基于高光譜成像技術(shù)的寧夏枸杞產(chǎn)地溯源鑒別

袁偉東，姜洪喆,2，楊詩雨，張 聰，周 禹，周宏平,2,*

（1.南京林業(yè)大學(xué)機(jī)械電子工程學(xué)院，江蘇 南京 210037；2.南京林業(yè)大學(xué) 林業(yè)資源高效加工利用協(xié)同創(chuàng)新中心，江蘇 南京 210037）

寧夏枸杞（Lycium barbarumL.）是茄科枸杞屬的多年生灌木，營(yíng)養(yǎng)豐富且具有藥用價(jià)值，被稱為“藥食同源”水果[1]。近代藥理研究表明，枸杞子具有延緩衰老、降血糖、降血脂、降血壓、免疫調(diào)節(jié)、益精明目、滋陰補(bǔ)腎等多方面功效[2-3]。我國(guó)枸杞種植面積廣泛，主要分布在寧夏、內(nèi)蒙古、新疆、甘肅等地，其中寧夏枸杞是唯一被收錄于《中華人民共和國(guó)藥典》的枸杞品種[4]。隨著人們生活水平的不斷改善以及保健意識(shí)的增強(qiáng)，寧夏枸杞因具有肉質(zhì)飽滿、甘甜、色艷、含糖量低等優(yōu)點(diǎn)受到消費(fèi)者的喜愛。但品質(zhì)優(yōu)良的寧夏枸杞產(chǎn)量有限，導(dǎo)致一部分不良商販濫用其他產(chǎn)區(qū)的枸杞冒充寧夏優(yōu)質(zhì)枸杞以假亂真，嚴(yán)重?cái)_亂寧夏枸杞交易市場(chǎng)。

傳統(tǒng)的枸杞產(chǎn)地溯源檢測(cè)方法包括高效液相色譜法[5]、碳同位素分析[6]和電子鼻[7]，而這些技術(shù)成本高昂、耗時(shí)且具有破壞性。因此，迫切需要一種經(jīng)濟(jì)、高效、快速且無損的檢測(cè)方法[8]。近紅外光譜作為一種快速、無損檢測(cè)食品化學(xué)質(zhì)量屬性的技術(shù)已被廣泛使用[9-10]。然而，近紅外光譜是一種點(diǎn)測(cè)量技術(shù)，在某些情況下由于樣品的異質(zhì)結(jié)構(gòu)，獲得的光譜信息可能不足或不能代表整個(gè)樣品。高光譜成像技術(shù)將光譜和成像技術(shù)相融合，同時(shí)獲取光譜和空間信息的特殊優(yōu)勢(shì)備受食品行業(yè)研究人員的青睞[11-12]。目前，高光譜成像技術(shù)已廣泛應(yīng)用于農(nóng)產(chǎn)品的產(chǎn)地鑒別[13]、摻假[14]、含油率[15]等多方面的檢測(cè)。然而高光譜數(shù)據(jù)包含大量的共線性和冗余信息，導(dǎo)致模型將面臨更多的計(jì)算負(fù)擔(dān)和所開發(fā)模型的不穩(wěn)定和復(fù)雜性。特征波長(zhǎng)的選擇對(duì)于便攜式儀器的開發(fā)具有重要意義，特征波長(zhǎng)選擇有利于挑選出共線性最小、冗余最少且包含主要信息的變量。選擇方法通常是從原始波長(zhǎng)中選擇少數(shù)關(guān)鍵波長(zhǎng)，以便提高模型的運(yùn)行效率和可解釋性，去除非信息變量波段，產(chǎn)生更簡(jiǎn)單、更穩(wěn)健的校正模型。

在本研究中，采用400～1 000 nm波段范圍內(nèi)的高光譜成像系統(tǒng)結(jié)合化學(xué)計(jì)量學(xué)方法對(duì)不同產(chǎn)地枸杞進(jìn)行檢測(cè)鑒別。應(yīng)用多種特征波長(zhǎng)選擇方法選取特征波長(zhǎng)建立判別模型并對(duì)比結(jié)果，為消除干擾信號(hào)和光散射的影響還采用了多種光譜預(yù)處理方法，旨在提供一種能夠快速、無損鑒別枸杞產(chǎn)地的檢測(cè)方法。

