當(dāng)前，國內(nèi)外已有生菜表面農(nóng)藥殘留的檢測(cè)方法，如氣相色譜法、氣相色譜—質(zhì)譜法、高效液相色譜法等。這些方法操作繁瑣、具有破壞性、耗時(shí)費(fèi)力、成本較高，無法實(shí)現(xiàn)生菜葉片農(nóng)藥殘留快速無損檢測(cè)，不便于推廣。

光譜技術(shù)作為近年來廣泛研究使用的快速無損檢測(cè)方法， 已經(jīng)被成功應(yīng)用于生菜營養(yǎng)元素檢測(cè)以及品種分析，其中，熒光光譜技術(shù)是利用光源脈沖幅度調(diào)制激發(fā)作物葉 綠素?zé)晒夂?，通過反射原理獲取熒光發(fā)射光譜。利用熒光光譜技術(shù)研究真空包裝中的生菜新 鮮程度，新鮮的生菜與腐敗的生菜預(yù)測(cè)準(zhǔn)確率達(dá)到了 95.1%。

實(shí)驗(yàn)材料及方法

試驗(yàn)品種為抗寒奶油生菜，采用珍珠巖袋培方式進(jìn) 行生菜樣本培育。栽培地點(diǎn)在江蘇大學(xué)現(xiàn)代農(nóng)業(yè)裝備與技術(shù)省部共建重點(diǎn) Venlo 型溫室中進(jìn)行。將長勢(shì)形狀相近 的生菜分為 3 組（A、B、C 組），每組選取 60 株生菜樣 本，共計(jì)180 個(gè)樣本，采用營養(yǎng)液自動(dòng)澆灌系統(tǒng)進(jìn)行標(biāo)準(zhǔn)營養(yǎng)澆灌，在蓮座期噴灑農(nóng)藥。

對(duì)試驗(yàn)采摘得到的 180 片生菜葉片，以中心波長為 245 nm 的紫外光激發(fā)，在 300～510 nm 范圍內(nèi)掃描得到 了的生菜樣品的熒光光譜（見圖 1）。180 片生菜樣品熒 光光譜如圖 1 所示。

采用蒙特卡羅交叉驗(yàn)證算法對(duì) 180 個(gè)樣本進(jìn)行建模樣本挑選，從 3 類不同濃度樂果殘留的生菜葉片樣本中隨 機(jī)挑選出 40 個(gè)樣本，總計(jì) 120 個(gè)作為訓(xùn)練集、剩余 60 個(gè)樣本作為預(yù)測(cè)集，并設(shè)置循環(huán)次數(shù)為 1000 次（其中， 在 1000 次循環(huán)中設(shè)置，當(dāng)訓(xùn)練集和預(yù)測(cè)集準(zhǔn)確率趨于穩(wěn) 定，變化小于 2%時(shí)，退出循環(huán)），對(duì)原始熒光光譜以及 5 種預(yù)處理方法處理后的光譜得到的 SVM 建模分析的平 均分類結(jié)果如表 1 所示。

結(jié)合圖 1 和圖 2 可以看出，光譜預(yù)處理前后生菜樣品的熒光光譜峰值未發(fā)生改變。為此，本文在對(duì)生菜熒光光譜信息處理時(shí)，在原始光譜、預(yù)處理后光譜的基礎(chǔ)上選定生菜樣品熒光光譜峰值（波長為 371.07、 424、440、460、486.96 nm）作為特征波長，并做進(jìn)一步 SVM 分類建模如表 2 所示。

采用熒光光譜技術(shù)鑒別生菜農(nóng)藥殘留，分別采用 Savitzky-Golay (SG) 平滑算法、標(biāo)準(zhǔn)正態(tài)變量變換 、標(biāo)準(zhǔn)正態(tài)變量變換 結(jié)合去趨勢(shì)算法、SG 算法與 SNV 算法組合（SG-SNV）、 SG 算法與 SNV detrending 算法組合對(duì)原始熒光光譜進(jìn)行預(yù)處理，同時(shí)分別基于全波段光 譜、熒光特征峰值光譜、小波特征光譜建立支持向量機(jī)分類模型。其中，分別以 db4、db6、sym5、sym7 作為小波基函數(shù)，進(jìn)行小波變 換選擇特征波長。基于小波特征光譜建立的 SVM 分類模 型，要優(yōu)于熒光特征峰值特征、全光譜建立的 SVM 分類 模型。此外，預(yù)處理方法 SG-SNV detrending 處理后光譜建立的SVM分類模型，要優(yōu)于SG、SNV、SNV detrending、 SG-SNV 以及原始光譜建立的 SVM 模型。采用預(yù)處理方法 SG-SNV detrending 結(jié)合以 sym5 為小波基函數(shù)的小波變換特征選擇算法得到的 SVM 分類模型，最佳小波分解層數(shù)為 4，得到了最佳的預(yù)測(cè)集識(shí)別率 93.33%。此模型為生菜農(nóng)藥不同濃度殘留鑒別分析提供了思路，具有實(shí)用價(jià)值。