摘要：目的 以冬蟲(chóng)夏草粉末為研究對(duì)象，利用高光譜成像技術(shù)建立對(duì)冬蟲(chóng)夏草粉末的真假鑒別及含量判斷的無(wú)損檢測(cè)模型。方法 將真?zhèn)螛悠贩勰┓謩e按9：1、8：2、7：3、6：4、5：5等不同比例進(jìn)行混合，通過(guò)光譜范圍為940 nm~2500 nm的高光譜成像儀分別獲取真?zhèn)螛悠贰⒉煌壤鎮(zhèn)位旌蠘悠返母吖庾V影像數(shù)據(jù)，經(jīng)過(guò)主成分分析（PCA）初步判別真?zhèn)螛悠返牟町愋裕俳Y(jié)合偏最小二乘法（PLS）對(duì)真?zhèn)畏勰悠返暮窟M(jìn)行分析判斷。結(jié)果 不同比例真?zhèn)位旌衔镏卸x(chóng)夏草粉末的識(shí)別度為97.0%-98.78%，偽冬蟲(chóng)夏草粉末的識(shí)別度為83.10%-99.3%。 結(jié)論 基于高光成像技術(shù)可以實(shí)現(xiàn)對(duì)冬蟲(chóng)夏草粉的真假辨別，并可準(zhǔn)確地判別出冬蟲(chóng)夏草粉末的有效含量。

關(guān)鍵詞： 高光譜成像技術(shù)；冬蟲(chóng)夏草粉末；真假鑒別；含量判斷

冬蟲(chóng)夏草最初載于《本草從新》[1]，主產(chǎn)于我國(guó)四川、云南、青海、西藏、甘肅等省區(qū)，是我國(guó)名貴中藥材之一。與人參、鹿茸并稱為補(bǔ)品“三寶”，具有良好的醫(yī)療保健作用。由于冬蟲(chóng)夏草人工撫育技術(shù)尚未突破，其來(lái)源僅靠野生采挖，產(chǎn)量較少，價(jià)格昂貴，少數(shù)不法分子為謀取暴利而采取以次充好、摻假充真等手段，導(dǎo)致市場(chǎng)上冬蟲(chóng)夏草的各種偽品層出不窮，嚴(yán)重危害消費(fèi)者和患者的身體健康。因此，*蟲(chóng)草的品種鑒定研究，準(zhǔn)確地判定其來(lái)源，對(duì)藥品的監(jiān)督和檢驗(yàn)顯得尤為必要。

本文運(yùn)用近紅外高光譜成像技術(shù)對(duì)冬蟲(chóng)夏草粉末的真假鑒別及含量進(jìn)行無(wú)損檢測(cè)的判斷。與傳統(tǒng)的中藥檢測(cè)技術(shù)如色譜法、質(zhì)譜法和光譜法[ 2-4] 等方法相比，高光譜成像技術(shù)把二維成像和光譜技術(shù)融為一體，其高光譜數(shù)據(jù)包含光譜和圖像信息，可以同時(shí)表征被測(cè)對(duì)象的外部特征和內(nèi)部信息，優(yōu)勢(shì)在于采集到的圖像信息量豐富，識(shí)別度較高和數(shù)據(jù)描述模型多。由于物體的反射光譜具有“指紋”效應(yīng)，不同物不同譜，同物一定同譜的原理來(lái)分辨不同的物質(zhì)信息，它不追求單一成分的控制，其整體性和模糊性可以提供豐富的中藥信息，能夠更加有效地體現(xiàn)中藥成分的綜合作用，從而更好地鑒別中藥真?zhèn)?，評(píng)價(jià)中藥質(zhì)量。高光譜技術(shù)近年來(lái)逐漸受到生物醫(yī)學(xué)、精細(xì)農(nóng)業(yè)、食品安全等許多領(lǐng)域的重視。例如，外在品質(zhì)檢測(cè)如水果、蔬菜表面損傷、淤痕[5-6]；內(nèi)部品質(zhì)檢測(cè)如水果的可溶性固體含量、水分含量、堅(jiān)硬程度[7-8]，豬肉的嫩度[9-10]，鱈魚(yú)的新鮮程度[11]，菠菜葉片硝酸鹽含量等[12]；食品安全檢測(cè)主要指食品中是否含有可能損害或威脅人體健康的物質(zhì)，如蘋果、哈密瓜表面排泄物污染檢測(cè)[13-15]，雞肉排泄物污染檢測(cè)[16]，玉米、辣椒等黃曲霉毒素檢測(cè)等。

