一种基于高光谱技术的鲜烟叶农残等级检测方法及系统与流程

本发明属于农药残留检测，具体涉及一种基于高光谱技术的鲜烟叶农残等级检测方法及系统。

背景技术：

1、在烟叶生产时会存在烟草病虫害的情况，而化学农药方法在烟草病虫害防治过程中有普遍应用，具有便捷、经济、高效等特点。但由于烟叶生产周期长、烟农队伍素质不高等现实问题，会存在烟草农药不合理、违规使用等现象，进而导致生产的烟叶不符合标准的情况，因此烟叶农残已成为影响烟叶产品质量安全的关键因素，而为了保证烟叶产品质量安全，需对烟叶农残进行检测。

2、目前，针对农产品中农药残留检测通常采用的传统方法有：气相色谱法、高效液相色谱法、气相色谱质谱联用技术、液相色谱质谱联用技术和毛细管电泳技术等。这几种化学检测方法具有检测精度高的优点，但存在检测耗时长即烟叶农药残留检测过程效率低的问题，并且基于现有技术所使用的检测设备具有成本高的特点，进而导致烟叶农药残留检测成本的提高，并且现有技术在烟叶农药残留检测时，需要对样本进行烘干等破坏性操作，即现有的化学检测方法对样本具有破环性，不利于农残现场及在线检测。

技术实现思路

1、本发明的目的在于提供一种基于高光谱技术的鲜烟叶农残等级检测方法及系统，用以解决基于化学检测方法的烟叶农药残留检测的过程存在效率低的问题。

2、为解决上述技术问题，本发明提供了一种基于高光谱技术的鲜烟叶农残等级检测方法，包括如下步骤：

3、1)获取鲜烟叶待检测样本的高光谱数据，并对设定波长范围内的高光谱数据进行扩大农残不同等级间光谱差异性的预处理；

4、2)将预处理后的高光谱数据输入至训练好的分类预测模型中，得到对应的农残等级结果，将该结果作为待检测样本的鲜烟叶农残等级结果。

5、其有益效果为：本发明的方法通过采用高光谱技术来获取待检测样本的高光谱数据，基于对该高光谱数据进行预处理，再输入至分类预测模型中即可得到对应的农残等级结果，而对高光谱数据进行预处理以及输入至分类预测模型得到农残等级的过程均为对高光谱数据进行处理的过程，而该过程能够通过处理系统实现高效处理的过程，并且获取检测样本的高光谱数据能够运用现有的高光谱成像系统获取，即本发明的方法通过运用高光谱成像系统来获取鲜烟叶待检测样本的高光谱数据，并运用高效的处理系统对高光谱数据进行相应的处理后即能够得到对应的鲜烟叶农残等级结果，因此本发明的方法获取鲜烟叶农残等级结果的效率更高。并且基于高光谱技术并不存在对样本烘干等的破坏样本的操作，因此本发明的方法有利于农残现场及在线检测。并且本发明的方法通过预处理的方式先将农残不同等级间光谱差异性进行扩大，再结合相应的分类预测模型，能够提高预测结果的准确性，进而保证了使用本发明的方法得到的鲜烟叶农残等级检测结果的准确性。

6、进一步地，步骤1)中，所述扩大农残不同等级间光谱差异性的预处理为一阶导数预处理。

7、因本发明发现农残不同等级样本光谱反射率存在较大的一致性，但是其变化趋势却存在明显差异，所以为了获得较好分类预测效果，运用一阶导数预处理的方式来扩大变量(即农残不同等级)间的差异性，即本发明的方法发现了不同等级农药残留下的光谱变化趋势具有较大差异，因此选择使用导数法进行预处理，将预处理后的数据输入至分类预测模型中，得到准确的预测结果。

8、进一步地，步骤2)中，所述分类预测模型为最小二乘支持向量机分类模型。

9、本发明在选取分类预测模型时发现将最小二乘支持向量机分类模型作为预测模型，对其进行训练后，得到训练好的预测模型的预测准确度高，因此通过选取最小二乘支持向量机分类模型作为分类预测模型，保证分类预测结果的准确性。

