有机磷农药残留的表面增强拉曼光谱快速检测

农药残留严重影响人类身体健康与生命安全,故亟需建立一种简单高效的农药残留快速检测方法。本文以金纳米溶胶作为表面增强拉曼光谱(SERS)的增强基底,结合便携式拉曼光谱仪,实现了倍硫磷与对硫磷等常用有机磷农药的多靶标同时检测。结果表明倍硫磷和对硫磷分别在1053 cm~(-1),1216 cm~(-1)和857 cm~(-1),1112 cm~(-1)处具有特征拉曼谱峰,且两者互不干扰。同时进一步研究表明,倍硫磷和对硫磷的浓度与其特征拉曼谱峰强度线性相关,故可实现定量检测,其中倍硫磷检测限可达0.01μg/mL对硫磷检测限可达0.025μg/mL。同时,该SERS方法可直接用于菠菜实际样品中多种农药残留的多靶标快速检测,检测限达到0.05μg/mL。该SERS方法具有方便、快速、灵敏度高、多靶标同时检测等优点,有望实现农药残留的现场快速检测。     

SERS结合快速前处理检测绿茶中毒死蜱农药残留

茶叶是中国的主要经济作物之一,而在茶叶种植过程中存在农药不合理使用及滥用等行为,导致茶叶中存在严重农药残留问题。茶叶中农药残留检测主要采用经典化学实验室方法,存在前处理复杂、耗时长、成本高等缺陷,急需研究茶叶中农药残留的快速检测方法,以监管茶叶市场的质量安全。本论文采用纳米竹炭(NBC)为净化剂快速去除绿茶的色素等基质影响,使用表面增强拉曼光谱(SERS)方法分析绿茶中毒死蜱农药残留,建立绿茶中毒死蜱农药残留的SERS快速检测方法。采用不同NBC用量(0,15,20,25和30 mg)去除茶叶基质,比较不同NBC用量去除基质的净化效果和SERS谱图,得出最优NBC用量,并对前处理方法进行回收率实验,验证前处理方法的可靠性。结果表明,使用20 mg NBC能较好地净化绿茶中的色素等基质影响,前处理方法回收率实验表明,该净化剂用于绿茶中毒死蜱农药残留基质净化是可行的。采用密度泛函理论模拟毒死蜱分子理论拉曼光谱,对比毒死蜱分子理论拉曼光谱和实验拉曼光谱,对其官能团进行谱峰归属,得到定性定量分析绿茶中毒死蜱农药残留的5个特征峰:526,560,674,760和1096 cm-1。在0.28~11.11 mg·kg-1浓度范围内,以1096 cm-1的峰强度建立绿茶中毒死蜱农药残留线性分析方程y=0.0175x+0.9092,决定系数为R 2=0.9863,表明毒死蜱农药浓度与其特征峰强度之间具有良好的线性关系,方法的平均回收率在96.71%~105.24%之间,相对标准偏差(RSD)为2.36%~3.65%。该方法检测绿茶中毒死蜱农药的最低检出浓度约为0.56 mg·kg-1,单个样本检测时间在15 min内完成。研究表明,表面增强拉曼光谱技术结合净化剂前处理方法能快速检测绿茶中的农药残留。     

叶用莴苣中苯醚甲环唑农药的SERS快速检测研究

采用表面增强拉曼光谱(SERS)技术结合快速样品前处理实现了叶用莴苣中苯醚甲环唑农药残留的快速检测。利用乙腈、氯化钠和无水乙酸钠提取叶用莴苣中苯醚甲环唑农药,N-丙基乙二胺、 C18和石墨化碳去除叶绿素、有机酸等物质的影响,以金纳米溶胶为增强基底,采集苯醚甲环唑标准溶液和净化提取液的SERS信号,建立农药残留样本的偏最小二乘(PLS)模型。结果表明,苯醚甲环唑的拉曼特征峰位于697、 808、 1 088和1 194 cm^-1处,以此为依据,对叶用莴苣中苯醚甲环唑农药的最低检测浓度为0.252 mg·kg^-1, PLS模型结果显示可用于叶用莴苣中苯醚甲环唑农药残留的预测。     