1 材料與方法

1.1 材料

優(yōu)質(zhì)枸杞樣品（寧杞1號(hào)）分別購(gòu)于寧夏銀川、甘肅靖遠(yuǎn)、內(nèi)蒙古巴彥淖爾、青海西寧和新疆烏魯木齊5 個(gè)具有代表性的生產(chǎn)基地。

1.2 儀器與設(shè)備

用于測(cè)試的高光譜成像檢測(cè)系統(tǒng)由暗箱、升降平臺(tái)、成像光譜儀（SOC710VP）、4 盞75 W鹵鎢燈和一臺(tái)計(jì)算機(jī)組成，如圖1所示。光譜范圍374.98～1 038.79 nm，分辨率為4.68 nm，在256 個(gè)波段上進(jìn)行成像。

圖1 高光譜成像系統(tǒng)示意圖Fig.1 Schematic diagram of hyperspectral imaging system

1.3 方法

1.3.1 樣品準(zhǔn)備

挑選大小、顏色均勻的枸杞，并剔除表面有明顯缺陷、有蟲眼、干枯的劣質(zhì)枸杞。為了減少溫度對(duì)樣品鑒別的影響，所有的枸杞樣品在進(jìn)行成像前均貯存于4 ℃的冰箱中，貯存時(shí)間為12 h。每種產(chǎn)地枸杞均采集450 粒樣品，5 種產(chǎn)地共收集了2 250 粒枸杞樣品高光譜圖像。每種產(chǎn)地枸杞隨機(jī)選取300 個(gè)樣品分配進(jìn)入訓(xùn)練集，其余150 個(gè)樣品進(jìn)入預(yù)測(cè)集。

1.3.2 高光譜圖像采集與校準(zhǔn)

高光譜圖像采集軟件為Hyper Scanner_2.0.127，該系統(tǒng)由北京安洲科技有限公司提供。經(jīng)過多次調(diào)試，樣品表面到高光譜鏡頭的距離為50 cm，積分時(shí)間設(shè)定為30 ms。為了捕捉到清晰的枸杞形狀，圖像分辨率設(shè)置為696×520像素，采集結(jié)束后得到一張696×520×256像素的三維圖像。

為消除光照不均勻和暗電流的影響，對(duì)原始圖像Ir進(jìn)行反射率校正，根據(jù)式（1）計(jì)算Ic：

式中：Ic為校正后的高光譜圖像；Ir為原始高光譜圖像；Istd為校準(zhǔn)后標(biāo)準(zhǔn)板的反射率；Is為標(biāo)準(zhǔn)板的反射率（約30%的反射率）。

1.3.3 反射光譜數(shù)據(jù)的提取和預(yù)處理

感興趣區(qū)域（region of interest，ROI）光譜信息提取的主要步驟如圖2所示。為了選擇單個(gè)枸杞樣品作為ROI，首先對(duì)原始高光譜圖像進(jìn)行分水嶺分割、腐蝕、膨脹處理（圖2a），二值化生成掩膜并分割得到單個(gè)枸杞的原始光譜圖像（圖2b）。然后選取圖像中反射率最高和最低的兩個(gè)波段（885.89 nm和417.49 nm）進(jìn)行波段運(yùn)算，從而得到枸杞樣品與背景特征具有高對(duì)比度的灰度圖像（圖2c）。在生成的圖像中，通過將反射閾值設(shè)置為0.15得到二值化的掩膜圖像（圖2d），應(yīng)用掩膜圖像將背景去除得到僅有枸杞的高光譜圖像（圖2e）。提取ROI的平均光譜作為對(duì)應(yīng)樣品的反射光譜（圖2f）。由于336.2～400 nm和1 000～1 038.79 nm波段上的光譜強(qiáng)度較低，其數(shù)據(jù)波形抖動(dòng)較大，包含很多噪聲信號(hào)，因此在后續(xù)分析中只保留400～1 000 nm之間的光譜數(shù)據(jù)，共計(jì)231 個(gè)波段。

