本研究應用了400-1000nm的高光譜相機，可采用杭州彩譜科技有限公司產品FS13進行相關研究。光譜范圍在400-1000nm，波長分辨率優于2.5nm，可達1200個光譜通道。采集速度全譜段可達128FPS，波段選擇后最高3300Hz（支持多區域波段選擇）。

西蘭花，屬于十字花科蕓苔屬甘藍的一個變種，原產于意大利，于19世紀末傳入我國。西蘭花可食用部分為肥嫩的花蕾球及花莖，口感爽脆，且其營養價值極高，有“蔬菜皇冠”的美譽。種植的西蘭花除了滿足國內消費需求外，還遠銷國際市場，主要出口日本、韓國、新加坡、香港、中東等國家和地區。但西蘭花生長過程中，發生害蟲種類主要有小菜蛾、菜青蟲、蚜蟲、煙粉虱、斜紋夜蛾等病理性病害主要種類有∶霜霉病、猝倒病、細菌性黑腐病、菌核病、軟腐病等等，因此西蘭花種植過程中農藥的使用不可避免。2002年，日本檢出我國出口西蘭花中甲胺磷超標，暫停進口我國西蘭花；2006年，日本對進口西蘭花的最大農藥殘留進行了大幅修訂，并且相關標準至今還在不斷調整2012年，我國出口歐盟的西蘭花因為蟲螨腈超標被扣，因此農藥殘留超標是西蘭花出口受阻的重要因素。本文通過不同種類和不同濃度農藥對西蘭花造成光譜特性的改變，利用高光譜成像技術，采集各類西蘭花的高光譜信息，利用高光譜信息建立判別模型，并用模型探究西蘭花農藥殘留的種類和濃度，為西蘭花農藥殘留無損檢測提供一種新思路。

本研究以日本秀炎西蘭花為研究對象，主要針對其表面農藥殘留進行無損檢測，應用高光譜成像技術結合化學檢測方法，對西蘭花表面農藥殘留種類無損檢測、低濃度阿維菌素殘留量無損檢測進行初步研究。主要研究結果如下∶

（1）基于高光譜圖像的西蘭花表面多種農藥殘留種類檢測研究。利用高光譜圖像技術采集四組不同農藥殘留的西蘭花樣本圖像（400-1000mm），根據圖像信息選取感興趣區域的平均光譜后，針對西蘭花表面凹凸不平的特點采用分段多元散射校正算法進行預處理，有效消除顆粒造成的非線性光散射影響，分別采用馬氏距離算法、最小二乘支持向量機算法、人工神經網絡和極限學習機算法基于全光譜信息進行分類建模。對比各類模型結果，人工神經網絡分類算法效果最優，訓練集和測試集識別率分別為99.17%和98.33%。為剔除大量高光譜冗余數據，提高模型的識別速度，采用主成分分析算法選取前10個主成分和連續投影算法選擇8個特征值波長（458.51、500.02、522.13、551.77、614.04、720.32、769.08、818.26nm）進行特征提取，分別建立基于特征信息的判別模型。在實驗分類器中，基于SPA 特征波長的極限學習機模型識別效果均優于其他三類分類器，訓練集的正確率為98.33%，測試集的正確率為96.67%。

（3）基于高光譜圖像的西蘭花表面低濃度阿維菌素殘留定量檢測研究。利用高光譜成像系統采集5組（共100顆）噴有不同濃度梯度阿維菌素農藥西蘭花樣本（900-1700nm）。使用液相色譜-質譜聯用法根據GB23200.20-2016標準對5組西蘭花進行具體阿維菌素殘留量抽樣檢測，測得各組濃度分別為24.25μg/Kg、82.66μg/Kg、126.49μg/Kg、151.57μg/Kg和170.03μg/Kg。將原始光譜數據進行提取和預處理后，結果表明，基于全波段光譜數據的極限學習機模型識別效果最好，準確率為72%。

（4）基于卷積神經網絡的西蘭花表面阿維菌素低濃度殘留檢測方法研究。針對本文研究的西蘭花表面低濃度阿維菌素殘留檢測模型識別率較低的問題，提出一種將采集的阿維菌素殘留濃度在24.25μg/Kg至170.03μg/Kg之間的西蘭花光譜信息轉換為灰度圖的方法，利用卷積網絡學習不同阿維菌素殘留濃度西蘭花樣本光譜數據的灰度圖之間變化的紋理。