基于荧光光谱分析的农药残留检测研究进展

在农业生产中施用农药可提高农产品的产量,然而农药的过量使用也威胁着我国农产品的质量安全,因此对农产品的农药残留进行快速有效的检测成为农业生产大环境下的迫切要求。荧光光谱分析技术具有突出的高灵敏度以及有利的时间标度,对多组分农药残留检测具有良好的分辨能力,与气相色谱法、液相色谱法、气-质联用法等农药残留检测方法相比具备前处理简单、检测速度快等优点,在复杂的农药残留检测环境中有较大的优势。介绍了基于荧光光谱分析技术的农药残留快速检测方法,概述了传统的荧光光谱分析方法在农药残留检测上的应用,以及荧光光谱分析结合同步-导数法、三维荧光光谱、人工神经网络,生物传感器,金属纳米材料等方法与技术用于农药残留检测的研究发展现状,分析了基于荧光光谱分析的农药残留检测现阶段仍存在的局限与挑战,以及未来发展趋势。荧光光谱分析技术在农药残留检测上的普遍推广及应用需通过荧光检测仪器不断朝集成化、模块化发展来实现,使得检测更快捷高效。     

基于高光谱图像技术的水果表面农药残留检测试验研究

以脐橙为研究对象,初步探讨了应用高光谱图像技术检测水果表面农药残留的方法.用蒸馏水把农药分别配置成1:20,1:100和1:1000倍的溶液.然后把同种不同浓度的溶液滴到10个洗净的脐橙表面,溶液量约为120 μL,200μL和400μL,脐橙表面形成一个3×3的矩阵形状.将水果放置到通风阴凉处放168 h后,拍摄图像.采集脐橙在625～725 nm范围的高光谱图像,应用主成分分析方法(PCA)获得特征波长的图像,应用第三主成分图像(PC-3)并经过适当的图像处理方法对脐橙表面的农药残留进行检测.检测结果表明,高光谱技术对检测较高浓度农药残留非常明显.     

蜂蜜中乐果农药残留的表面增强拉曼光谱定量分析

应用表面增强拉曼光谱(surface-enhanced Raman spectroscopy, SERS)技术,结合线性回归算法,开展蜂蜜乐果中农药残留快速定量分析方法研究。含乐果农药残留的益母草蜂蜜样品30个作为被测对象,划分成建模集(20个)和预测集(10个)。采用具有规则倒四角锥体结构的Klarite基底作为增强基底,提高特征拉曼位移峰的相对强度。通过含乐果农药残留蜂蜜样品的SERS光谱与乐果标准品的常规拉曼光谱间的对比分析,找到了蜂蜜中乐果农药残留对应的四个特征拉曼位移峰867,1 065,1 317和1 453 cm-1。采用线性回归方法,建立了蜂蜜中乐果农药残留对应的四个特征拉曼位移峰强与乐果浓度间的线性回归模型。10个未参与建模的预测集样品,评价了模型的预测能力。经比较,采用867 cm-1处特征拉曼位移峰强建立的线性回归模型预测结果最优,模型预测相关系数为0.984,预测均方根误差为0.663 ppm。检测限达到2 ppm,接近我国农药残留最大限量标准的检测限。实验结果表明采用表面增强拉曼光谱技术结合线性回归算法实现蜂蜜中乐果农药残留的快速定量分析是可行的。可为其他农产品的农药残留快速定量分析提供参考依据。     

小米中辛硫磷农药残留的拉曼光谱检测研究

采用拉曼光谱技术,采集小米中不同浓度辛硫磷农药残留的拉曼光谱,选择1557 cm^-1处的特征峰,应用偏最小二乘法探究其峰强度与辛硫磷浓度之间的关系。实验结果显示,小米中辛硫磷农药残留的最低检测浓度为1 mg·L^-1,特征峰强度与辛硫磷浓度呈良好的线性关系,相关系数为0.994 1。通过该次实验可为以后快速有效检测小米中辛硫磷农药残留提供技术支持。     

