文章詳情
高光譜成像與NMR技術融合深度學習：開啟枸杞產(chǎn)地溯源新篇章（下）
日期：2025-05-10 00:32
瀏覽次數(shù)：213
摘要：高光譜成像技術憑借其強大的空間和光譜信息獲取能力，已成為植物產(chǎn)品地理來源識別與質量控制的前沿工具。根據(jù)研究，高光譜技術結合深度學習模型，可以實現(xiàn)枸杞的地理來源精準分類，準確率高達95.63%。通過特征波長提取，不僅顯著提高了分析效率，還增強了數(shù)據(jù)的科學解釋性。此外，高光譜與化學分析（如NMR）的結合，能夠進一步揭示樣品化學成分與光譜特征的關聯(lián)，為復雜樣品的快速、非破壞性檢測提供**解決方案。
（3）地理標志與HSI特征波長相關性分析
HSI和NMR都證明了在確定枸杞的地理起源方面的有效性。NMR，特別是與多元統(tǒng)計分析相結合，成為識別GI標記物的有力工具。它提供了可以用來區(qū)分不同來源的化學信息的深度。然而，盡管在HSI中通常采用特征波段選擇的做法，但這些特征波長與樣品中特定成分之間的相關性通常仍未被探索。這一差距可能會限制HSI數(shù)據(jù)在潛在化學變化方面的可解釋性。此外，雖然NMR提供了豐富的生化見解，但它面臨著挑戰(zhàn)，例如食品基質樣品制備的復雜性，以及相關成本可能令人望而卻步。這些因素可能會阻礙快速、無損、高通量分析的實施，而這對于高效、可擴展的枸杞原產(chǎn)地溯源過程至關重要。為了解決這些限制，開發(fā)結合這兩種技術的優(yōu)點，同時盡量減少各自缺點的策略是至關重要的。該綜合方法為枸杞產(chǎn)地鑒定提供了一種更**、更有效的方法。
通過HSI-NMR Pearson相關分析，成功地揭示了枸杞特征波長與GI標記之間的相關性（圖6）。不同產(chǎn)地枸杞的GI標記在單個光譜波段上表現(xiàn)出顯著的相關性，p值<0.001，Pearson相關系數(shù)（R）在自由度為150時超過0.264。在633 ~ 768nm范圍內，大部分物質與枸杞的紅色光譜具有明顯的相關性，這與枸杞的天然紅色相一致。對于不同省份的枸杞，以633.6nm、665.6nm和980nm為中心的HSI波段與GI標記物呈極顯著相關（p<0.001）。其中，633.6nm的HSI波段與脯氨酸（δ1.98）、蘋果酸（δ2.37）和咖啡酸（δ7.33）密切相關。665.6 nm處與谷氨酸（δ2.08）密切相關，980 nm處與二羥丙酮（δ4.44）和葫蘆巴堿（δ9.13）相關。研究表明，以643 nm為中心的波段與氨基酸的第三和第四泛音區(qū)域有關，包括脯氨酸和谷氨酸。此外，976 nm至987 nm的波長范圍對應于油營養(yǎng)物中C-H（CH/CH2/CH3）鍵的第三泛音區(qū)域和O-H鍵的第三泛音區(qū)域。隨后，利用663.6 nm、665.6 nm和980 nm三個*顯著相關波段的圖像，利用改進的ResNet-34建立了枸杞起源分類模型。僅使用三個波長的光譜圖像來區(qū)分寧夏和青海枸杞樣品的準確率達到95%。在不同縣域的枸杞 GI標記物（TX-ZN和NMH-DLH）中，特定生物標記物與HSI波段之間存在顯著正相關（p值<0.001）。異亮氨酸（δ0.96）、精氨酸（δ1.68）、蘋果酸、膽堿（δ3.21）、1-甲基尿酸（δ3.33）、絲氨酸（δ3.96）、果糖（δ4.12）、綠原酸（δ7.19）和咖啡酸作為GI標記與以633.6 nm為中心的HSI波段相連。谷氨酸（665.6 nm）、蘇糖醇（δ3.64）、硫酸氨基葡萄糖（δ4.91）和α-木糖（δ5.19）均與980 nm處的譜帶相對應。對于不同品種的枸杞（ZN1 ~ ZN2），賴氨酸和綠原酸在633.6 nm處與HSI波段呈顯著相關（p值<0.001）。古洛內酯（δ4.73）和葡萄糖胺6磷酸（δ5.45）在801 nm和719.3 nm處與HSI波段的相關性較弱（p < 0.05）。ZN1和ZN2品種的鑒定準確率較低，為93.75%，主要是由于其種植地點較近。當比較全光譜HSI數(shù)據(jù)和SHAP提取的特征波長時，使用與GI標記物高度相關的光譜圖像，運行時執(zhí)行時間分別顯著降低46.26%和33.99%。這表明有針對性的光譜圖像分析方法可以在不影響精度的情況下提高效率。
圖6.枸杞地理標志標記的HSI-NMR Pearson系數(shù)相關圖
本研究結果表明，GI標記物與HSI特征波長的相關性有效地闡明了光譜波段與枸杞化學成分之間的聯(lián)系。這種相關性不僅增強了我們對枸杞光譜特征的理解，而且強調了開發(fā)便攜式多光譜設備的潛力。該裝置可提供一種無創(chuàng)、低成本、高通量的地理來源鑒定方法。
結論
本研究提出了一種將HSI和NMR技術與深度學習相結合，用于準確識別枸杞的地理來源及其GI的新方法。改進的ResNet-34模型通過整合3D和2D卷積層，在利用HSI數(shù)據(jù)進行產(chǎn)地識別中實現(xiàn)了95.63%的分類準確率。此外，采用SHAP方法選擇特征波長，與使用全光譜HSI數(shù)據(jù)的分類準確率相當，但運行時間縮短了29.9%。研究還表明，基于枸杞不同側面數(shù)據(jù)訓練的模型具有魯棒性，且模型性能未受到顯著影響。通過NMR分析，研究識別并定量分析了62種成分，并通過多變量統(tǒng)計分析確定了各地理來源的GI標記。通過皮爾遜相關系數(shù)評估GI標記與HSI特征波長的相關性，增強了HSI數(shù)據(jù)的可解釋性，從而獲得了更準確且有意義的科學洞察。相比SHAP模型，本研究的方法進一步將運行時間縮短了33.99%。這些研究結果對于開發(fā)便攜式多光譜設備具有重要意義，可提供一種快速、準確且經(jīng)濟高效的解決方案，用于枸杞產(chǎn)地的識別，從而促進植物產(chǎn)業(yè)中的質量控制和溯源管理。
推薦產(chǎn)品
GaiaField-V10E
作者簡介
通訊作者：馮江華，廈門大學電子科學與技術學院，博導
參考文獻
論文引用自一區(qū)文章：Chengcheng He , Xin Shi , Haifeng Lin , Quanquan Li , Feng Xia, Guiping Shen,Jianghua Feng , The combination of HSI and NMR techniques with deep learning for identification of geographical origin and GI markers of Lycium barbarum L. (2024) Food Chemistry 461.140903