本研究利用高光譜成像儀“圖譜合一”的特點(diǎn)，分析冬蟲(chóng)夏草粉末、蛹蟲(chóng)草粉末、地蠶粉末的光譜差異，以期準(zhǔn)確地判別出混合粉末中冬蟲(chóng)夏草粉末的有效含量。

1  儀器與試劑

高光譜成像數(shù)據(jù)采集采用江蘇雙利合譜科技有限公司的GaiaSorter高光譜分選儀系統(tǒng)。該系統(tǒng)主要由高光譜成像儀，CCD相機(jī)、光源、暗箱、平移臺(tái)、計(jì)算機(jī)組成。

蟲(chóng)草粉樣品是由青海唐古拉藥業(yè)公司提供，其中包括3個(gè)標(biāo)準(zhǔn)樣品，2個(gè)偽品（分別為地蠶、蛹蟲(chóng)草）。

2  實(shí)驗(yàn)方法

2.1 樣品的采集與處理

  將青海唐古拉藥業(yè)公司提供的樣品粉末各取5g放置于培養(yǎng)皿上，標(biāo)號(hào)，用于高光譜相機(jī)的光譜采集。其中偽品2個(gè)標(biāo)號(hào)為9號(hào)、10號(hào)（分別為地蠶、蛹蟲(chóng)草），3個(gè)標(biāo)準(zhǔn)樣品6號(hào)、7號(hào)、8號(hào)，同時(shí)將8號(hào)與10號(hào)樣品粉末分別以9：1、8：2、7：3、6：4、5：5等不同比例進(jìn)行混合，得到1~5號(hào)樣品。

 2.2 高光譜數(shù)據(jù)的采集

樣品的采集高光譜成像系統(tǒng)，掃描方式為推掃式成像技術(shù)，該儀器的光譜掃描范圍為940 nm ~2500 nm，每個(gè)樣品的采樣間隔為2.5 nm，每個(gè)樣品的測(cè)定速度一般小于 1分鐘。在獲取樣品的高光譜影像后，需要對(duì)采集的光譜圖像進(jìn)行圖像校正才能得到樣品的反射率，圖像校正公式如下：

式中，R_ref 是校正過(guò)的圖像，DN_raw是原始圖像，DN_white為白板校正圖像，DN_dark是黑板校正圖像。

樣品的典型高光譜如圖1所示。紅色為8號(hào)樣品、藍(lán)色和綠色分別為9號(hào)、10號(hào)樣品。

圖1  8號(hào)、9號(hào)、10號(hào)樣品典型光譜

Fig.1  Reflectance spectra of the 8號(hào)、9號(hào)、10號(hào) samples

3結(jié)果與分析

3.1 主成份分析

由于主成分圖像都是由原始數(shù)據(jù)中的各個(gè)波段下的圖像經(jīng)過(guò)線性組合而成，根據(jù) （其中，為第m個(gè)主成分，為該主成分的權(quán)重系數(shù)，為單個(gè)波段的原始圖像）。比較該線性組合的權(quán)重系數(shù)，如果權(quán)重系數(shù)絕對(duì)值越大，對(duì)主成分圖像貢獻(xiàn)就越大。最大權(quán)重系數(shù)所對(duì)應(yīng)的波長(zhǎng)下的圖像為最佳特征波長(zhǎng)圖像。為了選取最佳的波長(zhǎng)組合，必須保證它們的權(quán)重系數(shù)絕對(duì)值盡可能大，同時(shí)還要保證它們之間有一定的波長(zhǎng)間隔。將測(cè)試原始數(shù)據(jù)進(jìn)行降噪處理后，通過(guò)主成分分析變換（PCA）進(jìn)行背景扣除后，再次進(jìn)行主成分分析變換（PCA）后結(jié)果如圖2所示。

  圖2 主成分分析的結(jié)果

  Fig. 2  The results of principal component analysis

通過(guò)主成分分析，可以明顯將9號(hào)、10號(hào)兩個(gè)偽樣品與其它樣品進(jìn)行區(qū)分，由此可以判斷9號(hào)與10號(hào)樣品為偽樣品。