蔬菜表面农药残留可见-近红外光谱探测与分类识别研究

利用在600～1 100nm波段范围内可见-近红外反射光谱分析技术,对常见的高残留农药在绿色植物活体上的无损检测进行了研究。首先将采集到的漫反射光谱数据进行小波变换提取光谱特征,然后再利用主成分分析方法进一步对光谱特征进行分析,最后把这些光谱的前两个主成分得分作为神经网络的输入信息,建立了多神经元的神经网络感知器。对农药残留检测的结果表明,该方法可有效甄别农药残留和种类,识别得到较好的分类效果。总之,该研究为蔬菜和瓜果表面的农药残留快速无损检测和识别提供了一条新途径。     

脐橙表皮两种混合农药残留的表面增强拉曼光谱定量检测

针对水果生产中的农药残留问题,利用表面增强拉曼光谱技术(SERS),把害虫防治使用较多的有机磷农药亚胺硫磷与毒死蜱作为研究对象,探索性研究了将金胶用作增强基底检测以脐橙为载体的混合农药残留快速检测。采集混合农药样品的SERS光谱,通过对比农药的特征峰可以对混合农药进行定性分析。同时利用化学计量学方法,建立混合农药的定量数学模型,并通过对比不同的预处理方法和建模波段对混合农药样品拉曼光谱的处理结果,选择出最优预处理方法与算法的组合。在拉曼光谱范围200～2 300 cm-1内,利用PLS算法处理经一阶微分预处理后的光谱数据,建立的脐橙表皮混合农药残留回归模型效果较好,预测相关系数(R_p)为0.912,预测均方根误差(RMSEP)为3.601 mg·L-1。经过波段筛选后并对光谱处理结果对比,发现光谱在200～620,830～1 040及1 250～2 300 cm-1范围内,利用PLS算法处理经一阶微分预处理后的光谱数据,建立的回归模型效果较好,R_p为0.909,RMSEP为3.338 mg·L-1。研究表明使用SERS技术,可以对脐橙表皮上残留的混合农药进行定性与定量的分析。     

蔬菜农药残留检测的红外光谱法研究

对常用高残留农药敌百虫和敌敌畏在蔬菜汁溶剂中的中红外衰减全反射光谱 (ATR)数据进行了研究。在中红外两种农药特征吸收区域 ,蔬菜中的各种色素对农药的特征吸收基本没有干扰 ;农药在蔬菜汁溶液中与在标准试剂溶液中反映出基本相同的吸收特性。研究结果表明 ,应用红外光谱技术可以直接对蔬菜上的农药残留进行检测 ,通过农药在水中的吸收建立模型来模拟其在蔬菜体内的吸收 ,为实现对蔬菜上的农药残留进行快速检测提供了一条可能的途经     

基于连续小波变换下的土壤有害元素砷含量估测

与传统检测方法相比,利用高光谱技术进行土壤有害元素砷含量的估算,具有快速、准确,成本低的特点,可对干旱区绿洲土壤有害元素砷污染进行动态监测。基于新疆渭干河-库车河三角洲绿洲耕层土壤样品的采集,获取土壤光谱数据和有害元素砷含量。通过bior1.3,db4,gaus4和mexh这4种小波基函数对土壤原始光谱反射率进行连续小波变换,并将变换后光谱数据与有害元素砷进行相关分析,以筛选出的敏感小波系数为自变量,采用偏最小二乘回归、支持向量机回归、BP神经网络和随机森林回归方法对有害元素砷含量进行高光谱反演。研究结果显示：（1）4种小波基函数在3~8尺度的光谱分解效果明显优于其他尺度,特别是4~6尺度的连续小波变换有效提升了光谱反射率与土壤有害元素砷之间的相关性,通过显著性检验的小波系数数量有了明显增多（p<0.01）,在可见光的400~700 nm以及近红外的1 100~1 700和2 200~2 400 nm附近具有较强的相关性;（2）通过比较4种小波基函数对光谱数据中有效信息的辨识能力,认为小波基函数bior1.3和mexh要优于db4和gaus4,其中bior1.3的光谱分解效果最好,gaus4相对最弱;通过bior1.3第5尺度的光谱变换,与土壤有害元素砷显著相关的波段数量最多,为507个（p<0.01）;（3）比较4种建模方法的反演结果发现,SVMR,BPNN和RFR模型相较于PLSR模型具有更强的估测能力,模型的估测精度更高。综合分析各模型的稳定性及估测精度后,认为bior1.3-25-RFR模型可作为研究区土壤有害元素砷的最佳估测模型。该模型的训练集和验证集的R2分别为0.893和0.639,RMSE为1.075和1.651 mg·kg-1,RPD分别为2.89和1.64,表明模型估测效果较好,稳定性较强。采用合适的小波基函数进行连续小波变换可减少土壤高光谱数据中的白噪声,挖掘出土壤光谱数据中的有效信息,对土壤有害元素砷含量的准确估测提供有力的技术保障。     