圖2 高光譜信息提取過程Fig.2 Information extraction process from hyperspectral image

光譜數(shù)據(jù)中除了包含樣品的組分信息外，還夾雜著環(huán)境噪聲、雜散光、樣品背景等不相關(guān)信息。因此為了減小或消除這些無用信息的影響，提高檢測(cè)模型的精度和穩(wěn)定性，建模前需要對(duì)原始光譜進(jìn)行標(biāo)準(zhǔn)正態(tài)變量（standard normal variate，SNV）、SNV結(jié)合去趨勢(shì)、歸一化反射光譜（normalized reflectance spectrum，NR）、一階導(dǎo)數(shù)和二階導(dǎo)數(shù)等預(yù)處理。其中，一階導(dǎo)數(shù)和二階導(dǎo)數(shù)是基于二階多項(xiàng)式擬合和五點(diǎn)移動(dòng)窗口的Savitzky-Golay平滑實(shí)現(xiàn)。

1.3.4 特征波長(zhǎng)選擇方法

高光譜數(shù)據(jù)中包含大量的冗余信息，需要提取出最小冗余新變量消除數(shù)據(jù)間的共線性和重疊問題，提高模型的運(yùn)行效率和模型的可解釋性。

連續(xù)投影算法（successive projections algorithm，SPA）是一種前向變量循環(huán)選擇方法。SPA在向量空間中使用簡(jiǎn)單的投影操作，以選擇具有最小相關(guān)性的變量子集[16]。從一個(gè)波長(zhǎng)開始，每次循環(huán)都計(jì)算它在未選中波長(zhǎng)上的投影，最終將投影向量最大的波長(zhǎng)引入循環(huán)后的波長(zhǎng)組合。在本研究中，變量數(shù)的范圍設(shè)置為10～50，最小均方根誤差（root mean square error，RMSE）所對(duì)應(yīng)的數(shù)量即為最終的選擇結(jié)果。

競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法（competitive adaptive reweighted sampling，CARS）是一種將蒙特卡羅采樣與偏最小二乘回歸系數(shù)相結(jié)合的特征變量選擇方法，采用了“適者生存”的理論。其原理是通過自適應(yīng)重加權(quán)采樣方法和指數(shù)衰減函數(shù)去除偏最小二乘回歸系數(shù)中絕對(duì)值最小的波長(zhǎng)點(diǎn)，得到多個(gè)變量子集后，選擇交叉驗(yàn)證均方根誤差最小的變量子集作為特征變量[17]。

粒子群優(yōu)化算法（particle swarm optimization，PSO）是一種基于種群的全局智能優(yōu)化算法。在PSO中，每個(gè)優(yōu)化問題的解都被抽象作為多維空間一個(gè)沒有質(zhì)量和體積的粒子。所有粒子都有一個(gè)評(píng)價(jià)函數(shù)決定的適應(yīng)值（以F＝R2作為適應(yīng)度函數(shù)，其中R2表示決定系數(shù)），粒子們通過相互作用發(fā)現(xiàn)復(fù)雜搜索空間中的最優(yōu)區(qū)域[15]。本研究中，粒子種群數(shù)量大小設(shè)置為20，迭代次數(shù)設(shè)置為1 000。

