基于高光谱成像技术的红枣表面农药残留无损检测的研究

摘要

化学农药方法防治病虫害具有便捷、经济、高效等特点，在农业生产中，大量农药被用来控制农作物的病虫害、提高农产品的产量。农民对喷洒农药的停药期及安全采摘期意思模糊，使果蔬表面和内部存在大量农药残留，而长时间摄入含有农药残留的食品会严重影响人体的健康，甚至会给后代人带来潜在的危害。食品中的农药残留是影响食品安全的突出问题，已引起世界各国政府和组织的密切关注。传统农药残留检测方法存在样品前处理过程繁琐、消耗试剂、耗时长等缺点，已很难满足现如今农药残留检测的需求，因此寻求一款快速、无损的检测方法具有重要意义。
　　本文以灵武长枣为研究对象，利用近红外高光谱成像技术(900-1700nm)结合化学计量学方法，对灵武长枣表面农药种类判别、毒死蜱农药定性、定量无损检测以及吡虫啉农药残留量的定量检测进行初步研究，期望寻求一种快速检测农药残留的方法，并为灵武长枣表面农药残留在线无损检测提供理论依据。主要研究内容结果为:
　　(1)基于高光谱成像技术判别红枣表面农药残留的种类。通过对比不同光谱预处理的建模效果，优选Savitzky-Golay卷积平滑处理后的光谱建立偏最小二乘回归模型(PLSR)。根据PLSR模型的权重回归系数选择了11个特征波长（957nm、1046nm、1103nm、1154nm、1219nm、1425nm、1502nm、1586nm、1607nm、1636nm）。经K-M值转化处理11个特征波长后建立线性判别模型，毒死蜱、吡虫啉的识别率均为92.3％;哒螨灵和蒸馏水的识别率均为100％;校正模型的整体识别率为96.43％。应用该模型对预测集进行预测判别，预测识别结果为91.7％。
　　(2)应用线性判别模型先对红枣表面不同浓度的毒死蜱农药进行判别分析，判别校正模型的准确率为72.68％，但预测效果只有50％的准确率。在此基础上，本实验继续研究了高光谱成像技术定量分析红枣表面毒死蜱含量。建立了全波段和特征波长下的PLSR模型，通过比较模型的相关性和均方根误差的差异性，优选特征波长建模，校正模型的相关性和均方根误差为0.875，0.0025;预测模型的相关性和均方根误差为0.816，0.0031。
　　(3)基于高光谱成像技术的红枣表面定量检测吡虫啉含量。通过对原始光谱分别进行了Savitzky-Golay卷积平滑、Kubelka-Munk值转化、Kubelka-Munk+Savitzky-Golay的光谱预处理，对比不同的光谱预处理后的模型效果，Kubelka-Munk+Savitzky-Golay为最佳的预处理方法。对Kubelka-Munk+Savitzky-Golay预处理后的光谱建立PLSR模型，依据PLSR模型的权重回归系数法优选出6个特征波长(990nm，1022nm，1270nm，1404nm，1583nm，1639nm)。对比了全波段和特征波长下PLSR模型和支持向量机回归模型(SVR)的建模效果，优选PLSR模型建模。然后基于PLSR模型，对比了全波段和特征波长下的建模效果，结果表明:特征波长下建立的模型优于全波段下建立的模型;校正模型的相关系数、均方根误差分别为0.86，0.0003;预测模型的相关系数及均方根误差分别为0.85，0.0003。

目录

声明

摘要

第一章 绪论

1．1 课题研究目的和意义

1．2 农药残留的检测方法

1．3 高光谱成像技术的理论基础

1．4 高光谱成像技术在农产品无损检测上的应用

1．5 研究内容、技术路线与数据处理方法

1．6 本章小结

第二章 基于高光谱成像技术判别红枣表面农药残留的种类

2．1 引言

2．2 材料、仪器与方法

2．3 结果与讨论

2．5 小结

第三章 基于高光谱成像技术的红枣表面定性、定量检测毒死蜱含量

3．1 主要仪器及工作原理

3．2 材料、仪器与方法

3．3 高光谱成像技术定性无损检测红枣表面毒死蜱农药

3．4 高光谱成像技术定量无损检测红枣表面毒死蜱农药

3．5 本章小结

第四章 基于高光谱成像技术的红枣表面吡虫啉含量的定量检测

4．1 引言

4．2 实验材料、仪器

4．3 光谱数据采集

4．4 结果处理与分析

4．5 本章小结

第五章 结论与展望

5．1 结论

5．2 展望

参考文献

致谢

作者简介及论文发表情况