高光谱成像的猕猴桃糖度无损检测方法

猕猴桃糖度是重要的猕猴桃内部品质衡量指标。传统的糖度检测耗时且有损样品,有效无损检测猕猴桃糖度含量对于其品质分级、储藏销售具有重大意义。基于高光谱成像技术的常见果蔬品质无损检测方法多数是采用竞争性自适应重加权算法(CARS)、连续投影算法(SPA)、主成分分析(PCA)、迭代保留信息变量法(IRIV)等算法中的某个单一算法提取特征光谱变量,而这些算法单独使用易导致预测结果的稳定性不足。对此,开展了基于高光谱成像技术的猕猴桃糖度的无损检测方法研究。以四川省雅安市“红阳”猕猴桃为研究对象,依次对猕猴桃样本编号并采集其在400~1 000 nm波长范围内的高光谱图像,计算感兴趣区域的平均光谱作为样本的有效光谱信息;分别采用多元散射校正（MSC）、标准正态变量变换（SNV）、直接正交信号校正（DOSC）等3种光谱数据预处理方法分析对预测模型精度的影响,对比结果显示DOSC的预处理效果最好;对预处理后的光谱分别采用一次降维(CARS,SPA,IRIV)、一次组合降维(CARS+SPA,CARS+IRIV)算法和二次组合降维算法((CARS+SPA)-SPA,(CARS+IRIV)-SPA))等7种算法提取特征光谱变量,并分别构建了预测猕猴桃糖度的3种模型,即支持向量回归机（SVR）、最小二乘支持向量机（LSSVM）和极限学习机（ELM）模型;最后对比了基于不同特征提取方法的3种模型的预测精度。研究结果表明：ELM模型具有最好的预测性能,而SVR模型的预测性能最差;(CARS+IRIV)-SPA所选特征光谱变量输入LSSVM、ELM模型,其获得的预测结果均优于其他算法所选特征光谱变量输入对应模型所得的预测结果,证明了(CARS+IRIV)-SPA算法在提高猕猴桃糖度含量检测精度方面的有效性。对比不同方法的预测结果可知,(CARS+IRIV)-SPA-ELM对猕猴桃糖度的预测性能最优,其相关系数R_c=0.945 1,R_p=0.839 0,均方根误差RMSEC=0.450 3,RMSEP=0.598 3,预测相对分析误差RPD=2.535 1,该方法为猕猴桃糖度的检测无损化、精准化、智能化发展提供了可靠的理论依据和技术支撑。     

高光谱成像技术鉴别菠菜叶片农药残留种类

利用高光谱成像技术无损鉴别菠菜叶片农药残留种类。采用高光谱成像仪采集900~1 700 nm波段内的光谱数据,采用多元散射校正对光谱数据进行预处理。利用主成分分析对不同种类菠菜样品的光谱数据进行分析,结果表明主成分分析能在可视化层面对不同种类的农药残留菠菜样品进行有效判别。另外,将卡方检验特征选择算法分别与支持向量机、朴素贝叶斯、决策树和线性判别分析算法结合,并采用10-fold交叉验证评价方法,筛选出最佳波段和最优判别模型（线性判别模型）。筛选出的8个特征波长为1 439.3,1 442.5,1 445.8,1 449,1 452.3,1 455.5,1 458.7,1 462 nm,模型的预测准确率达到0.993且10次交叉验证的标准差为0.009。结果表明,基于高光谱成像技术能准确地识别菠菜叶片上的农药残留种类。     

