利用高光谱成像技术的灵芝子实体多糖含量无损预测

      

灵芝是一种具有多种营养活性的中国传统保健食品,多糖是其主要活性成分之一。本研究利用可见-近红外高光谱成像技术无损预测灵芝生长过程中多糖含量,为灵芝栽培、采收提供新的监测技术。

华南农业大学电子工程学院(人工智能学院)赵静副教授团队,对我司可见-近红外高光谱相机(GaiaField Pro-V10E)和近红外双高光谱相机(GaiaField Pro-N17E)采取联用的形式,采集灵芝(赤芝)实体402.6-1005.5nm887-1703nm的高光谱图像,并获取其多糖含量。图1a)为不同采摘时期的灵芝RGB图片,1b)为高光谱图像采集系统及获取数据流程。

 

1 光谱采集环境和样品处理 (a). 四个时期的样品RGB, (b). 高光谱图像采集系统和ROI

高光谱图像采集完毕后进行光谱校正,接着选取感兴趣区域(ROI)提取原始光谱数据(如图2所示),为了消除散射效应产生的影响,使用SNVSG平滑对原始光谱进行预处理(如图3所示),然后使用SPA筛选特征波段,利用偏*小二乘法(PLSR)构建多糖回归模型。

 

2 不同ROI和光谱范围的光谱反射率。(a)可见光中心区域的反射率,(b)近红外中心区域的反射率,(c)可见光边缘区域的反射率,(d)近红外边缘区域的反射率,(e)可见光子实体整体的反射率,(f)近红外子实体整体的反射率。

 

3 近红外子实体整体的反射率经过3种预处理的结果。(a)原始光谱,(bSG平滑,(cSNV,(d)先SG平滑后SNV。

针对不同ROI、不同光谱范围和不同的光谱预处理方法得到的光谱数据进行建模,*终结果如表1所示。

1 多糖预测结果


从上表可以看出单独使用所建立的回归模型的效果也非常好,这说明灵芝子实体的中心区域和生长区域(边缘区域)的光谱可以反映整个子实体的多糖含量。考虑到实际应用场景,使用子实体的整体区域能够减少计算量,提高检测效率,并且使用整体区域的光谱进行建模也是*合理的。*终,对整体区域的光谱结合使用SG平滑和SNV进行预处理,然后使用SPA提取特征波段,在可见光和近红外波段范围内得到的分别为0.90.924。图4展示了这两个模型的预测结果。

4 两个模型的预测结果.a)可见光,(b)近红外

本文结合光谱成像技术和机器学习方法,建立灵芝子实体多糖含量预测模型。据我们所知,这是**将高光谱成像技术运用于灵芝多糖无损检测,突破了灵芝原位检测、低浓度多糖在体检测两大技术难题,为高品质灵芝栽培、*佳采收期确定提供了有效的技术方法。

通讯作者简介:

赵静,工学博士,华南农业大学副教授,硕士生导师。

参考文献:Liu, Y., Long, Y., Liu, H., Lan, Y., Long, T., Kuang, R., ... & Zhao, J. (2022). Polysaccharide prediction in Ganoderma lucidum fruiting body by hyperspectral imaging. Food chemistry: X, 13, 100199.

产品搜索
联系方式
产品目录
Copyright@ 2003-2024  江苏双利合谱科技有限公司版权所有        
 

川公网安备 51011202000202号