摘要：目的 以冬蟲夏草粉末為研究對象，利用高光譜成像技術建立對冬蟲夏草粉末的真假鑒別及含量判斷的無損檢測模型。方法 將真偽樣品粉末分別按9：1、8：2、7：3、6：4、5：5等不同比例進行混合，通過光譜范圍為940 nm~2500 nm的高光譜成像儀分別獲取真偽樣品、不同比例真偽混合樣品的高光譜影像數據，經過主成分分析（PCA）初步判別真偽樣品的差異性，再結合偏最小二乘法（PLS）對真偽粉末樣品的含量進行分析判斷。結果 不同比例真偽混合物中冬蟲夏草粉末的識別度為97.0%-98.78%，偽冬蟲夏草粉末的識別度為83.10%-99.3%。 結論 基于高光成像技術可以實現對冬蟲夏草粉的真假辨別，并可準確地判別出冬蟲夏草粉末的有效含量。

關鍵詞： 高光譜成像技術；冬蟲夏草粉末；真假鑒別；含量判斷

冬蟲夏草最初載于《本草從新》[1]，主產于我國四川、云南、青海、西藏、甘肅等省區，是我國名貴中藥材之一。與人參、鹿茸并稱為補品“三寶”，具有良好的醫療保健作用。由于冬蟲夏草人工撫育技術尚未突破，其來源僅靠野生采挖，產量較少，價格昂貴，少數不法分子為謀取暴利而采取以次充好、摻假充真等手段，導致市場上冬蟲夏草的各種偽品層出不窮，嚴重危害消費者和患者的身體健康。因此，完善蟲草的品種鑒定研究，準確地判定其來源，對藥品的監督和檢驗顯得尤為必要。

本文運用近紅外高光譜成像技術對冬蟲夏草粉末的真假鑒別及含量進行無損檢測的判斷。與傳統的中藥檢測技術如色譜法、質譜法和光譜法[ 2-4] 等方法相比，高光譜成像技術把二維成像和光譜技術融為一體，其高光譜數據包含光譜和圖像信息，可以同時表征被測對象的外部特征和內部信息，優勢在于采集到的圖像信息量豐富，識別度較高和數據描述模型多。由于物體的反射光譜具有“指紋”效應，不同物不同譜，同物一定同譜的原理來分辨不同的物質信息，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中藥成分的綜合作用，從而更好地鑒別中藥真偽，評價中藥質量。高光譜技術近年來逐漸受到生物醫學、精細農業、食品安全等許多領域的重視。例如，外在品質檢測如水果、蔬菜表面損傷、淤痕[5-6]；內部品質檢測如水果的可溶性固體含量、水分含量、堅硬程度[7-8]，豬肉的嫩度[9-10]，鱈魚的新鮮程度[11]，菠菜葉片硝酸鹽含量等[12]；食品安全檢測主要指食品中是否含有可能損害或威脅人體健康的物質，如蘋果、哈密瓜表面排泄物污染檢測[13-15]，雞肉排泄物污染檢測[16]，玉米、辣椒等黃曲霉毒素檢測等。

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

1  儀器與試劑

高光譜成像數據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。該系統主要由高光譜成像儀，CCD相機、光源、暗箱、平移臺、計算機組成。

蟲草粉樣品是由青海唐古拉藥業公司提供，其中包括3個標準樣品，2個偽品（分別為地蠶、蛹蟲草）。

2  實驗方法

2.1 樣品的采集與處理

  將青海唐古拉藥業公司提供的樣品粉末各取5g放置于培養皿上，標號，用于高光譜相機的光譜采集。其中偽品2個標號為9號、10號（分別為地蠶、蛹蟲草），3個標準樣品6號、7號、8號，同時將8號與10號樣品粉末分別以9：1、8：2、7：3、6：4、5：5等不同比例進行混合，得到1~5號樣品。

 2.2 高光譜數據的采集

樣品的采集高光譜成像系統，掃描方式為推掃式成像技術，該儀器的光譜掃描范圍為940 nm ~2500 nm，每個樣品的采樣間隔為2.5 nm，每個樣品的測定速度一般小于 1分鐘。在獲取樣品的高光譜影像后，需要對采集的光譜圖像進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號樣品、藍色和綠色分別為9號、10號樣品。