迭代保留信息變量算法（iteratively retaining informative variables，IRIV）是一種基于二進(jìn)制矩陣重排過濾器提出的特征波長(zhǎng)選擇算法，將所有變量分為強(qiáng)信息變量、弱信息變量、無信息變量和干擾變量4 類[18]。通過多次迭代的方式，對(duì)于出現(xiàn)比例較多的變量賦予較高的權(quán)重，并去除無信息變量和干擾變量燈對(duì)模型無關(guān)的變量，最后保留有用的信息變量，經(jīng)過反向消除獲得特征變量。隨著變量選擇方法的不斷發(fā)展，變量方法聯(lián)用組合使用也逐漸受到重視。梁琨等[19]通過CARS-IRIV篩選高光譜數(shù)據(jù)特征變量建立庫爾勒香梨可溶性固形物含量預(yù)測(cè)模型，在提高預(yù)測(cè)精度的同時(shí)簡(jiǎn)化了模型的運(yùn)算。CARS組合IRIV充分利用不同算法之間的互補(bǔ)性，構(gòu)建更少、更有效的變量模型，對(duì)設(shè)備的開發(fā)和基礎(chǔ)建設(shè)具有重要的指導(dǎo)意義。

1.3.5 模型的建立與評(píng)價(jià)

偏最小二乘判別分析（partial leasts quares discriminant analysis，PLS-DA）是光譜分析中常用的定性建模方法，基于最小二乘算法開發(fā)的監(jiān)督線性算法，適用于解決變量較多且存在多重線性的問題[20]。PLS-DA將光譜變量視為獨(dú)立輸入（X變量），并將不同的類別信息分配為1、2、3、4、5等（即Y變量）。為了校準(zhǔn)最優(yōu)PLS-DA模型，本研究采用10折交叉驗(yàn)證法并依據(jù)最小均方根誤差確定PLS-DA模型的最佳潛在變量（latent variables，LVs），在全光譜模型和簡(jiǎn)化模型中將LVs最大數(shù)量分別設(shè)置為40和30。

為了驗(yàn)證上述建立模型的性能，本研究中采用訓(xùn)練集、交叉驗(yàn)證集和預(yù)測(cè)集的分類準(zhǔn)確率（correct classification rate，CCR）評(píng)估分類模型的性能，CCR計(jì)算如式（2）所示：

式中：CCR為分類準(zhǔn)確率（正確分類的樣本占全部樣本的比率）/%；TP為真陽性；TN為真陰性；FN為假陰性；FP為假陽性。

為了進(jìn)一步評(píng)估所選模型的結(jié)果，基于混淆矩陣的靈敏度、特異性和Kappa系數(shù)評(píng)價(jià)模型的分類性能，計(jì)算分別如式（3）～（6）所示：

式中：Pe為預(yù)期的隨機(jī)準(zhǔn)確率；P0為CCR；M為類別總數(shù)；i為類別數(shù)。

具體來說，靈敏度（又稱真正率或召回率）量化了模型識(shí)別正樣本的能力，特異性（又稱真負(fù)率）則是模型在正確識(shí)別偽樣本方面的效能。Kappa系數(shù)用于衡量分類模型的性能與隨機(jī)分類的性能之間的差異。當(dāng)Kappa系數(shù)位于0.8～1之間，表示模型的預(yù)測(cè)性能與真實(shí)值之間幾乎完全一致，表明模型預(yù)測(cè)性能具有極高的可靠性和穩(wěn)健性。