高光谱技术结合CARS算法的库尔勒香梨可溶性固形物定量测定

由于高光谱数据量大、维数高,光谱噪声明显、散射严重等特征导致光谱建模时关键变量提取较为困难,同时,高光谱图像的获取会受非单色光、杂散光、温度等多种因素的影响,从而使高光谱数据与待测性质之间有一定非线性关系。为此,提出采用正自适应加权算法(CARS)对可见-近红外高光谱高维数据进行关键变量筛选,并与全光谱和经典变量提取方法SPA,MC-UVE,GA和GA-SPA方法进行比较。以200个库尔勒香梨为研究对象,采用SPXY方法将样本划分为校正集和预测集,校正集和预测集分别包含150个和50个样本。基于不同方法筛选的变量,分别建立线性PLS模型及非线性LS-SVM模型,r2,RMSEP和RPD用于模型性能的评估。综合比较发现,GA,GA-SPA和CARS变量筛选方法能够有效地筛选出原始高光谱数据中具有强信息且对外界影响因素不敏感的变量,适用于高光谱数据关键变量的提取,其中CARS变量筛选效果最佳,基于CARS获取的关键变量构建的非线性LS-SVM库尔勒香梨SSC含量预测模型获得了最优的预测结果,r2_pre,RMSEP和RPD分别为0.851 2,0.291 3和2.592 4。研究表明,CARS方法是一种有效的高光谱关键变量筛选方法,利用高光谱数据,非线性LS-SVM模型比线性PLS模型更适合于香梨品质的定量预测。     

TLBO-ELM模型的番茄灰霉病高光谱潜育期诊断

番茄叶片在感染病害后首先发生的是内在生理反应,肉眼无法观察到。叶片从被感染到出现肉眼可见病斑期间,称为叶片病害潜育期。为了实现番茄叶片表面未见明显病斑的灰霉病潜育期诊断,对接种样本进行叶片编码、跟踪、采集所有编码叶片样本1～8 d连续高光谱图像数据,建立番茄叶片样本时序高光谱数据集。采用跟踪的叶片样本出现肉眼可见病斑前几天同一位置区域的高光谱数据作为潜育期感兴趣区域进行检测分析。为了建立番茄叶片灰霉病潜育期诊断和不同病斑等级分类模型,采用基于教学优化算法(TLBO)优化极限学习机(ELM)的分类模型进行建模。通过TLBO算法优化ELM的输入权值和隐藏层的偏差,提高模型分类性能。利用高光谱成像系统在近红外高光谱波段388～1 006 nm波段获取五个等级的感兴趣区域进行数据建模,共采样213个高光谱数据,其中,健康类(56个)、潜育期类(42个)、小病斑类(43个)、大病斑类(39个)和严重类(33个)。通过对比不同的光谱预处理方法,采用效果最好的小波滤波变换(DWT)对样本数据中每类数据分别滤波。DWT滤波后,在610～840 nm波段间五个等级光谱曲线能区分明显,共包含91个波长,波...     

基于变量优选和ELM算法的土壤含水量预测研究

土壤水分含量(SMC)的快速估测对干旱半干旱地区的精准农业发展具有重要的意义。以渭干河-库车河绿洲为靶区,采用小波变换(WT)对反射光谱进行1~8层小波分解,通过相关性分析确定最大分解层数,再通过竞争性自适应重加权(CRAS)、连续投影算法(SPA)和CARS-SPA耦合算法进行特征波长筛选。基于全波段构建BP神经网络模型和基于特征波长构建BP神经网络、支持向量机、随机森林和极限学习机模型,并进行对比分析。结果显示: (1)随着小波分解的进行,总体上L6在去噪的同时还尽可能的保留了光谱原始特征,为最大分解层;(2)小波变换和CARS-SPA算法的结合使其在建立模型时较为彻底的去除噪声和无信息变量,同时消除变量间的共线性; (3)在所有的SMC预测模型中,相对于BP神经网络、SVM,ELM和RF具有更好的预测能力,其中L6-CARS-SPA-ELM精度最高,其RMSEC=0.015 1,R2_c=0.916 6,RMSEP=0.014 2,R2_p=0.935 4,RPD=2.323 9。这体现出ELM预测模型对非线性问题的强解析能力和模型的稳健性,为该研究区SMC的预测提供新的思路。     

