當前,，國內(nèi)外已有生菜表面農(nóng)藥殘留的檢測方法,，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,、耗時費力,、成本較高,，無法實現(xiàn)生菜葉片農(nóng)藥殘留快速無損檢測,，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方法,， 已經(jīng)被成功應用于生菜營養(yǎng)元素檢測以及品種分析,，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 綠素熒光后,，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測準確率達到了 95.1%,。

實驗材料及方法

試驗品種為抗寒奶油生菜,，采用珍珠巖袋培方式進 行生菜樣本培育。栽培地點在江蘇大學現(xiàn)代農(nóng)業(yè)裝備與技術(shù)省部共建重點 Venlo 型溫室中進行,。將長勢形狀相近 的生菜分為 3 組（A,、B,、C 組），每組選取 60 株生菜樣 本,，共計180 個樣本,，采用營養(yǎng)液自動澆灌系統(tǒng)進行標準營養(yǎng)澆灌，在蓮座期噴灑農(nóng)藥,。

對試驗采摘得到的 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證算法對 180 個樣本進行建模樣本挑選，從 3 類不同濃度樂果殘留的生菜葉片樣本中隨 機挑選出 40 個樣本,，總計 120 個作為訓練集,、剩余 60 個樣本作為預測集，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,，當訓練集和預測集準確率趨于穩(wěn) 定，變化小于 2%時,，退出循環(huán)）,，對原始熒光光譜以及 5 種預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，本文在對生菜熒光光譜信息處理時,，在原始光譜,、預處理后光譜的基礎(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,、標準正態(tài)變量變換 ,、標準正態(tài)變量變換 結(jié)合去趨勢算法、SG 算法與 SNV 算法組合（SG-SNV）,、 SG 算法與 SNV detrending 算法組合對原始熒光光譜進行預處理,，同時分別基于全波段光 譜、熒光特征峰值光譜,、小波特征光譜建立支持向量機分類模型,。其中,，分別以 db4、db6,、sym5,、sym7 作為小波基函數(shù)，進行小波變 換選擇特征波長,?；谛〔ㄌ卣鞴庾V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,，得到了最佳的預測集識別率 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,，具有實用價值,。