基于太赫兹成像技术的香椿中农残的定性检测方法技术

本发明专利技术公开了基于太赫兹成像技术的香椿中农残的定性检测方法，包括以下步骤：（1）对8类含有BZM农药的香椿叶片样本进行太赫兹成像；（2）从太赫兹成像中提取8类吸收光谱和背景光谱;（3）将得到的9类太赫兹光谱数据划分为训练数据集和测试数据集；利用训练数据集构建，对深度卷积神经网络进行训练生成香椿叶片图像的训练模型；将测试数据集中的测试样本输入香椿叶片图像的训练模型，判断该香椿叶片上农药残留的类型，以生成测试结果；根据测试结果迭代更新香椿叶片图像的训练模型以获得香椿叶片图像的识别模型；（4）利用建立的识别模型对待测香椿叶片上的农药残留进行图像可视化，显示叶片上的农药残留类型及分布情况。

【技术实现步骤摘要】
基于太赫兹成像技术的香椿中农残的定性检测方法
本专利技术涉及植物检测领域，更具体的说，它涉及基于太赫兹成像技术的香椿中农残的定性检测方法。
技术介绍
下面的
技术介绍
用于帮助读者理解本专利技术，而不能被认为是现有技术。香椿是一种富含蛋白质、钙和维生素C的高营养价值的蔬菜。BZM农药如苯菌灵（Benomyl,BNL）、多菌灵（Carbendazim,BCM）和噻菌灵（Thiabendazole,TBZ）等广泛用于农业杀虫剂和杀菌剂，以控制寄生虫感染和作物疾病，可用于防治植物的白粉病、叶锈病和枯萎病等。在农业生产活动中，过度使用、滥用与混合使用多种农药的现象屡禁不止，不仅对人类健康有潜在危害，并且对环境和生态系统也有潜在危害。尤其是对多种农药残留的检测提出了实际挑战。传统的HPLC、GC-MS和LC-MS等常规实验室分析方法已被广泛用于农产品基质中农药多残留的检测。这些技术同时提供不同类型农药残留的高通量分析，并且检测结果非常精准。但是这些方法对样本的预处理过程复杂且耗时耗力；传统的光谱测定法，包括可见-近红外、紫外、荧光和高光谱成像等，也被用于检测农产品基质中的农药残留。虽然该类方法具有快速的和对样本非破坏性的优势，但是对于多组分农药残留检测的准确度和灵敏度相对较低。太赫兹光谱和成像技术可以作为一种新的检测方法的一部分，具有宽带性、穿透性和指纹吸收等优点。各种农药的太赫兹吸收峰可以作为独特的特征来区分混合物中的每种分析物，从而使识别多种农药成为可能。太赫兹辐射的低能量水平不会对生物构成任何已知的危险，这使得太赫兹成像成为在生物应用中的一种强大而安全的技术。此外，所采集的太赫兹光谱或成像数据非常丰富，不仅包括时域、频域和振幅信息，而且还包括使用其他光学技术无法获得的相位信息。农药分子的太赫兹指纹图谱为目标农药的分类和鉴定提供特征信息。基于太赫兹技术的农产品中农药残留检测需要综合太赫兹指纹图谱和机器学习的数据分析结果。与传统方法相比，深度学习算法是一种强大的工具，能够在高度抽象的层次上更好地洞察复杂的数据特征。但目前还没有使用太赫兹成像技术进行香椿中农残尤其是多组份混合农残检测的研究。
技术实现思路
本专利技术的目的在于提供香椿中农药残留的快速检测方法。本专利技术解决其技术问题所采用的技术方案是：基于太赫兹成像技术的香椿中农残的定性检测方法，包括以下步骤：（1）对8类香椿叶片样本进行太赫兹成像；所述的8类香椿叶片样本分别为：作为空白对照的香椿叶片，含有BNL残留的香椿叶片，含有BCM残留的香椿叶片，含有TBZ残留的香椿叶片，含有BNL和BCM残留的香椿叶片，含有BNL和TBZ残留的香椿叶片，含有BCM和TBZ的香椿叶片，含有BNL、BCM和TBZ的香椿叶片；（2）太赫兹成像中叶片光谱数据提取采用感兴趣区域（RegionofInterest,ROI）作为移位算子在叶片样本的太赫兹图像上进行逐级扫描，提取感兴趣区域中每个像素的光谱，并取平均值作为当前感兴趣区域的光谱，在此基础上，从每个叶片样本的太赫兹图像中提取了多条吸收光谱；此外，从每类的香椿叶片的太赫兹图像中提取了多条背景光谱（BG）；由此得到9类太赫兹光谱数据；（3）将步骤（2）得到的9类太赫兹光谱数据划分为训练数据集和测试数据集；利用所述训练数据集构建DCNN深度卷积神经网络，对所述DCNN深度卷积神经网络进行训练生成香椿叶片图像的训练模型；将所述测试数据集中的测试样本输入所述香椿叶片图像的训练模型，判断该香椿叶片上农药残留的类型，以生成测试结果；根据所述测试结果迭代更新所述香椿叶片图像的训练模型以获得香椿叶片图像的识别模型；（4）利用步骤（3）建立的识别模型对待测香椿叶片上的农药残留进行图像可视化，从中可以显示叶片上的农药残留类型及分布情况。作为优选，步骤（4）的具体操作为：待测香椿叶片按照步骤（1）的操作获得太赫兹图像，然后提取太赫兹图像每一个像素点的太赫兹吸收光谱，并输入到步骤（3）建立的识别模型中进行类别标签的预测，预测的类别标签1~9，即BG、CK、BNL、BCM、TBZ、M1、M2、M3和M4，分别用不同颜色表示，通过将每个像素点处预测得到的类别标签复原成完整像素的二维图像，能可视化显示叶片上的农药残留类型及分布情况。作为进一步的优选，当步骤（4）得到的二维图像中叶片区域内显示了不止一种类别标签，以绝大多数的标签类型作为最终的判别标签。本专利技术中，每一类香椿叶片可设置多个同样的样本，以丰富用于建模的光谱数据。作为优选，步骤（1）中，每一类香椿叶片设置25个同样的样本，使用THz-TDS系统进行香椿叶片样本的的成像扫描，采用透射成像模块逐点扫描获取0.1~3THz范围内的叶片样本的太赫兹图像，扫描频率为15Hz，图像数据大小为250×250像素；步骤（2）中，采用3×3像素的感兴趣区域作为移位算子在叶片上进行逐级扫描，提取感兴趣区域中每个像素的光谱，并取平均值作为当前感兴趣区域的光谱，在此基础上，从每个叶片样本的太赫兹图像中提取了100条吸收光谱；从每个类别的太赫兹图像中共提取2500条背景光谱（BG）。作为优选，步骤（3）中，所述的DCNN深度卷积神经网络结构包括两个卷积模块和5个全连接层，每个卷积模块包括卷积层和最大池化层，第一和第二卷积层中的卷积滤波器的数目分别设置为32和64，将卷积核的步长设为1，最大池层的核大小设置为1×3，并利用校正线性单元（RectifiedLinearUnit,ReLU）对决策映射函数的非线性性质进行归一化；在每个全连接层之前和每个卷积模块之后使用批量归一化（BN）函数；利用Softmax函数对最后一层的全连接性数据进行处理，以突出最大值，并将其它神经单元的特征值限制在最大值以下；利用分类交叉熵损失函数度量DCNN输出标签与真实类标签之间的概率分布距离；采用自适应矩估计算法对损失函数进行处理；所述训练数据集与测试数据集的比例为70%：30%，对所有连接层进行批量归一化后，采用跳出法进一步防止过拟合；将训练周期、学习速度、beta1和beta2参数分别设置为500、0.001、0.9和0.99。作为优选，截取具有较高信噪比的0.2~2.2THz频率范围内的光谱用于步骤（3）建模及步骤（4）可视化分析，以消除光谱噪声的干扰。本专利技术的优点在于：首次将太赫兹成像和深度学习同时用于快速检测新鲜叶片上的多种农药残留，对太赫兹应用领域的拓展具有重要意义。附图说明图1是不同参数下的香椿叶片的太赫兹成像；图2是利用太赫兹成像和深度学习检测香椿叶片中多种BZM农药残留的流程；图3是DCNN模型性能：(a)DCNN模型准确性，(b)DCNN迭代过程中损失和准确性，其中（a）中，同一类型两个柱状图中，左侧柱状图对应训练集，右侧柱状图对应测试集。图4是不同农药残留下香椿叶片的DCNN可视化：(a)不残留农药的CK叶，(b)含有BNL残留物的叶片，(c)含有BCM残留物的叶片，(d)带有T本文档来自技高网...

【技术保护点】
1.基于太赫兹成像技术的香椿中农残的定性检测方法，包括以下步骤：/n（1）对8类香椿叶片样本进行太赫兹成像；所述的8类香椿叶片样本分别为：作为空白对照的香椿叶片，含有BNL残留的香椿叶片，含有BCM残留的香椿叶片，含有TBZ残留的香椿叶片，含有BNL和BCM残留的香椿叶片，含有BNL和TBZ残留的香椿叶片，含有BCM和TBZ的香椿叶片，含有BNL、BCM和TBZ的香椿叶片；/n（2）太赫兹成像中叶片光谱数据提取/n采用感兴趣区域作为移位算子在叶片样本的太赫兹图像上进行逐级扫描，提取感兴趣区域中每个像素的光谱，并取平均值作为当前感兴趣区域的光谱，在此基础上，从每个叶片样本的太赫兹图像中提取了多条吸收光谱；此外，从每类的香椿叶片的太赫兹图像中提取了多条背景光谱（BG）；由此得到9类太赫兹光谱数据；/n（3）将步骤（2）得到的9类太赫兹光谱数据划分为训练数据集和测试数据集；利用所述训练数据集构建DCNN深度卷积神经网络，对所述DCNN深度卷积神经网络进行训练生成香椿叶片图像的训练模型；将所述测试数据集中的测试样本输入所述香椿叶片图像的训练模型，判断该香椿叶片上农药残留的类型，以生成测试结果；根据所述测试结果迭代更新所述香椿叶片图像的训练模型以获得香椿叶片图像的识别模型；/n（4）利用步骤（3）建立的识别模型对待测香椿叶片上的农药残留进行图像可视化，从中可以显示叶片上的农药残留类型及分布情况。/n...

【技术特征摘要】
1.基于太赫兹成像技术的香椿中农残的定性检测方法，包括以下步骤：
（1）对8类香椿叶片样本进行太赫兹成像；所述的8类香椿叶片样本分别为：作为空白对照的香椿叶片，含有BNL残留的香椿叶片，含有BCM残留的香椿叶片，含有TBZ残留的香椿叶片，含有BNL和BCM残留的香椿叶片，含有BNL和TBZ残留的香椿叶片，含有BCM和TBZ的香椿叶片，含有BNL、BCM和TBZ的香椿叶片；
（2）太赫兹成像中叶片光谱数据提取
采用感兴趣区域作为移位算子在叶片样本的太赫兹图像上进行逐级扫描，提取感兴趣区域中每个像素的光谱，并取平均值作为当前感兴趣区域的光谱，在此基础上，从每个叶片样本的太赫兹图像中提取了多条吸收光谱；此外，从每类的香椿叶片的太赫兹图像中提取了多条背景光谱（BG）；由此得到9类太赫兹光谱数据；
（3）将步骤（2）得到的9类太赫兹光谱数据划分为训练数据集和测试数据集；利用所述训练数据集构建DCNN深度卷积神经网络，对所述DCNN深度卷积神经网络进行训练生成香椿叶片图像的训练模型；将所述测试数据集中的测试样本输入所述香椿叶片图像的训练模型，判断该香椿叶片上农药残留的类型，以生成测试结果；根据所述测试结果迭代更新所述香椿叶片图像的训练模型以获得香椿叶片图像的识别模型；
（4）利用步骤（3）建立的识别模型对待测香椿叶片上的农药残留进行图像可视化，从中可以显示叶片上的农药残留类型及分布情况。


2.如权利要求1所述的基于太赫兹成像技术的香椿中农残的定性检测方法，其特征在于：步骤（4）的具体操作为：待测香椿叶片按照步骤（1）的操作获得太赫兹图像，然后提取太赫兹图像每一个像素点的太赫兹吸收光谱，并输入到步骤（3）建立的识别模型中进行类别标签的预测，预测的类别标签1~9，即BG、CK、BNL、BCM、TBZ、M1、M2、M3和M4，分别用不同颜色表示，通过将每个像素点处预测得到的类别标签复原成完整像素的二维图像，能可视化显示叶片上的农药残留类型及分布情况。


3.如权利要求2所述的基于太赫兹成像技术的香椿中农残的定性检测...

【专利技术属性】
技术研发人员：聂鹏程，瞿芳芳，陈卓怡，张慧，蔺磊，
申请(专利权)人：浙江大学山东工业技术研究院，山东求是农创农业科技发展有限公司，
类型：发明
国别省市：山东;37