基于近紅外高光譜成像鑒別不同產(chǎn)地的紅參

沈國(guó)芳 黃俊航 許麥成 金強(qiáng)

摘要 目的：建立一種基于近紅外（NIR）高光譜成像技術(shù)融合近紅外光譜和圖像紋理特征，鑒別不同產(chǎn)地紅參藥材的方法。方法：提取紅參ROI近紅外高光譜數(shù)據(jù)，采用多種預(yù)處理算法對(duì)光譜數(shù)據(jù)進(jìn)行降噪處理。利用灰度共生矩陣（GLCM）和灰度游程矩陣（GLRLM）提取圖像紋理特征，實(shí)現(xiàn)NIR光譜和圖像紋理數(shù)據(jù)融合。利用偏最小二乘判別分析（PLS-DA）和支持向量機(jī)分類(lèi)（SVC）建立產(chǎn)地分類(lèi)模型。結(jié)果：全波段光譜融合GLRLM所構(gòu)建的模型性能最佳，準(zhǔn)確率分別為90.0%和91.2%。進(jìn)一步地使用混淆矩陣和ROC曲線(xiàn)對(duì)模型進(jìn)行評(píng)估。混淆矩陣中SVC模型表現(xiàn)優(yōu)異，對(duì)吉林、黑龍江和遼寧3個(gè)產(chǎn)地的分類(lèi)準(zhǔn)確率可達(dá)100%、91%和83%;經(jīng)ROC特征曲線(xiàn)評(píng)估，2個(gè)模型的最優(yōu)曲線(xiàn)下面積值分別達(dá)到了0.97和0.96。結(jié)論：本研究為快速鑒別紅參藥材不同產(chǎn)地提供了一種新方法。

關(guān)鍵詞 高光譜成像;紅參;數(shù)據(jù)融合;產(chǎn)地鑒別

Discriminant Analysis of Red Ginseng from Different Origins Based on NIR-Hyperspectral Imaging Technology

SHEN Guofang1，HUANG Junhang2，XU Maicheng3，JIN Qiang3

（1 Hangzhou Institute for Food and Drug Control，Hangzhou 310022，China; 2 College of Pharmaceutical Science，Zhejiang University，Hangzhou 310058，China; 3 Hangzhou Huqingyutang Pharmaceutical Co.，Ltd.，Hangzhou 311100，China）

Abstract Objective：To establish a method based on near-infrared（NIR） hyperspectral imaging technology which could identify red ginseng from different origins by fusing NIR spectra and image texture features.Methods：The near-infrared hyperspectral data of red ginseng ROI were extracted to be further de-noised by various pre-processing algorithm.Texture features are extracted from images using gray co-occurrence matrix（GLCM） and gray run matrix（GLRLM），and near-infrared spectroscopy and image data are fused.Partial least squares discriminant analysis（PLS-DA） and support vector machine classification（SVC） were used here to establish the origin classification model.Results：The model constructed by full-band spectral combined with GLRLM gained the best performance，with accuracy of 90.0% and 91.2%，respectively.The model was further evaluated using confusion matrix and ROC curves.The SVC model performed better in the confusion matrix，with the classification accuracy of 100%，91% and 83% for red ginseng from Jilin，Heilongjiang and Liaoning.According to ROC characteristic curve evaluation，the areas under the optimal curve of the two models are 0.97 and 0.96，respectively.Conclusion：This research provides a new method for rapid identification of red ginseng from different origins.

Keywords Hyperspectral imaging; Red ginseng; Data fusion; Origin identification

中圖分類(lèi)號(hào)：R282.5文獻(xiàn)標(biāo)識(shí)碼：Adoi：10.3969/j.issn.1673-7202.2021.23.003

紅參為五加科植物人參Panax ginseng C.A.Mey.的栽培品經(jīng)蒸制后的干燥根和根莖。在我國(guó)主產(chǎn)于東北3省，具有大補(bǔ)元?dú)猓瑥?fù)脈固脫，益氣攝血的功效[1]。紅參作為一種常用中藥材，在中藥制劑中應(yīng)用廣泛，隨著對(duì)人參需求量的提升，人參栽培受限于連作障礙問(wèn)題，其產(chǎn)地由吉林為主向東北各地?cái)U(kuò)展，不同產(chǎn)地的人參及其加工品紅參存在著較大的質(zhì)量差異，為確保中藥制劑質(zhì)量穩(wěn)定，加強(qiáng)紅參原料質(zhì)量控制，對(duì)紅參產(chǎn)地進(jìn)行鑒別區(qū)分具有較大意義[2-6]。