基于双树复数小波变换和双变量萎缩阈值图像降噪

相对于传统的离散小波变换(DWT)缺点来说,双树复数小波变换(CWT)有很多优点,包括位移不变性、能量守恒和良好的方向性。指出了CWT滤波器组的构造原理和方法,并给出了CWT的滤波器组参数。通过具体公式和图解,说明了如何利用CWT进行图像的分解和重构,在阈值处理上选择改进的双变量萎缩阈值法(BS)。和其它方法的降噪图像和PSNR对比可以看出,该方法能够在降噪过程中很好的保持图像细节,限制了混淆现象。     

高光谱和集成学习的黑枸杞快速分级方法

黑枸杞具有较高的营养和医学价值,不同等级的黑枸杞质量不同,价格也具有显著差异,但由于缺乏有效的检测分级手段,造成黑枸杞市场鱼龙混杂、以次充好,影响黑枸杞市场质量监管。为实现黑枸杞快速、无损、高精度分级检测,提出基于高光谱和集成学习的黑枸杞快速无损分级方法。首先,选取诺木洪1级(NMH-grade1)、诺木洪2级(NMH-grade2)、诺木洪3级(NMH-grade3)、诺木洪4级(NMH-grade4)黑枸杞各200颗,在两种放置模式下（果柄朝上、去柄后整体横放）,通过GaiaSorter-Dual宽波段高光谱分选仪得到光谱范围为391.6~2 528.1 nm的光谱图像立方体。掩模处理后结合细胞计数算法实现单颗黑枸杞ROI高光谱信息的自动提取。考虑噪声的影响,截取500~2 400 nm范围内的黑枸杞光谱信息。经过FD(first derivative),FFT(fast Fourier transform)、HT(hilbert transform), SG(savitzky golay), Normalize, SNV(standard normal variate)预处理后,再通过PCA(principal components analysis), SPA(successie projection algorithm), CARS(competitive adaptive reweighted sampling)提取特征波长的光谱信息。然后分别建立LIBSVM,LDA(latent dirichlet allocation), KNN(k-nearest neighbor), RF(random forest), NB(naive Bayes)检测模型,其中,果肉-Normalize-SPA-LDA、果肉-FD-CARS-RF和果肉-SNV-CARS-LIBSVM组合方式最优,准确率分别为0.941 7,0.941 7和0.937 5。在预处理方法中,FD,HT,Normalize和SNV效果较好;在降维方法中,SPA和CARS的模型效果较好;在LIBSVM,LDA,KNN,RF和NB所建立的模型中,测试集精度不低于0.9的个数分别为2,7,0,4和1,因此LDA,RF和LIBSVM三个分类器效果最好。为进一步提高黑枸杞的分级精度,以LDA,RF,LIBSVM三个最优分类器为元模型,通过Stacking集成学习建立黑枸杞快速无损分级模型,使用果肉-FD-SPA-Stacking组合,精度可从0.941 7提升到0.983 3,此时共提取17个特征波长,分别为：591.6,609.1,721.6,989.1,1 083.3,1 111.3,1 296.1,1 564.9,1 844.9,1 934.5,1 996.1,2 046.5,2 130.5,2 292.9,2 315.3,2 320.9和2 348.9 nm,其中721.6,1 083.3,1 111.3,2 130.5,2 292.9,2 315.3,2 320.9和2 348.9 nm附近有C-H的倍频峰和吸收峰,721.6,989.1,1 934.5,1 996.1和2 292.9 nm附近有O-H的倍频峰和吸收峰,2 130.5和2 292.9 nm附近有C-O的吸收峰。研究结果表明基于高光谱结合集成学习进行黑枸杞快速无损分级是可行的。     

