靈芝是一種具有多種營養活性的中國傳統保健食品，多糖是其主要活性成分之一。本研究利用可見-近紅外高光譜成像技術無損預測靈芝生長過程中多糖含量，為靈芝栽培、采收提供新的監測技術。
華南農業大學電子工程學院（人工智能學院）趙靜副教授團隊，對我司可見-近紅外高光譜相機（GaiaField Pro-V10E）和近紅外雙高光譜相機（GaiaField Pro-N17E）采取聯用的形式，采集靈芝（赤芝）實體402.6-1005.5nm和887-1703nm的高光譜圖像，并獲取其多糖含量。圖1（a）為不同采摘時期的靈芝RGB圖片，圖1（b）為高光譜圖像采集系統及獲取數據流程。
圖1 光譜采集環境和樣品處理 (a). 四個時期的樣品RGB圖, (b). 高光譜圖像采集系統和ROI
高光譜圖像采集完畢后進行光譜校正，接著選取感興趣區域（ROI）提取原始光譜數據（如圖2所示），為了消除散射效應產生的影響，使用SNV和SG平滑對原始光譜進行預處理（如圖3所示），然后使用SPA篩選特征波段，利用偏*小二乘法（PLSR）構建多糖回歸模型。
圖2 不同ROI和光譜范圍的光譜反射率。（a）可見光中心區域的反射率，（b）近紅外中心區域的反射率，（c）可見光邊緣區域的反射率，（d）近紅外邊緣區域的反射率，（e）可見光子實體整體的反射率，（f）近紅外子實體整體的反射率。
圖3 近紅外子實體整體的反射率經過3種預處理的結果。（a）原始光譜，（b）SG平滑，（c）SNV，（d）先SG平滑后SNV。
針對不同ROI、不同光譜范圍和不同的光譜預處理方法得到的光譜數據進行建模，*終結果如表1所示。
表1 多糖預測結果
從上表可以看出單獨使用和所建立的回歸模型的效果也非常好，這說明靈芝子實體的中心區域和生長區域（邊緣區域）的光譜可以反映整個子實體的多糖含量。考慮到實際應用場景，使用子實體的整體區域能夠減少計算量，提高檢測效率，并且使用整體區域的光譜進行建模也是*合理的。*終，對整體區域的光譜結合使用SG平滑和SNV進行預處理，然后使用SPA提取特征波段，在可見光和近紅外波段范圍內得到的分別為0.9和0.924。圖4展示了這兩個模型的預測結果。
圖4 兩個模型的預測結果.（a）可見光，（b）近紅外
本文結合光譜成像技術和機器學習方法，建立靈芝子實體多糖含量預測模型。據我們所知，這是**將高光譜成像技術運用于靈芝多糖無損檢測，突破了靈芝原位檢測、低濃度多糖在體檢測兩大技術難題，為高品質靈芝栽培、*佳采收期確定提供了有效的技術方法。
通訊作者簡介：
趙靜，工學博士，華南農業大學副教授，碩士生導師。
參考文獻：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.
