1 东北农业大学电气与信息学院, 黑龙江 哈尔滨 150030
2 哈尔滨市大数据中心, 黑龙江 哈尔滨 150030
针对大白菜农药残留传统化学检测手段存在前期处理过程繁琐、 检测周期长等不足, 提出了一种快速无损识别大白菜农药残留种类的方法。 以1组无农药残留和4组含有均匀喷洒农药(毒死蜱、 乐果、 灭多威和氯氰菊酯)的大白菜样本为研究对象(药液浓度配比分别为0.10, 1.00, 0.20和2.00 mg·kg-1), 经12小时自然吸收后, 利用高光谱成像系统获取400~1 000 nm高光谱图像, 并选取ROI感兴趣区域后经多元散射校正(MSC)预处理; 分别采用竞争性自适应重加权算法(CARS)、 主成分分析算法(PCA)和离散小波变换(DWT)降维(分别基于db1, sym2, coif1, bior2.2和rbio1.5小波基函数); 最后, 将降维后的高光谱数据分别输入卷积神经网络(CNN)、 多层感知机(MLP)、 K最邻近算法(KNN)和支持向量机(SVM)建立模型并比较。 结果显示, CNN, MLP, KNN和SVM算法均在降维算法DWT(小波基函数及变换层数分别为coif1-2, coif1-4, bior2.2-2和sym2-2)取得最优总体精度分别为91.20%, 83.20%, 66.40%和90.40%, Kappa系数分别为0.89, 0.79, 0.58和0.88, 预测集用时分别为86.01, 63.23, 20.02和14.03 ms, 总体精度和Kappa指标均优于基于CARS和PCA降维算法建模结果。 可见, 高光谱与离散小波变换和卷积神经网络相融合显著提高分类识别精度, 改善“休斯”现象, 为实现无损和快速检测识别大白菜农残提供一个新的方法。
高光谱 大白菜 农残检测 离散小波变换 卷积神经网络 Hyperspectral Chinese cabbage Identification of pesticide residues Discrete wavelet transform Convolutional neural network(CNN) 光谱学与光谱分析
2022, 42(5): 1385
1 中国科学院合肥智能机械研究所智能农业与环境监测研究室, 安徽 合肥 230031
2 中国科学技术大学信息学院, 安徽 合肥 230026
针对当前用于农药残留的现场检测仪器存在检测时间长、重复性差及抗温光干扰能力有限等不足，基于酶抑制法结合前置光路补偿及数据融合算法设计了一种稳定、可用于现场检测的便携式农药残留检测系统。该系统主要包括吸光度感知模块和信号数据融合调理模块。吸光度感知模块在样品水浴恒温前提下，增加前置补偿检测光路，降低温度及杂光信号干扰；数据融合调理模块将经光电转化及电路采集的信号分组融合，增强信号真实性。测试表明，该传感器系统具有良好的稳定性与重复性(相对标准偏差小于2.5%)，补偿光路的引入有效降低了外界光干扰。经实验证实抑制率高于70%的样品验证率达85%，且抑制率高于50％时不同农药检出浓度均在0.5~5.0 mg/kg范围内，满足现场检测需求。
传感器 农残检测 数据融合 光补偿