小波分析的茶鲜叶全氮含量高光谱监测

茶是世界上最受欢迎的饮料之一,而氮素（N）是影响茶叶品质的主要成分之一,因此快速准确地估算N素含量至关重要。由于测定N含量的化学方法繁琐耗时,利用高光谱对茶鲜叶中N含量进行预测,利用连续小波转换（CWT）提取的小波系数,探究CWT不同分解层数对于N素含量的估测能力,并讨论了不同波长选择算法所建模型的预测效果。首先,采集广东省英德市茶园的151个茶鲜叶样品高光谱数据,将获得的原始光谱通过卷积平滑（SG）、去趋势（Detrending）、一阶导数（1st）、多元散射校正（MSC）和标准正态变量变换（SNV）五种预处理方法进行预处理并作为参考。其次,采用连续小波对原始光谱进行初步处理生成多尺度小波系数,并进行相关性分析, 分别利用连续投影算法（SPA）、竞争性自适应加权采样法（CARS）和变量组合集群分析（VCPA）方法进一步优化CWT变换后光谱数据的变量空间,最后,以特征变量为输入使用PLSR建立了N素定量监测模型,并对比不同尺度不同方法估算N素的效果。结果表明,连续小波分析方法可有效提升茶鲜叶光谱对N素含量的估测能力,明显优于常规光谱处理方法。经连续小波分解后,对茶鲜叶N素的预测能力随分解尺度的增加整体呈逐步降低的趋势,其中在1~6尺度连续小波变换后的光谱与茶鲜叶N素存在良好的相关性,表明小尺度的连续小波分解可有效应用于茶鲜叶N含量的监测。基于CWT（1）-VCPA方法建立的模型精度最高,且变量数相比于全波段减少了99.34%,其建模与预测R2达到0.95和0.90,相比于传统光谱处理方法,精度提升了11% ,证明CWT-VCPA可以有效降低光谱维度并大幅提升模型精度。实现了茶叶N素含量的高效量化预测,为评估茶叶的其他成分提供了可靠技术参考。     

基于GADF变换和多尺度CNN的哈密瓜表面农药残留可见-近红外光谱判别方法

针对哈密瓜表面农药残留化学检测方法成本高且具有破坏性等问题,探索了可见-近红外（Vis-NIR）光谱技术对农药残留定性判别的可行性。以哈密瓜为载体,百菌清和吡虫啉农药为研究对象,采集哈密瓜表面无残留、百菌清和吡虫啉残留的可见-近红外漫反射光谱,利用格拉姆角场（GAF）将一维光谱数据转换为二维彩色图像,构建GAF图像数据集。设计一种包含Inception结构的多尺度卷积神经网络模型用于哈密瓜表面农药残留种类判别,包括1层输入层、3层卷积层、1层融合层、1层平坦层、2层全连接层和1层输出层。模型测试混淆矩阵结果表明,格拉姆角差场（GADF）变换对哈密瓜表面农药残留的可见-近红外光谱表达能力较强。此外,构建AlexNet、VGG-16卷积神经网络（CNN）模型和支持向量机（SVM）、极限学习机（ELM）机器学习模型与提出的多尺度CNN模型进行性能对比。结果表明,3种CNN模型对哈密瓜表面有无农药残留的判别效果较好,综合判别准确率均高于SVM和ELM模型。对比3种CNN模型性能,多尺度CNN模型的性能最佳,训练耗时为14 s,综合判别准确率为98.33%。多尺度CNN模型结构利用多种小尺寸滤波器组合（1×1,3×3和5×5）和并行卷积模块,能够捕获不同层次和尺度的特征,通过级联融合模式进行深度特征融合,提高了模型的特征提取能力。与传统深度CNN模型相比,在保证计算复杂度不变的情况下,多尺度CNN模型的精度得到了有效提高。实验结果表明,GADF变换结合多尺度CNN模型可以有效进行光谱数据解析,利用可见-近红外光谱技术可以实现哈密瓜表面农药残留的定性判别。研究结果为大型瓜果表面农药残留的快速无损检测技术的研发提供了理论参考。