金银花贮藏过程中绿原酸含量的高光谱无损检测(5)

式中Y为预测的CGA的值，X为UVE-CARS筛选得到的特征波长对应的光谱反射率。

比较BP神经网络模型效果可知，全光谱-BP模型校正集R2为0.989 8，RMSE为0.172 5%，预测集R2为0.977 1，RMSE为0.258 1%，模型精度较好。分析UVE-BP，CARS-BP，SPA-BP，UVE-CARS-BP和UVE- SPA-BP模型可知，UVE-CARS-BP模型的预测效果最好，其预测集R2为0.978 4，RMSE为0.250 3%，且仅有UVE-CARS-BP模型的预测精度优于全光谱-BP模型。因此，选定UVE-CARS-BP模型为最优BP模型。

图5为5种变量筛选方法提取的特征波长的分布图，分析最佳变量筛选方法UVE-CARS筛选的波长主要集中在520～660 nm，这可能与C-H键的伸缩振动有关[40]，且选取的750 nm和810 nm附近与CGA物质的C-H、O-H 键以及H2O分子的倍频吸收有关[41]。与UVE-CARS算法相比，基于UVE算法提取的特征波长变量建立的预测模型性能与其接近，但选取的波长变量数较多。SPA与UVE-SPA 2种算法，可能选取的波长数较少，不足以提取与CGA物质相关性较强的波长。虽然CARS算法提取的波长基本包含了所有的UVE-CARS提取的波长，但建立的CARS-模型的精度低于UVE-CARS模型的精度，这可能是由于CARS算法选择的特征波长除包含与CGA物质相关的有用信息外，同时也包含噪声信息[42]。

图5 不同变量筛选方法选取的特征波长变量Fig. 5 Selection of characteristic wavelength variables by different variable selection methods

综上可知，UVE-CARS方法是最佳的特征变量筛选方法，由UVE-CARS方法筛选的26个特征波长变量可以代替全光谱变量，非线性的BP神经网络模型更适应于金银花贮藏过程中CGA含量的预测，且UVE-CARS-BP模型为最优金银花CGA含量预测模型。基于SNV预处理后的光谱数据建立的UVE-CARS-BP模型的CGA含量的预测值和测量值的结果如图6所示，其预测集R2为0.978 4，RMSE为0.250 3%，回归方程为y=0.978 4x+ 0.097 0，拟合效果最佳。

图6 基于SNV预处理后的UVE-CARS-BP模型的CGA含量的预测值与测量值Fig. 6 Measured and predicted CGA content for UVE-CARS-BP model based on SNV preprocessed data

3 结 论

本研究采用HSI技术对金银花贮藏过程中CGA的含量进行定量检测，基于不同预处理方法和多种变量筛选方法，尝试建立预测能力较高的高光谱模型，为利用HSI技术对金银花贮藏过程中CGA含量测定和品质控制提供参考。主要结论如下：

1）为了降低仪器噪声、基线漂移等对原始光谱的影响，分析了SG、Moving average、SNV、BC、MSC、OSC这6种不同的光谱降噪方法，通过建立PLSR模型对比得出，经SNV预处理后的光谱数据建立的PLSR的模型精度最高，预测集R2为0.977 6，RMSE为0.271 1%，表明SNV方法的降噪效果最好，可以显著提高模型的精度，其被确定为最佳的预处理方法用于后续的建模分析。

2）探讨了基于UVE，CARS，SPA，UVE-CARS和UVE-SPA这5种变量筛选方法对模型的性能的影响，发现UVE-CARS为最佳的变量筛选方法，基于UVE-CARS筛选的特征波长变量建立的PLSR和BP模型的预测集R2分别为0.974 6和0.978 4，RMSE分别为0.286 3%和0.250 3%。

3）对比线性PLSR模型与BP神经网络模型的精度发现，BP神经网络模型的性能整体优于PLSR模型，其中SNV-UVE-CARS-BP模型精度最好，预测集R2为0.978 4，RMSE为0.250 3%。

在今后的工作中将扩大试验样本的多样化，收集不同地区，不同批次的金银花原料，解决同一地区相同批次样品之间较小差异导致提高模型泛化能力的问题。此外，本研究中未涉及金银花的图像信息，而图谱融合能够提供更多的有用信息，因此，在未来的工作中，将基于光谱信息与图像信息的有效融合来进一步研究金银花中CGA含量的快速无损检测方法。

刘云宏，王庆庆，石晓微，高秀薇.金银花贮藏过程中绿原酸含量的高光谱无损检测模型研究[J]. 农业工程学报，2019，35(13)：291－299. doi：10./

Liu Yunhong, Wang Qingqing, Shi Xiaowei, Gao nondestructive detection model of chlorogenic acid content during storage of honeysuckle[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(13): 291－299. (in Chinese with English abstract) doi：10./

0 引 言

金银花为忍冬科植物忍冬的干燥花蕾，富含酚类、环烯醚萜类、黄酮类、精油等多种活性成分，具有抗菌消炎、清热解毒等功效[1-2]。绿原酸（chlorogenic acid，CGA）是金银花中的主要药用成分之一，具有抗病毒、抗真菌等功效，在抵抗心血管疾病、癌症和糖尿病等慢性疾病方面也有重要作用[3-4]。化学和药理研究表明，CGA含量高低是评价金银花药材质量优劣的重要标志[5-6]。而CGA由于活性强、易氧化，容易在金银花贮藏过程中不断降解。因此，实现金银花在贮藏过程中CGA含量的准确、可靠、快速、无损检测，对监测和保证金银花的药效品质十分重要。高效液相色谱（high performance liquid chromatography，HPLC）、液相色谱-质谱联用和紫外分光光度计等常用的CGA含量测定方法，虽然能够实现准确测定，但具有耗时、费力、化学试剂使用量大等缺陷，难以实现CGA的快速无损检测。白雁等[7]和郝海群[8]分别利用近红外光谱分析技术(near infrared spectroscopy，NIRS)对金银花中CGA含量进行检测，表明NIRS可用于快速测定金银花中CGA的含量。但在上述NIRS检测金银花中CGA的研究中，都对金银花样品进行了粉碎处理，未能保证样品的完整性、无损性。另一方面，利用NIRS采集的金银花样品的光谱数据量较大，维度较高，且未采用数据降维方法，不利于在线检测[9]。因此，采用多种变量筛选及其变量方法之间的融合对光谱数据降维，选取特征光谱变量，可以降低模型的复杂度，对后续建模分析非常重要[10]。

文章来源：《无损检测》 网址: http://www.wsjczzs.cn/qikandaodu/2021/0310/422.html