工业设计人员同步开展攻关:多通道阵列需在同一张试纸上集成独立反应区,间距误差不能超过1毫米。经反复调试,阵列一致性稳定控制在99%以上。
随后,新型试纸显色图像判读进入现场比对测试阶段,数千份样本、几十种农药、数十种基质的检测结果,均与实验室检测吻合。如今,一次检测,手机屏即可同步跳出6至36组数据——那些曾经相互干扰、“打架”的信号,终于实现同频共振。
“又错了?”2019年深秋,某省农产品批发市场快检现场,质检员举着试纸卡摇了摇头——同一张试纸,他判读为阳性,旁边的同事却认为是阴性。争议背后,是人眼识别临界显色信号存在天然误差。
这个场景深深刺痛了正在现场调研的王静,高通量农残快检如果依靠人工或普通读卡仪,不仅容易出现主观误判,成本也偏高;加之数据采集上报全靠人工操作,批量筛查效率偏低。
回到实验室,她召集团队成员:“让机器学会‘看’,还要比人眼更准。”目标十分清晰:研发智能图像识别算法,实现试纸条显色信号全自动、标准化判读。
“困难从数据采集阶段就已显现。”王静回忆,团队奔赴全国各地农产品主产区,在田间地头、农贸市场、基层监管站采集图像。问题接踵而至,清晨的冷光、正午的强光、棚内的阴影光,同一条试纸在不同光照下拍出的图像千差万别;番茄汁液、菠菜研磨液、柑橘果肉等不同基质,背景底色深浅不一,直接干扰显色信号的提取。
负责算法研究的团队成员曹振提出“分而治之”的思路:先建背景干扰扣除模型,将农产品基质底色“漂白”;再构建显色计量化学模型,精准刻画显色深浅与农药浓度的量化关系。为解决强光下信号饱和失真的问题,团队成员每天从日出拍到日落,采集了上千组不同光强下的序列图像。
“模型训练更是一场硬仗。”曹振至今记得,经十几万张标注图像、上千次迭代优化后,算法在实验室数据上准确率已达98%,可放到田间实地测试时,准确率却骤降至85%。
团队复盘后找到症结:试纸条显色的边缘效应会产生伪信号。大家连夜调整图像预处理流程,增设边缘自适应校正模块,硬是将田间检测准确率拉回至98%以上。
当第一版智能判读小程序投入试用,手机屏幕弹出“阴性,合格”时,大家又特意调出那张曾经引发争议的临界试纸,算法很快给出明确的数值判定。大家笑了:“这技术,比人眼靠谱!”
从“认得出”到“测得全”,再到“识别快”,研发团队的攻坚之路,正是把论文写在田间地头的生动注脚。展望未来,王静表示,团队将深耕产业一线需求,进一步完善可监管、可追溯的普惠快检体系,为老百姓守好从田间到餐桌的安全防线。