圖1  8號、9號、10號樣品典型光譜

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

3結果與分析

3.1 主成份分析

由于主成分圖像都是由原始數據中的各個波段下的圖像經過線性組合而成，根據 （其中，為第m個主成分，為該主成分的權重系數，為單個波段的原始圖像）。比較該線性組合的權重系數，如果權重系數絕對值越大，對主成分圖像貢獻就越大。最大權重系數所對應的波長下的圖像為最佳特征波長圖像。為了選取最佳的波長組合，必須保證它們的權重系數絕對值盡可能大，同時還要保證它們之間有一定的波長間隔。將測試原始數據進行降噪處理后，通過主成分分析變換（PCA）進行背景扣除后，再次進行主成分分析變換（PCA）后結果如圖2所示。

  圖2 主成分分析的結果

  Fig. 2  The results of principal component analysis

通過主成分分析，可以明顯將9號、10號兩個偽樣品與其它樣品進行區分，由此可以判斷9號與10號樣品為偽樣品。

3.2 偏最小二乘法

偏最小二乘法（PLS）是一種數學優化的技術，它主要是通過最小化誤差的平方和來找到一組數據的最佳函數匹配，然后用最簡的方法求得一些絕對不可知的真值，而令誤差平方之和為最小。偏最小二乘法（PLS）就相當于將多元線性回歸分析、典型的相關分析以及主成分分析方法融合在一起的數學方法。偏最小二乘法（PLS）主要是通過主成分分析法將多為空間數據的曲線壓縮到較低維的空間數據上，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曲線的貢獻率，選取貢獻率較大的主成分，去除有干擾組分和干擾因素的主成分，僅僅將貢獻率較高的主成分與質量參數進行回歸。

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

從表1到表5可知，1號到5號樣品中8號樣品冬蟲夏草粉末的成分識別度在97.0%到98.78%之間；蛹蟲草粉末的成分識別度在83.10%到99.3%之間；未識別成分所占比例在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確地識別出肉眼無法分辨的冬蟲夏草和蛹蟲草粉末。其中當冬蟲夏草和蛹蟲草粉末進行9：1混合時，91.1%識別為冬蟲夏草粉末，8.31%識別為蛹蟲草粉末，未識別成分占0.59%；當冬蟲夏草和蛹蟲草粉末按8：2混合時，78.26%識別為冬蟲夏草粉末，20.14%識別為蛹蟲草粉末，未識別成分占0.60%；當冬蟲夏草和蛹蟲草粉末按7：3混合時，71.47%識別為冬蟲夏草粉末，28.80%識別為蛹蟲草粉末，未識別成分占0.73%；當冬蟲夏草和蛹蟲草粉末按6：4混合時，59.04%識別為冬蟲夏草粉末，40.36%識別為蛹蟲草粉末，未識別成分占0.57%；當冬蟲夏草和蛹蟲草粉末按5：5混合時，51.50%識別為冬蟲夏草粉末，47.66%識別為蛹蟲草粉末，未識別成分占0.84%。

表1 1號分類判別結果

Tab.1 The result of No.1 Classification

表2 2號分類判別結果

Tab.2 The result of No.2 Classification

表3 3號分類判別結果

Tab.3 The result of No.3 Classification

表4 4號分類判別結果

Tab.4 The result of No.4 Classification

表5 5號分類判別結果

Tab.5 The result of No.5 Classification

4 討論

通過以上對冬蟲夏草粉末樣品在近紅外波段的反射高光譜圖像采集，經過主成分分析，可有效的對冬蟲夏草粉末的真偽進行初步的鑒別。進一步通過偏最小二乘法分析對樣品區域進行分析判斷，可對樣品的有效成分含量進行鑒別，其中冬蟲夏草粉末的成分識別度在97.0%到98.78%之間；蛹蟲草粉末的成分識別度在83.10%到99.3%之間。但由于目前樣品采樣數量較小，對于成分含量判斷的準確性還需進一步實驗驗證。

實驗初步驗證了高光譜成像技術在蟲草粉末鑒別的可行性。進一步還需通過實驗和分析判斷出理想的特征波段，以降低數據采集量，并進一步優化數據分析模型與數據處理速度，從而達到在線檢測的速度與準確性要求。

REFERENCES

1. 張白翟,愛華.中藥冬蟲夏草的真偽鑒別[J]. 學員天地,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過程分析中的應用[J]. 光學學報, 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定野菊花藥材中水分及蒙花苷含量[J]. 中國現代應用藥學. 2015，32(12)：1428-1432
4. 白雁,劉建營,雷敬衛,謝彩俠,陳志紅,龔海燕. 近紅外光譜技術快速測定杞菊地黃丸的水分含量[J]. 中國現代應用藥學. 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參數的預測研究[J]. 光譜學與光譜分析, 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. 基于可見近紅外高光譜的菠菜硝酸鹽快速無損測定研究[J]. 光譜學與光譜分析, 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.