激光诱导荧光高光谱图像技术无损检测脐橙表面农药残留

2.5.3　激光诱导荧光高光谱图像技术无损检测脐橙表面农药残留

激光诱导荧光高光谱成像装置由CMOS相机（Photonfocus，Switzerland）、光谱仪（ImSpector，V10E，Spectra imaging Ltd，Finland）、激光器（100mW，405nm）和一个移动平台组成。为了拍摄出荧光高光谱图像，在镜头前安装一个高通滤波片将450nm以下的光滤除，如图2－28所示。采集数据时根据脐橙果径的大小调整升降平台的高度，以保证脐橙样品与镜头的距离一致。

图2－28　激光诱导荧光高光谱成像装置

从市场购买一批脐橙，挑选出300个没有缺陷和损伤的脐橙作为实验样品。将敌敌畏（剂型为乳油，含量为80%）用自来水配制成不同浓度的农药溶液，喷施在脐橙表面。在实验室条件下自然风干12h后，采集脐橙的激光诱导荧光光谱数据，然后用气相色谱法测定脐橙农药残留量，每日实测样本25个。

样品表面的实际农药残留量用化学分析方法在气相色谱仪上进行检测，气相色谱仪为山东鲁南瑞虹化工仪器有限公司的SP—6890型气相色谱仪，可安装氢焰检测器、电子捕获检测器、氮磷检测器，配有N2000色谱工作站。所用前处理方法如下：在电子天平上称取脐橙皮10g左右（精确到0.001g），放入组织捣碎机中，加入二氯甲烷组织捣碎1min，将捣碎液转移到250mL碘量瓶中，用30mL二氯甲烷分3次洗涤组织捣碎机，合并洗涤液于碘量瓶中，加入30～60g无水硫酸钠（根据橙皮含水量）脱水，剧烈振摇后如有固体硫酸钠存在，说明所加无水硫酸钠已足够，超声提取20min后过滤，用20mL二氯甲烷分3次洗涤碘量瓶和漏斗，合并滤液于旋转蒸发器上浓缩至近干，并移入5mL容量瓶中，用丙酮定容至刻度，最后用0.45μm滤膜过滤于1.5mL离心管中待测。检测的色谱条件为：柱温为140℃，汽化温度为200℃，检测温度为180℃，不分流进样，进样量为1μL，使用氮磷检测器，采用农残Ⅱ号毛细管柱，规格为30m×0.53mm×1.00μm。

样品根据所测得的敌敌畏农药残留量的值降序排列。把3个样品中的第1个和第3个归为校正集，第2个归为验证集，依次重复划分完所有样品，因此校正集包含200个样品（包括最大值和最小值），验证集包含100个样品。其统计结果如表2－3所示。

表2－3　脐橙表面敌敌畏农药残留量的统计结果

如图2－29所示为637nm波长下脐橙表面的激光诱导荧光图像。图2－29中间最亮的圆光斑为激光诱导的荧光光斑。

用软件ENVI对高光谱图像进行预处理，以637nm的荧光图像为基础，根据图像中荧光光斑的大小，定义一个圆形的图像感兴趣区域（包含180～208个像素），此感兴趣区域要稍大于图中荧光光斑，然后计算感兴趣区域的平均荧光光谱，其光谱范围为400.6～999.5nm。随后应用软件Unscrambler中的“mean normalization”方法对平均荧光光谱再次进行预处理，处理后的所有样品的荧光光谱如图2－30所示。

图2－29　637nm波长下的脐橙表面荧光图像

图2－30　经过预处理后脐橙的荧光光谱图像

对激光诱导荧光高光谱图像进行分析，发现在805.7～999.5nm范围内，没有明显的荧光光斑出现。另外，由于高通滤波片安装在镜头前，所以在400.6～449nm范围内的光谱也非有效光谱，此范围的荧光光斑是相机的噪声引起的。因此本书所研究的激光诱导荧光高光谱图像的有效光谱区域为453～801.5nm，共有波段数85个。

应用偏最小二乘（partial least squares，PLS）法建立敌敌畏农药残留的预测模型，评价模型的指标有交互均方根误差（root mean square error of cross－validation，RMSECV）、校正集均方根误差（root mean standard error of calibration，RMSEC）、预测集均方根误差（root mean standard error of prediction，RMSEP），以及校正集和预测集的预测值与实测值之间的相关系数（correlation coefficient，RC和R_P）。

在453～801nm范围内建立PLS模型，其校正集的RC和RMSEC分别为0.865 6和1.067 4，预测集的R_P和RMSEP分别为0.714 7和1.645 4，如表2－4所示。可见应用整个光谱区域所建立模型的预测精度并不是很高，其原因是谱带复杂、重叠多。通过图2－30可以看出，光谱的总体走势比较平缓，除了在670.8nm处有一个明显的波峰外，其余波峰和波谷没有剧烈的起伏，因此并不是数据越多，模型的预测精度就越高。

表2－4　应用PLS和SVM方法在不同光谱区域建立的模型

为了选择最佳波段，把有效光谱区域的85个波段（光谱范围为453～801.5nm）分成7个光谱区域，除第一个光谱区域包含13个波段外，其余6个光谱区域均包含12个波段。然后，从7个光谱区域中任选2个光谱区域进行排列组合，并结合PLS选择最佳光谱区域，以得到最大的RP值为评判标准。用同样的方法，再分别任选3、4和5个光谱区域进行排列组合，来选择最佳的光谱区域。经过比较得出最优的光谱区域为1、4、6和7，对应的波长范围是453～501.8nm、604.4～650nm、704.3～750.6nm和754.8～801.5nm，共有波段数49个，如图2－31所示。此时模型的预测结果最佳，其校正集的RC和RMSEC分别为0.858 2和1.094 2，预测集的RP和RMSEP为0.721 0和1.624 2，如表2－4所示。虽然在4个最佳光谱区域上建立PLS预测模型的RC值略小于整个光谱区域的，但是模型对预测集的预测精度却有所提高，并且由于建模时所用到的波段数目从85个减少到了49个，大大降低了模型的复杂程度。

图2－31　选择的4个最佳光谱区域

支持向量机（support vector machine，SVM）在光谱定量分析中已有成功的应用。本书以选出的4个最佳光谱区域为基础，结合SVM方法建立敌敌畏农药残留的预测模型。本书应用网格搜索法先选择合适的参数对（γ，σ），网格搜索法简单直接，因为每一个参数对（γ，σ）是独立的，可以并行地进行网格搜索。

对预测集的预测结果如图2－32和表2－4所示，其实测值和预测值的相关系数RP和RMSEP分别为0.810 1和1.282 5。表2－4列出了应用PLS和SVM方法在不同的光谱区域上所建立的模型，经过对比可以看出应用SVM方法，在4个最佳光谱区域上所建立模型对预测集的预测精度得到较大的提高。

图2－32　利用SVM方法在4个最佳光谱区域上建立的预测模型