[基于高光谱成像技术的Poria cocos的起源鉴定]
Xue Sun1, Deng-Ting Zhang2, Hui Wang1
1State Key Laboratory for Quality Ensurance and Sustainable Use of Dao-di Herbs,National Resource Center for Chinese Materia Medica,China Academy of Chinese Medical Sciences Beijing 100700,China.
概括
超光谱成像和机器学习准确地确定了Poria cocos的起源. 这种非破坏性的方法,使用线性支向量机 (LinearSVC) 和光谱数据,可以快速,基于批次的区分P. cocos来自不同地区.
科学领域:
- 农业科学 农业科学
- 频谱学是一种光谱学.
- 机器学习 机器学习
背景情况:
- 准确地区分Poria cocos的原产地对于质量控制和有针对性的研究至关重要.
- 对于P. cocos原产地识别的传统方法通常是破坏性的,耗时的,并且对于批量加工缺乏效率.
研究的目的:
- 开发一种非破坏性,快速和准确的方法,使用高光谱成像和机器学习来对Poria cocos原产地进行歧视.
- 建立和评估基于不同频段和预处理技术的光谱数据的P. cocos原产地识别模型.
主要方法:
- 超光谱数据 (可见和近红外,短波红外波段) 从七个省份的P. cocos样本中收集.
- 光谱数据经历了各种预处理技术,包括乘数散射校正 (MSC),标准正常变量 (SNV),S-G平滑 (SGS),第一导数 (FD) 和第二导数 (SD).
- 原产地识别模型是使用部分最小方程差异分析 (PLS-DA) 和线性支向量机 (LinearSVC) 构建的,基于省,县和批量原产地进行分类. 模型性能使用F1分数进行评估.
主要成果:
- 采用第一导数 (FD) 预处理与线性SVC相结合的最佳模型实现了高预测准确率:99.28% (省),98.55% (县) 和97.45% (批量).
- 这些车型的相应F1总分分别为99.16%,98.59%和97.58%,表现出色的性能.
- 超光谱成像与线性SVC相结合,证明了对来自不同来源的P. cocos的非破坏性,准确和快速批量识别的有效性.
结论:
- 超光谱成像技术与LinearSVC相结合,为Poria cocos的非破坏性,准确和快速来源识别提供了一个强大的解决方案.
- 开发的模型有助于有效的批量加工和质量控制,支持针对性的Poria cocos.研究和生产.
- 这种方法对农业行业有好处,可以更好地管理和利用Poria cocos资源.