傳統(tǒng)紅參鑒別以經(jīng)驗(yàn)判斷真?zhèn)蝺?yōu)劣和大致產(chǎn)地，受檢驗(yàn)人員個(gè)人經(jīng)驗(yàn)影響大、重復(fù)性差，隨著化學(xué)分析手段的進(jìn)步，薄層色譜、液相色譜等雖然能夠準(zhǔn)確檢測(cè)出樣本之間的差異，但前處理耗時(shí)費(fèi)力且檢測(cè)成本高，無(wú)法滿(mǎn)足工業(yè)化生產(chǎn)對(duì)紅參快速在線(xiàn)分選的要求[6-7]。高光譜成像（Hyper Spectral Imaging，HSI）技術(shù)能夠同時(shí)采集對(duì)象品質(zhì)屬性的光譜信息和圖像信息，是一種快速、無(wú)損、原位成像的檢測(cè)技術(shù)[8]。近幾年在食品、農(nóng)產(chǎn)品等領(lǐng)域的應(yīng)用較多，在中藥材甄別摻假品、硫熏品、染色增重品和含量不合格等領(lǐng)域也逐步開(kāi)始應(yīng)用[9～10]。本研究以來(lái)源不同產(chǎn)地的紅參樣品為研究對(duì)象，利用高光譜成像技術(shù)、光譜預(yù)處理、數(shù)據(jù)融合方法和分類(lèi)模型算法對(duì)不同產(chǎn)地的紅參進(jìn)行判別分析，使用混淆矩陣和ROC對(duì)不同模型預(yù)測(cè)性能進(jìn)行評(píng)估，對(duì)比了不同模型的分類(lèi)結(jié)果，為實(shí)現(xiàn)在線(xiàn)快速無(wú)損識(shí)別不同產(chǎn)地的紅參提供參考。

1 材料與方法

1.1 藥材 實(shí)驗(yàn)用紅參藥材選自東北3省，分別是遼寧（6批次），吉林（11批次）和黑龍江（5批次）。經(jīng)杭州市食品藥品檢驗(yàn)研究院郭怡飚主任中藥師鑒定為五加科植物人參Panax ginseng C.A.Mey.的栽培品經(jīng)蒸制后的干燥根。22批次紅參藥材共收集到304個(gè)紅參樣品用于高光譜圖像分析，其中遼寧產(chǎn)地紅參58根，黑龍江產(chǎn)地紅參110根，吉林產(chǎn)地紅參136根。按照Kennard-Stone算法將樣本分成訓(xùn)練集和測(cè)試集，其中訓(xùn)練集203樣本，測(cè)試集101個(gè)樣本。

1.2 儀器設(shè)備 本研究采用的高光譜成像系統(tǒng)由高光譜成像模塊、移動(dòng)平臺(tái)、均勻光源、計(jì)算機(jī)與圖像采集軟件等部分組成。高光譜成像模塊包含近紅外光譜相機(jī)（OWL-640-mini，Raptor Photonics），可調(diào)節(jié)近紅外聚焦透鏡（OLE23，Specim），2個(gè)150 W的鹵素?zé)簦?900ER，Illumination Technologies Inc.）和成像光譜儀（ImSpector-V10E，Specim）;移動(dòng)平臺(tái)（ETH14，TOYO）;圖像采集軟件為Spectral Image軟件（Isuzu Optics）。

1.3 高光譜成像系統(tǒng)的參數(shù)設(shè)置 水平移動(dòng)平臺(tái)的移動(dòng)速度為2.4 mm/s，鏡頭與樣品之間的距離為25 cm，電荷耦合器件（CCD）相機(jī)的曝光時(shí)間為26 ms。獲得的高光譜數(shù)據(jù)立方體，其寬度為640像素，長(zhǎng)為1 000像素，以1.67 nm的間隔從898～1 751 nm的512個(gè)波長(zhǎng)。