3.2 偏最小二乘法

偏最小二乘法（PLS）是一種數(shù)學(xué)優(yōu)化的技術(shù)，它主要是通過(guò)最小化誤差的平方和來(lái)找到一組數(shù)據(jù)的最佳函數(shù)匹配，然后用最簡(jiǎn)的方法求得一些絕對(duì)不可知的真值，而令誤差平方之和為最小。偏最小二乘法（PLS）就相當(dāng)于將多元線性回歸分析、典型的相關(guān)分析以及主成分分析方法融合在一起的數(shù)學(xué)方法。偏最小二乘法（PLS）主要是通過(guò)主成分分析法將多為空間數(shù)據(jù)的曲線壓縮到較低維的空間數(shù)據(jù)上，使其原曲線分解為多種主成分分析曲線，而不同的曲線的主成分分別代表不同的主分和因素間對(duì)曲線的貢獻(xiàn)率，選取貢獻(xiàn)率較大的主成分，去除有干擾組分和干擾因素的主成分，僅僅將貢獻(xiàn)率較高的主成分與質(zhì)量參數(shù)進(jìn)行回歸。

本研究將8號(hào)樣品與10號(hào)樣品的粉末分別按9：1、8：2、7：3、6：4、5：5等不同比例進(jìn)行混合，得到1~5號(hào)樣品。將1～5號(hào)樣品作為未知樣品進(jìn)行偏最小二乘法變換（PLS）實(shí)現(xiàn)分類判別，判斷8號(hào)與10號(hào)樣品的混合比例，結(jié)果如下表1-表5所示。

從表1到表5可知，1號(hào)到5號(hào)樣品中8號(hào)樣品冬蟲(chóng)夏草粉末的成分識(shí)別度在97.0%到98.78%之間；蛹蟲(chóng)草粉末的成分識(shí)別度在83.10%到99.3%之間；未識(shí)別成分所占比例在0.57%到0.84%之間。

從總體上看，基于PCA變換后的高光譜影像，利用偏最小二乘法可準(zhǔn)確地識(shí)別出肉眼無(wú)法分辨的冬蟲(chóng)夏草和蛹蟲(chóng)草粉末。其中當(dāng)冬蟲(chóng)夏草和蛹蟲(chóng)草粉末進(jìn)行9：1混合時(shí)，91.1%識(shí)別為冬蟲(chóng)夏草粉末，8.31%識(shí)別為蛹蟲(chóng)草粉末，未識(shí)別成分占0.59%；當(dāng)冬蟲(chóng)夏草和蛹蟲(chóng)草粉末按8：2混合時(shí)，78.26%識(shí)別為冬蟲(chóng)夏草粉末，20.14%識(shí)別為蛹蟲(chóng)草粉末，未識(shí)別成分占0.60%；當(dāng)冬蟲(chóng)夏草和蛹蟲(chóng)草粉末按7：3混合時(shí)，71.47%識(shí)別為冬蟲(chóng)夏草粉末，28.80%識(shí)別為蛹蟲(chóng)草粉末，未識(shí)別成分占0.73%；當(dāng)冬蟲(chóng)夏草和蛹蟲(chóng)草粉末按6：4混合時(shí)，59.04%識(shí)別為冬蟲(chóng)夏草粉末，40.36%識(shí)別為蛹蟲(chóng)草粉末，未識(shí)別成分占0.57%；當(dāng)冬蟲(chóng)夏草和蛹蟲(chóng)草粉末按5：5混合時(shí)，51.50%識(shí)別為冬蟲(chóng)夏草粉末，47.66%識(shí)別為蛹蟲(chóng)草粉末，未識(shí)別成分占0.84%。

表1 1號(hào)分類判別結(jié)果

Tab.1 The result of No.1 Classification

表2 2號(hào)分類判別結(jié)果

Tab.2 The result of No.2 Classification

表3 3號(hào)分類判別結(jié)果

Tab.3 The result of No.3 Classification

表4 4號(hào)分類判別結(jié)果

Tab.4 The result of No.4 Classification

表5 5號(hào)分類判別結(jié)果

Tab.5 The result of No.5 Classification

4 討論

通過(guò)以上對(duì)冬蟲(chóng)夏草粉末樣品在近紅外波段的反射高光譜圖像采集，經(jīng)過(guò)主成分分析，可有效的對(duì)冬蟲(chóng)夏草粉末的真?zhèn)芜M(jìn)行初步的鑒別。進(jìn)一步通過(guò)偏最小二乘法分析對(duì)樣品區(qū)域進(jìn)行分析判斷，可對(duì)樣品的有效成分含量進(jìn)行鑒別，其中冬蟲(chóng)夏草粉末的成分識(shí)別度在97.0%到98.78%之間；蛹蟲(chóng)草粉末的成分識(shí)別度在83.10%到99.3%之間。但由于目前樣品采樣數(shù)量較小，對(duì)于成分含量判斷的準(zhǔn)確性還需進(jìn)一步實(shí)驗(yàn)驗(yàn)證。