2 結(jié)果與分析

2.1 原始光譜

圖3顯示了從校準(zhǔn)高光譜圖像中提取的5 種不同產(chǎn)地枸杞樣品的光譜曲線以及平均光譜曲線。5 種不同產(chǎn)地枸杞樣品之間的光譜曲線表現(xiàn)出相似的輪廓，主要源于枸杞內(nèi)部組織共性，而反射率的強(qiáng)度差異主要受到其內(nèi)部化學(xué)成分含量影響。多糖、黃酮、總糖和多酚是枸杞主要的活性成分，它們也是衡量其內(nèi)部質(zhì)量的主要特征指標(biāo)，這些化學(xué)成分在不同產(chǎn)地的枸杞樣品中含量不同[21]。從圖3b可以看出，在可見光區(qū)域內(nèi)的400～550 nm波段，不同產(chǎn)地枸杞的平均光譜反射強(qiáng)度幾乎相同，表明它們?cè)谒{(lán)色和綠色的顏色分量上幾乎沒有差異。然而，在550～700 nm的波段區(qū)域，各產(chǎn)地枸杞的平均光譜反射強(qiáng)度開始有所不同，且呈現(xiàn)出明顯的上升趨勢(shì)，表明紅色波段內(nèi)存在的顏色分量差異較為明顯。在波長(zhǎng)450 nm附近的反射峰主要與枸杞中的酚類物質(zhì)阿魏酸相關(guān)[22]。550 nm波長(zhǎng)處的波谷是總糖的有效波長(zhǎng)[21]，而在波長(zhǎng)560 nm附近的吸收峰與枸杞表面葉綠素和類胡蘿卜素的吸收帶相關(guān)[23]。在近紅外區(qū)域，黃酮的有效波段為800～900 nm，而在860 nm附近吸收峰為枸杞黃酮的有效波長(zhǎng)[18]。在910～960 nm波段可歸因于水或碳水化合物的O—H拉伸模式的第二泛音[24]。由于5 個(gè)不同產(chǎn)地枸杞光譜之間存在很多交叉和重疊，因此將光譜與化學(xué)計(jì)量學(xué)方法相結(jié)合進(jìn)行深度分析，并作出準(zhǔn)確判別。

圖3 5 種不同產(chǎn)地的枸杞樣品光譜曲線Fig.3 Spectral curves of L.barbarum samples from five different geographical origins

2.2 基于全光譜的判別模型

對(duì)原始全光譜應(yīng)用不同的預(yù)處理方法，并采用原始和預(yù)處理全光譜建立PLS-DA枸杞產(chǎn)地判別模型。為了確定最佳的預(yù)處理方法，本研究基于5 個(gè)產(chǎn)地的枸杞數(shù)據(jù)建立模型，結(jié)果如表1所示。結(jié)果表明，無論采用原始光譜還是預(yù)處理光譜PLS-DA模型，分類準(zhǔn)確率均大于90%，表明所建立的模型可以輕松區(qū)分不同產(chǎn)地的枸杞樣本。在PLS-DA模型中，LVs的選擇會(huì)嚴(yán)重影響最終結(jié)果。當(dāng)LVs過多時(shí)，會(huì)造成過擬合。相反，如果LVs的數(shù)量太少，會(huì)丟失一些有用的信息，降低模型的準(zhǔn)確性。因此，通過交叉驗(yàn)證計(jì)算最小預(yù)測(cè)殘差平方和以確定最優(yōu)LVs[25]。圖4顯示了不同LVs對(duì)原始光譜PLS-DA判別模型性能的影響。還可以觀察到，NR和SNV預(yù)處理均提升了模型的性能，而SNV＋去趨勢(shì)、一階導(dǎo)數(shù)和二階導(dǎo)數(shù)略微降低了性能。其中，基于NR預(yù)處理全光譜的PLSDA模型表現(xiàn)最佳，最佳LV為30，訓(xùn)練集分類準(zhǔn)確率為95.5%，交叉驗(yàn)證集分類準(zhǔn)確率為91.9%，預(yù)測(cè)集分類準(zhǔn)確率為93.1%。NR預(yù)處理可有效抑制部分光照差異的影響和消除無關(guān)信息，這一結(jié)論與徐新剛等[26]的研究結(jié)果一致。因此，在隨后的分析中最終選擇NR預(yù)處理光譜用于枸杞產(chǎn)地溯源鑒別。

表1 基于不同預(yù)處理方法全光譜PLS-DA模型性能Table 1 Performance of full-spectrum PLS-DA models based on different pre-processing methods

圖4 基于不同LVs原始光譜PLS-DA判別模型性能Fig.4 Performance of the raw spectral PLS-DA discriminant model based on different LVs

本研究對(duì)枸杞產(chǎn)地多元化鑒別需求進(jìn)行深入分析，采用原始光譜和NR預(yù)處理光譜構(gòu)建PLS-DA產(chǎn)地溯源判別模型，研究結(jié)果如表2所示?？梢园l(fā)現(xiàn)，隨著枸杞樣本產(chǎn)地的增加，無論采用原始光譜還是預(yù)處理光譜PLS-DA模型分類準(zhǔn)確率總體呈下降趨勢(shì)。當(dāng)模型輸入枸杞產(chǎn)地?cái)?shù)量從2增加到5時(shí)，經(jīng)預(yù)處理后模型的訓(xùn)練集分類準(zhǔn)確率從99.2%下降到95.5%，交叉驗(yàn)證集分類準(zhǔn)確率從94.8%下降到91.9%，測(cè)試集分類準(zhǔn)確率從98.3%下降到93.1%。

表2 基于PLS-DA構(gòu)建枸杞產(chǎn)地多元化判別模型Table 2 Multivariate identification model based on PLS-DA for geographical origins of L.barbarum

2.3 特征波長(zhǎng)選擇

全光譜數(shù)據(jù)包含大量的冗余信息，特征波長(zhǎng)的選擇有利于降低數(shù)據(jù)維度，這對(duì)于開發(fā)實(shí)時(shí)多光譜檢測(cè)系統(tǒng)非常需要[27]。在本研究中，SPA、CARS、PSO、IRIV和CARS＋I(xiàn)RIV對(duì)4 組光譜集篩選出的特征波長(zhǎng)分布如圖5所示（為了便于觀察，同時(shí)將5 種特征選擇分布情況置于一張圖中，其中縱坐標(biāo)值按比例增加）。當(dāng)枸杞產(chǎn)地?cái)?shù)量為2時(shí)，相較于其他產(chǎn)地?cái)?shù)量所篩選的特征波段較少，其中5 種方法選擇的特征波長(zhǎng)都相對(duì)分散不連續(xù)。當(dāng)模型輸入為5 個(gè)產(chǎn)地枸杞樣本數(shù)據(jù)時(shí)所選的特征波長(zhǎng)相對(duì)較多，但僅占全光譜的14.3%～42.4%。可以發(fā)現(xiàn)不同的特征變量選擇方法將選取不同數(shù)量的特征波長(zhǎng)，因此確定最優(yōu)的變量選擇方法對(duì)于構(gòu)建高質(zhì)量判別模型至關(guān)重要。枸杞產(chǎn)地溯源的進(jìn)一步分類將使用基于選擇的特征波長(zhǎng)進(jìn)行PLS-DA建模。

圖5 不同方法選擇的特征波長(zhǎng)分布Fig.5 Distribution of characteristic wavelengths selected by different methods

2.4 簡(jiǎn)化模型

基于不同特征波長(zhǎng)選擇方法選取的特征波長(zhǎng)構(gòu)建多元化枸杞產(chǎn)地溯源PLS-DA判別模型，結(jié)果如表3所示。與全光譜PLS-DA模型性能相比，結(jié)果有所下降。由于特征波長(zhǎng)極大簡(jiǎn)化了分類模型，可能造成這種性能下降。整體來看，基于SPA篩選特征波長(zhǎng)建立的模型性能表現(xiàn)較差，主要原因是所篩選的波長(zhǎng)主要集中在900～1 000 nm，無法提供全部的有效信息。雖然使用CARS和IRIV選擇的波長(zhǎng)建模取得了優(yōu)異的結(jié)果，由于選擇的波長(zhǎng)較多不利于光譜檢測(cè)系統(tǒng)的開發(fā)，對(duì)于PSO-PLS-DA和CARS＋I(xiàn)RIV-PLS-DA模型表現(xiàn)出令人滿意的結(jié)果，所選的特征波長(zhǎng)僅占全波長(zhǎng)的15.6%～27.7%，在二元分類模型中預(yù)測(cè)集分類準(zhǔn)確率分別為96.0%和97.7%，在三元分類模型中預(yù)測(cè)集分類準(zhǔn)確率分別為90.0%和90.9%，在四元分類模型中預(yù)測(cè)集分類準(zhǔn)確率分別為86.7%和89.2%，在五元分類模型中仍取得84.1%和87.1%的分類結(jié)果。

表3 基于不同波長(zhǎng)選擇方法的最優(yōu)PLS-DA建模結(jié)果Table 3 Results of optimal PLS-DA models based on different wavelength selection methods

為了進(jìn)一步探索CARS＋I(xiàn)RIV-PLS-DA模型鑒別枸杞產(chǎn)地溯源的能力，圖6給出了該簡(jiǎn)化模型預(yù)測(cè)集的混淆矩陣、靈敏度和特異性以及Kappa系數(shù)計(jì)算結(jié)果。在混淆矩陣中，縱坐標(biāo)表示實(shí)際類，橫坐標(biāo)表示預(yù)測(cè)類。主對(duì)角線內(nèi)的值表示正確分類的樣本，主對(duì)角線外的值表示錯(cuò)誤分類的樣本。結(jié)果表明，內(nèi)蒙古和新疆枸杞樣本發(fā)生錯(cuò)誤分類數(shù)量最少（靈敏度均大于94%），可能由于內(nèi)蒙古和新疆枸杞相較于其他產(chǎn)地枸杞含糖量高，具有較好的區(qū)分性。還可以觀察到寧夏枸杞易被錯(cuò)誤分類成內(nèi)蒙古枸杞，在二元分類模型中由于模型簡(jiǎn)單寧夏枸杞的識(shí)別率高達(dá)96.7%。隨著輸入產(chǎn)地?cái)?shù)量的增加，寧夏枸杞識(shí)別率和Kappa系數(shù)整體呈下降趨勢(shì)，在五元分類模型中寧夏枸杞仍取得了82.7%的識(shí)別率。4 組簡(jiǎn)化模型的Kappa系數(shù)均超過0.83，說明分類模型具有較強(qiáng)的穩(wěn)定性和魯棒性。這些結(jié)果表明，CARS＋I(xiàn)RIV-PLS-DA模型在沒有任何化學(xué)或物理信息的情況下識(shí)別寧夏枸杞產(chǎn)地溯源具有巨大的潛力。

3 結(jié)論

鑒別枸杞產(chǎn)地的傳統(tǒng)方法耗時(shí)且具有破壞性和主觀性，因此，本研究旨在開發(fā)一種基于高光譜成像技術(shù)，從而快速、無損識(shí)別寧夏枸杞產(chǎn)地的檢測(cè)方法。通過高光譜成像采集寧夏、甘肅、內(nèi)蒙古、青海和新疆共2 250 個(gè)枸杞樣本，并從ROI提取光譜數(shù)據(jù)。研究發(fā)現(xiàn)相比于SNV、SNV結(jié)合去趨勢(shì)、一階導(dǎo)數(shù)和二階導(dǎo)數(shù)，NR可以更好地降低光譜噪聲和散射效應(yīng)。為了降低數(shù)據(jù)維度并進(jìn)一步減少建模時(shí)間，采用SPA、CARS、PSO、IRIV和CARS＋I(xiàn)RIV選擇特征波長(zhǎng)，并基于特征波長(zhǎng)建立PLS-DA判別模型。隨著枸杞產(chǎn)地?cái)?shù)量的增加，模型性能呈下降趨勢(shì)。當(dāng)僅輸入兩個(gè)枸杞產(chǎn)地?cái)?shù)量時(shí)，全光譜模型分類準(zhǔn)確率高達(dá)98.3%，鑒于實(shí)用性最佳簡(jiǎn)化模型CARS＋I(xiàn)RIV-PLS-DA分類準(zhǔn)確率高達(dá)97.7%。當(dāng)輸入為5 個(gè)枸杞產(chǎn)地?cái)?shù)量，簡(jiǎn)化模型CARS＋I(xiàn)RIV-PLS-DA仍能獲得87.1%的分類準(zhǔn)確率和0.839的Kappa系數(shù)。綜合分析表明，高光譜成像技術(shù)（400～1 000 nm）結(jié)合化學(xué)計(jì)量學(xué)方法可以作為一種快速、無損的檢測(cè)方法鑒別寧夏枸杞的真?zhèn)涡浴?/p>