基于法识别被不同浓度氰戊菊酯农药污染的水果

6.3.1　基于OSC/PLS法识别被不同浓度氰戊菊酯农药污染的水果

实验用的农药为氰戊菊酯（Fenvzlerate），含量为20%乳油，用蒸馏水把农药分别配置成1∶50、1∶100和1∶500三种不同浓度的溶液。

实验样品来源于江西省赣州市宁都县某脐橙果园。选择180个没有表面缺陷、碰伤的脐橙清洗并自然风干。把180个脐橙随机分成测试集和预测集，样本数分别为120个和60个。然后对测试集和预测集中的脐橙喷涂不同浓度的农药。表6－2所示为测试集和预测集中喷涂不同浓度农药和没有喷涂农药的脐橙样本数。

表6－2　测试集与预测集样本的个数

用QualitySpec Pro光谱仪获取每个脐橙最大径处的光谱，并尽可能避免采集表面有缺陷处的光谱。图6－5所示为采集的预测集脐橙的原始光谱图。

图6－5　脐橙的近红外原始光谱图

分别用数字1、2、3、4表示喷施了高浓度（1∶50）、中浓度（1∶100）、低浓度（1∶500）农药脐橙和未涂农药的脐橙样品类型。

样品的状态、仪器外部工作条件等都会直接影响光谱测量的精度，引起基线漂移或光谱变形等。通常在校正或预测前，应对光谱进行预处理以消除或降低这些影响。常用的数学方法有微分、平滑、附加散射校正和变量标准化等。而本书采用的数据预处理方法为正交信号法（orthogonal signal correction，OSC）处理原始的光谱数据。

实验中采用的置信度为95%，通过PRESS曲线图来选择OSC和PLS因子数。图6－6所示为当PLS因子数选定为25、OSC因子数分别为0～19时的lg（PRESS）值与PLS因子之间的关系。从图6－6中看出当OSC因子数增加时，lg（PRESS）值迅速下降。当OSC因子数取19时，PLS模型的最佳因子数为3。

表6－3所示为通过OSC处理前后的PLS模型校正的结果。从中可以看出当OSC因子取0且PLS模型的因子数为14时，所得校正相关系数R²和校正标准偏差RMSEC分别为0.955 7和0.235 8，预测模型的相关系数R2和预测标准偏差RMSEP分别为0.888 6和0.381 0。但是该模型的最佳因子数为14，这使得该模型的复杂度较高。因此采用OSC对光谱进行预处理后，PLS校正模型采纳的最佳因子数会随着OSC因子的增加而逐渐减少以达到简化模型的效果。从表6－3中还可以看出，当滤除OSC因子时，PLS模型对不同浓度农药污染脐橙类型的预测精度没有发生明显的变化。从表6－3中可以看出，当滤除OSC因子为15时，取PLS的最佳因子数为3，此时所得校正相关系数R2和校正标准偏差RMSE分别为0.980 8和0.155 8，预测模型的相关系数R2和预测标准偏差分别为0.892 3和0.374 6。

图6－6　lg（PRESS）值与PLS因子数之间的关系

表6－3　正交信号校正法（OSC）处理前后的偏最小二乘（PLS）校正结果

续表