通过基于集体学习的综合超光谱和X射线技术,通过在人参中非破坏性地确定人参化物

科学领域:

• 农业科学 农业科学
• 分析化学 分析化学
• 生物技术是生物技术.

背景情况:

• 人参的质量对于其药用价值至关重要.
• 需要准确和非破坏性的方法来评估人参的活性化合物.
• 人参化物是决定人参功效的关键生物活性成分.

研究的目的:

• 调查超光谱成像和X射线技术的潜力,以在人参中非破坏性地确定特定的人参化物 (Rg1+Re和Rb1).
• 开发和优化使用光谱和图像数据对金氏含量的预测模型.
• 评估结合多个数据源的综合模型的性能.

主要方法:

• 使用超光谱成像来获取光谱数据.
• 随机森林 (RF) 模型被开发用于从光谱信息中预测人参化物含量.
• 使用数据预处理和特征选方法来优化射频模型.
• 使用X射线成像来提取密度信息.
• 部分最小平方回归 (PLSR) 模型与特征选一起使用,以确定相关的超谱图像特征 (颜色,纹理).
• 建立了单变线性回归模型,以将X射线密度与人参胺含量相关联.
• 一个集成的学习模型结合了来自高光谱成像和X射线技术的数据.

主要成果:

• 优化的射频模型从高光谱数据中有效预测了人参酸含量.
• 在X射线图像密度和人参胺含量之间发现了显著的正相关性.
• 与使用单个数据源的模型相比,集成学习模型显示出更高的预测性能.
• 实现了Rg1+Re (R2p=0.8691,RMSEP=0.0439%) 和Rb1 (R2p=0.8291,RMSEP=0.0803%) 的特定预测指标.

结论:

• 超光谱成像和X射线技术对于对人参品质的非破坏性评估是非常可行的.
• 综合方法提供了一种可靠的方法来量化人参中的关键人参化物.
• 这种方法可以促进人参产品的标准化质量控制和认证.