基于高光谱成像技术的高粱农药残留种类检测研究

摘要:

目的 基于高光谱成像技术实现对高粱农药残留种类的鉴别。方法 利用近红外高光谱成像系统采集高粱农药残留样品的高光谱数据, 建立基于 BP 神经网络自适应增强算法(back propagation neural network with adaptive boosting, BP-AdaBoost)、轻量梯度提升机(light gradient boosting algorithm, LGBM)、极度梯度提升(eXtreme gradient boosting, XGBoost)、支持向量机(support vector machine, SVM)的高粱农药残留分类模型; 采用了 3 种预处理方法和 4 种特征波长选择方法, 并构建基于特征波长信息的农药残留分类模型, 对比分析结果。结果 标准正态变换(standard normal variate, SNV)为最佳的预处理方法, 类型提升算法(type boosting algorithm, CatBoost)相比于梯度提升树(gradient boosting decision tree, GBDT)、竞争性自适应重加权采样法 (competitive adaptive reweighted sampling, CARS)和主成分分析法(principal component analysis, PCA)选择的特征波长更具有代表性; 在所有分类模型中, SNV-CatBoost-BP-AdaBoost 模型农药残留鉴别效果最好, 测试集平均分类正确率为 95.17%。结论 高光谱成像技术结合 BP-AdaBoost 算法可以识别出高粱中农药残留的种类, 为检测高粱农药残留类别提供了一种新的方法。

Abstract: