【技术实现步骤摘要】
本公开涉及农药残留检测，尤其涉及一种高粱表面农药残留含量检测方法、装置及电子设备。
技术介绍
1、在高粱的田间种植过程中，为减少锈病、炭疽病、纹枯病、黑穗病等病虫害对高粱品质和产量的影响，通常需要对高粱喷洒农药溶液，这不可避免的造成高粱表面存在大量的农药残留，为避免残留农药带来的安全隐患，有必要准确检测高粱表面残留的农药。
2、相关场景中，残留农药检测方法包括气相色谱-质谱法、免疫分析法和液相色谱法。上述方法作为检测农药残留含量的有效方法，具有较高的灵敏和可靠检测结果，但同时也存在检测耗时长、破坏样品、准确性较低、仪器昂贵、样品制作复杂以及需要专业的操作人员等导致成本较高的缺点。因此，寻找一种快速、无损、准确性较高且成本较低的检测高粱表面农药残留含量的方法是非常重要的。
技术实现思路
1、为克服相关技术中检测耗时长、破坏样品、准确性较低以及仪器昂贵、样品制作复杂以及需要专业的操作人员等导致成本较高的技术问题，本公开提供一种高粱表面农药残留含量检测方法、装置及电子设备。
2、在本公开实施例的第一方面，提供一种高粱表面农药残留含量检测方法，所述高粱表面农药残留含量检测方法包括：
3、获取多组高粱农药残留样品的高光谱图像，并对每一组所述高光谱图像进行黑白校正，得到对应组的校正高光谱图像，其中，多组所述高粱农药残留样品是用不同浓度的农药溶液喷洒得到的；
4、对每一组所述校正高光谱图像进行光谱提取，获取所述校正高光谱图像中每颗高粱籽的高粱籽光谱
5、结合主成分分析法和孤立森林算法，剔除每一组所述高粱籽光谱数据中的异常值，并使用多元散射校正对剔除异常值后的高粱籽光谱数据进行预处理，得到对应的待用光谱数据；
6、以所述农药残留含量标签、所述待用光谱数据为输入，基于spxy数据集划分方法，将所述农药残留含量标签和所述待用光谱数据分为校准集和预测集，选择类型提升算法作为特征波长选择方法，提取所述待用光谱数据的特征波长，得到特征光谱数据；
7、以所述农药残留含量标签、所述特征光谱数据为输入，使用spxy数据集划分方法将所述农药残留含量标签和所述特征光谱数据分为校准集和预测集，选择集成学习算法作为含量检测模型，以所述校准集为校准参考对所述预测集进行农药残留含量预测，得到农药残留含量检测结果。
8、在一种优选的实施方式中，所述对所述校正高光谱图像进行光谱提取，获取所述校正高光谱图像中每颗高粱籽的高粱籽光谱数据，包括：
9、基于灰度变换法，通过所述校正高光谱图像中像素点的最大灰度值和最小灰度值改变所述校正高光谱图像的灰度值，得到灰度图像；
10、基于大津阈值法，计算所述灰度图像的二值化阈值，并根据所述二值化阈值对所述灰度图像进行灰度二值化，得到二值化图像；
11、基于分水岭算法模拟水淹没盆地的方式，从所述二值化图像的多个像素点的像素值最低点开始注水，在所述二值化图像中形成分水岭，并根据所述分水岭对所述二值化图像进行分割，获取所述校正高光谱图像中每颗高粱籽的高粱籽光谱数据。
12、在一种优选的实施方式中，所述含量检测模型包括基础子模型和极端梯度提升子模型，所述基础子模型包括：梯度提升决策树模型、光梯度提升模型和类型提升模型；
13、所述以所述校准集为校准参考对所述预测集进行农药残留含量预测，得到农药残留含量检测结果，包括：
14、分别将所述校准集和所述预测集分别带入所述梯度提升决策树模型、所述光梯度提升模型和所述类型提升模型中进行预测，得到对应模型输出的预测子结果；
15、将3个所述预测子结果进行垂直结合，第二部分为极端梯度提升(xgboost)模型，将3类模型的预测结果带入xgboost模型中，使用spxy数据集划分方法将3类模型的预测结果划分为校准集和预测集并进行预测，得到最终的高粱农药残留含量预测值。
16、在一种优选的实施方式中，所述高粱表面农药残留含量检测方法还包括：
17、使用网格寻优对所述类型提升算法的算法参数、所述梯度提升决策树模型的模型参数、所述光梯度提升模型的模型参数和所述类型提升模型的模型参数进行优化；
18、其中，类型提升算法的算法参数为：最大迭代次数为1000，学习速率为0.1，树深为5，l2正则项为3；
19、所述梯度提升决策树模型的模型参数为：最大迭代次数为900，学习速率为0.1，树深为5，内部节点再划分所需最小样本数为100，叶子节点最少样本数为60，划分时考虑的最大特征数为7，子采样为0.8；
20、所述光梯度提升模型的模型参数为：boosting的迭代次数为900，学习速率为0.1，树深为9，叶子节点个数为27，特征随机采样的比例为0.75，叶子节点中最小的样本权重和为3；
21、所述类型提升模型的模型参数为:最大迭代次数为900，学习速率为0.1，树深为3，叶子节点最小样本数为6，校准集抽样比例为0.6，拟合一棵树使用的特征比例为0.6。
22、在一种优选的实施方式中，所述结合主成分分析法和孤立森林算法，剔除所述高粱籽光谱数据中的异常值，包括：
23、基于所述主成分分析法，利用前3个主成分代表所述高粱籽光谱数据；
24、将前3个主成分光谱数据带入所述孤立森林算法中，计算所述高粱籽光谱数据中高粱籽的异常值；
25、将所述高粱籽光谱数据中异常值大于预设值的光谱数据视为异常值剔除。
26、在一种优选的实施方式中，所述对所述高光谱图像进行黑白校正，得到校正高光谱图像，包括：
27、采集标准反射率白板，获取全白图像；
28、使用镜头盖遮蔽近红外相机镜头后，获取全黑图像；
29、通过所述全黑图像和所述全白图像，对所述高光谱图像进行黑白校正，得到所述校正高光谱图像。
30、在一种优选的实施方式中，通过如下公式对所述高光谱图像进行黑白校正：
31、
32、其中，y是所述校正高光谱图像，y0是所述高光谱图像，w是所述全白图像，d是所述全黑图像。
33、在一种优选的实施方式中，多组所述高粱农药残留样品是通过如下方式得到的：
34、按照预设组数将高粱样品等量划分为多个实验组，并在每组所述高粱样品用喷壶喷洒不同浓度的农药溶液，得到高粱农药残留样品，其中，浓度值相邻的所述农药溶液的浓度差相同。
35、在本公开实施例的第二方面，提供一种高粱表面农药残留含量检测装置，所述高粱表面农药残留含量检测装置包括：
36、获取模块，被配置为获取多组高粱农药残留样品的高光谱图像，并对每一组所述高光谱图像进行黑白校正，得到对应组的校正高光谱图像，其中，多组所述高粱农药残留样品是用不同浓度的农药溶液喷洒得到的；
37、光谱提取模块，被配置为对每一组所述校正高光谱图像进行光谱提取，获取所述校正高光谱图像本文档来自技高网...
【技术保护点】
1.一种高粱表面农药残留含量检测方法，其特征在于，所述高粱表面农药残留含量检测方法包括：
2.根据权利要求1所述的高粱表面农药残留含量检测方法，其特征在于，所述对所述校正高光谱图像进行光谱提取，获取所述校正高光谱图像中每颗高粱籽的高粱籽光谱数据，包括：
3.根据权利要求1所述的高粱表面农药残留含量检测方法，其特征在于，所述含量检测模型包括基础子模型和极端梯度提升子模型，所述基础子模型包括：梯度提升决策树模型、光梯度提升模型和类型提升模型；
4.根据权利要求3所述的高粱表面农药残留含量检测方法，其特征在于，所述高粱表面农药残留含量检测方法还包括：
5.根据权利要求1所述的高粱表面农药残留含量检测方法，其特征在于，所述结合主成分分析法和孤立森林算法，剔除所述高粱籽光谱数据中的异常值，包括：
6.根据权利要求1-5中任一项所述的高粱表面农药残留含量检测方法，其特征在于，所述对所述高光谱图像进行黑白校正，得到校正高光谱图像，包括：
7.根据权利要求6所述的高粱表面农药残留含量检测方法，其特征在于，通过如下公式对所述高
8.根据权利要求1-5中任一项所述的高粱表面农药残留含量检测方法，其特征在于，多组所述高粱农药残留样品是通过如下方式得到的：
9.一种高粱表面农药残留含量检测装置，其特征在于，所述高粱表面农药残留含量检测装置包括：
10.一种电子设备，其特征在于，包括：
...【技术特征摘要】
1.一种高粱表面农药残留含量检测方法，其特征在于，所述高粱表面农药残留含量检测方法包括：
2.根据权利要求1所述的高粱表面农药残留含量检测方法，其特征在于，所述对所述校正高光谱图像进行光谱提取，获取所述校正高光谱图像中每颗高粱籽的高粱籽光谱数据，包括：
3.根据权利要求1所述的高粱表面农药残留含量检测方法，其特征在于，所述含量检测模型包括基础子模型和极端梯度提升子模型，所述基础子模型包括：梯度提升决策树模型、光梯度提升模型和类型提升模型；
4.根据权利要求3所述的高粱表面农药残留含量检测方法，其特征在于，所述高粱表面农药残留含量检测方法还包括：
5.根据权利要求1所述的高粱表面农药残留含量检测方法，...
【专利技术属性】
技术研发人员：胡新军，张嘉洪，韩李鹏，彭健恒，田建平，陈满骄，
申请(专利权)人：四川轻化工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。