實(shí)驗(yàn)初步驗(yàn)證了高光譜成像技術(shù)在蟲(chóng)草粉末鑒別的可行性。進(jìn)一步還需通過(guò)實(shí)驗(yàn)和分析判斷出理想的特征波段，以降低數(shù)據(jù)采集量，并進(jìn)一步優(yōu)化數(shù)據(jù)分析模型與數(shù)據(jù)處理速度，從而達(dá)到在線檢測(cè)的速度與準(zhǔn)確性要求。

REFERENCES

1. 張白翟,愛(ài)華.中藥冬蟲(chóng)夏草的真?zhèn)舞b別[J]. 學(xué)員天地,2005,12(3):58.
2. 聶黎行,王鋼力,李志猛等. 近紅外光譜法在中藥生產(chǎn)過(guò)程分析中的應(yīng)用[J]. 光學(xué)學(xué)報(bào), 2009, 29( 2): 541-547.
3. 毛佩芝,楊凱,金葉,劉雪松,王龍虎.近紅外光譜法快速測(cè)定野菊花藥材中水分及蒙花苷含量[J]. 中國(guó)現(xiàn)代應(yīng)用藥學(xué). 2015，32(12)：1428-1432
4. 白雁,劉建營(yíng),雷敬衛(wèi),謝彩俠,陳志紅,龔海燕. 近紅外光譜技術(shù)快速測(cè)定杞菊地黃丸的水分含量[J]. 中國(guó)現(xiàn)代應(yīng)用藥學(xué). 2013，30(01):52-54
5. NICOLA B,LTZE E,PEIRS A. Non-destructive measurement of bitter pit in apple fruit using NIR hyperspectral imaging[J]. Postharvest Biology and Technology, 2006, 40: 1-6.
6. XING J,BRAVO C,JANCSÓK P T,et al. Detecting bruises on “golden delicious”apples using hyperspectral imaging with multiple wavebands[J].Biosystems Engineering, 2005, 90: 27-36.
7. RAJKUMAR P, WANG N, EIMASRY G. Studies on banana fruit quality and maturity stages using hyperspectral imaging[J]. Journal of Food Engineering, 2012,108: 194-200.
8. 吳建虎,彭彥昆,陳菁菁,等. 基于高光譜散射特征的牛肉品質(zhì)參數(shù)的預(yù)測(cè)研究[J]. 光譜學(xué)與光譜分析, 2010, 30( 7) :1815-1 819．
9. WU J H,PENG Y K,LI Y Y,et al. Prediction of beef quality attributes using vis/nir hyperspectral scattering imaging technique[J]．Journal of Food Engineering,2012,109( 2):267- 273．
10. SIVERTSEN A H,KIMIYA T,HEIA K. Automatic freshness assessment of cod(gadus morhua) fillets byvis/nir spectroscopy [J]. Journal of Food Engineering, 2011, 103: 317-323.
11. 薛利紅,楊林章. 基于可見(jiàn)近紅外高光譜的菠菜硝酸鹽快速無(wú)損測(cè)定研究[J]. 光譜學(xué)與光譜分析, 2009, 29(4):926-930.
12. VARGAS A M,KIM M S,TAO Y,et al. Detection of fecal contamination on cantaloupes using hyperspectral fluorescence imagery[J]. Journal of Food Science, 2005,70: E471-E476.
13. Lefcout A M, Kim M S. Technique for normalizing intensity histograms of images when approximate size of the target is known: detection of feces on apples using fluorescence imaging[J]. Computers and Electronics in Agriculture, 2006, 50:135-147.
14. LEFCOUT A M, KIM M S. Technique for normalizing intensity histograms of images when approximate size of the target is known: detection of feces on apples using fluorescence imaging [J]. Computers and Electronics in Agriculture,2006,50:135-147.
15. PARK B,WINDHAM W R,LAWRENCE K C, et al. Contaminant classification of poultry hyperspectral imagery using a spectral angle mapper algorithm[J]. Biosystems Engineering, 2007, 96:323-333.
16. YAO H, HRUSKA Z,BROWN R L,et al. Hyperspectral bright greenish - yellow fluorescence(bgyf) imaging of aflatoxin contaminated corn kernels[J].  Proceedings of the SPIE, 2006, 6381: 63810B1-63810B8.