)所述的农药检测方法包括如下步骤：使用预测模组根据所述农药含量从农药降解数据库中获取对应的降解方程，并根据所述降解方程获得降解环境及对应的降解时间。

7.一种显微光谱成像系统，其特征在于，包括：光谱光源控制系统(100)、显微成像系统(200)、智能设备端(300)和云端服务器(400)；

其中，光谱光源控制系统(100)包括：

一个或多个LED灯珠，每个LED灯珠发射特定波长的光照，所述光照的波长范围为430nm-660nm；以及

波长控制系统(113)，控制对应的LED灯珠发射对应波长的光照；

显微成像系统(200)包括：

载样台(201)，安放样品；

镜头(202)，对所述样品表面进行显微放大；以及

显微摄像机(203)，获取所述样品在所述特定波长下的显微光谱图像；

所述智能设备端(300)与所述云端服务器(400)数据互连；

所述云端服务器(400)包括：

农药判别数据库，储存农药判别模型，所述农药判别模型含有样品种类、农药种类、农药浓度、波长种类与图像特征之间的对应关系；以及

农药残余量显微图像分析系统(401)，对所述智能设备端(300)发来的所述显微光谱图像进行分析，根据所述农药判别模型获取所述样品表面的农药含量，并通过所述智能设备端(300)进行显示；

其中，所述农药残余量显微图像分析系统(401)包括计算模块，分别计算表面的农药浓度已知的样品的每一个所述图像特征的各个特征向量间的欧式距离，利用KS检验法划分建模集和检验集，利用支持向量机法根据所述建模集的图像特征建立所述农药判别模型。

8.如权利要求7所述的显微光谱成像系统，其特征在于，所述光谱光源控制系统(100)包括：

芯片，所述多个LED灯珠以阵列形式排布在所述芯片上；以及

PCB电路板(121)，其上焊接所述芯片。

9.如权利要求7所述的显微光谱成像系统，其特征在于，所述农药残余量显微图像分析系统(401)被配置为以下配置中的至少一种：

a)所述农药残余量显微图像分析系统(401)包括：

预处理模组，对每一幅所述显微光谱图像进行预处理，得到修正后图像；

特征提取模组，提取每一幅所述修正后图像中的图像特征；以及

判别模组，将一幅或多幅修正后图像中的图像特征与预设的农药判别模型进行匹配，获得所述样品表面的农药含量；

b)所述农药残余量显微图像分析系统(401)包括：农药降解数据库以及预测模组，所述预测模组根据所述农药含量从所述农药降解数据库中获取对应的降解方程，并根据所述降解方程获得降解环境及对应的降解时间。

Images