10、进一步地，步骤1)中，所述设定波长范围为高光谱数据所有的波长范围。

11、本发明发现不同等级样本光谱反射率变化趋势在全谱段中均存在明显差异，并且将对全谱段数据进行预处理的预处理结果，结合后续的分类预测模型得到的预测结果的准确性较高，因此本发明的方法通过对全谱段数据进行预处理，将预处理后的数据输入至分类预测模型中，得到准确的预测结果。

12、进一步地，步骤1)中，在预处理前先对高光谱数据进行奇异值剔除处理。

13、本发明的方法为保证数据集代表性以及均匀性，通过在预处理之前先对高光谱数据进行奇异值剔除处理，避免奇异值对预测结果的影响，进而保证预测结果的准确性。

14、为解决上述技术问题，本发明还提供了一种基于高光谱技术的鲜烟叶农残等级检测系统，包括高光谱提取设备以及高光谱处理模块，高光谱提取设备用于获取鲜烟叶待检测样本的高光谱数据，并将待检测样本的高光谱数据传输至高光谱处理模块；

15、高光谱处理模块用于对设定波长范围内的高光谱数据进行扩大农残不同等级间光谱差异性的预处理，并将预处理后的高光谱数据输入至训练好的分类预测模型中，得到对应的农残等级结果，将该结果作为待检测样本的鲜烟叶农残等级结果。

16、其有益效果为：本发明通过采用高光谱技术来获取待检测样本的高光谱数据，基于对该高光谱数据进行预处理，再输入至分类预测模型中即可得到对应的农残等级结果，而对高光谱数据进行预处理以及输入至分类预测模型得到农残等级的过程均为对高光谱数据进行处理的过程，而该过程能够通过处理系统实现高效处理的过程，并且基于高光谱提取设备能够获取检测样本的高光谱数据，即本发明的方法通过运用高光谱提取设备(例如高光谱成像系统)来获取鲜烟叶待检测样本的高光谱数据，并运用高效的处理系统对高光谱数据进行相应的处理后即能够得到对应的鲜烟叶农残等级结果，因此本发明获取鲜烟叶农残等级结果的效率更高。并且基于高光谱技术并不存在对样本烘干等的破坏样本的操作，因此本发明有利于农残现场及在线检测。并且本发明通过预处理的方式先将农残不同等级间光谱差异性进行扩大，再结合相应的分类预测模型，能够提高预测结果的准确性，进而保证了使用本发明得到的鲜烟叶农残等级检测结果的准确性。

17、进一步地，所述扩大农残不同等级间光谱差异性的预处理为一阶导数预处理。

18、因本发明发现农残不同等级样本光谱反射率存在较大的一致性，但是其变化趋势却存在明显差异，所以为了获得较好分类预测效果，运用一阶导数预处理的方式来扩大变量(即农残不同等级)间的差异性，即本发明发现了不同等级农药残留下的光谱变化趋势具有较大差异，因此选择使用导数法进行预处理，将预处理后的数据输入至分类预测模型中，得到准确的预测结果。

19、进一步地，所述分类预测模型为最小二乘支持向量机分类模型。

20、本发明在选取分类预测模型时发现将最小二乘支持向量机分类模型作为预测模型，对其进行训练后，得到训练好的预测模型的预测准确度高，因此通过选取最小二乘支持向量机分类模型作为分类预测模型，保证分类预测结果的准确性。

21、进一步地，所述设定波长范围为高光谱数据所有的波长范围。

22、本发明发现不同等级样本光谱反射率变化趋势在全谱段中均存在明显差异，并且将对全谱段数据进行预处理的预处理结果，结合后续的分类预测模型得到的预测结果的准确性较高，因此本发明通过对全谱段数据进行预处理，将预处理后的数据输入至分类预测模型中，得到准确的预测结果。

23、进一步地，所述高光谱处理模块还用于在预处理前先对高光谱数据进行奇异值剔除处理。

24、本发明为保证数据集代表性以及均匀性，通过在预处理之前先对高光谱数据进行奇异值剔除处理，避免奇异值对预测结果的影响，进而保证预测结果的准确性。