1.4 高光譜圖像的黑白板校正 在采集得到高光譜圖像后，為了減小光源不均勻、CCD相機(jī)的暗電流以及儀器物理配置的差異等對(duì)所獲得的高光譜反射率圖像的影響，需要對(duì)采集的原始高光譜圖像進(jìn)行黑白板校正，校正公式為：Rcal=Rraw-RdarkRwhite-Rdark式中，Rcal為校正后的高光譜數(shù)據(jù)，Rraw為采集到的原始高光譜數(shù)據(jù)，Rdark為蓋上相機(jī)鏡頭采集到的數(shù)據(jù)（反射率接近0），Rwhite為對(duì)準(zhǔn)Teflon白板采集到的數(shù)據(jù)（反射率接近1）。校正步驟采用HSI Analyzer軟件進(jìn)行。

1.5 提取ROI平均光譜 為節(jié)約提取感興趣區(qū)域（Region Of Interest，ROI）的時(shí)間，本實(shí)驗(yàn)采用Python3.6自動(dòng)提取ROI。高光譜圖像經(jīng)黑白板校正后，為最大程度區(qū)分開(kāi)樣品和背景，選擇與背景差異最大波段的灰度圖。將該灰度圖進(jìn)行二值化，得到二進(jìn)制圖像。最后提取二進(jìn)制圖像中紅參的輪廓，得到ROI。對(duì)ROI中每個(gè)波段灰度圖所有像素點(diǎn)的光譜反射率求平均值，得到ROI平均光譜。

1.6 光譜預(yù)處理和特征波長(zhǎng)提取 用合適的光譜預(yù)處理方法可以降低各種非目標(biāo)因素對(duì)檢測(cè)信號(hào)信息的影響，增強(qiáng)有用信息[7]。分別采用Savitzky-Golay（SG）平滑算法，基于SG平滑的一階導(dǎo)數(shù)，基于SG平滑的一階導(dǎo)數(shù)二階導(dǎo)數(shù)，標(biāo)準(zhǔn)正態(tài)變量變換（SNV）算法和多元散射矯正（MSC）算法等對(duì)光譜進(jìn)行處理，并對(duì)這幾種預(yù)處理算法進(jìn)行比較。連續(xù)投影算法（Successive Projections Algorithm，SPA）是一種向前循環(huán)選擇方法，可以最大限度地消除變量中存在的共線(xiàn)性信息[11]。使用SPA對(duì)波段范圍內(nèi)光譜數(shù)據(jù)進(jìn)行特征波長(zhǎng)提取，作為圖像紋理特征提取時(shí)的特征波段。

1.7 圖像紋理特征提取 分別通過(guò)灰度共生矩陣（Gray-Level Co-occurrence Matrix，GLCM）和灰度游程矩陣（Gray-Level Run-Length Matrix，GLRLM）方法提取圖像紋理特征。GLCM是一種經(jīng)典的圖像紋理提取方法，其主要描述局部空間域的強(qiáng)度變化。本研究從4個(gè)方向（0°，45°，90°，135°）提取GLCM的對(duì)比度、能量、逆差矩和熵，共獲得16個(gè)參數(shù)。GLRLM描述相同像素值在特定方向的分布，游走的長(zhǎng)度為游走方向的像素值[12]。長(zhǎng)游走長(zhǎng)度提取粗糙紋理，短游走長(zhǎng)度提取細(xì)膩紋理。本研究從GLRLM提取10個(gè)特征，分別為短游程因子、長(zhǎng)游程因子、灰度不均勻度、游程比、游程長(zhǎng)不均勻度、低灰度游程因子、高灰度游程因子、低灰度短游程因子、高灰度短游程因子、高灰度長(zhǎng)游程因子。高光譜圖像有數(shù)百個(gè)波段，若對(duì)所有波段相對(duì)應(yīng)的灰度圖像計(jì)算GLCM和GLRLM紋理，存在大量的冗余信息，且增加計(jì)算復(fù)雜性。因此，本研究中僅提取通過(guò)SPA算法得到的特征波段灰度圖像中的紋理信息。

1.8 NIR光譜和圖像紋理融合 數(shù)據(jù)融合可以有效提高多分類(lèi)模型的性能，不同種類(lèi)的數(shù)據(jù)可以實(shí)現(xiàn)信息的互補(bǔ)，從而提高模型的準(zhǔn)確率和魯棒性。近紅外高光譜包含豐富的近紅外光譜信息和圖像紋理信息，通過(guò)對(duì)NIR光譜與圖像紋理特征進(jìn)行融合，可以提升鑒別模型的性能[13]。

1.9 紅參產(chǎn)地分類(lèi)模型的構(gòu)建和模型評(píng)價(jià) 本研究分別采用偏最小二乘判別分析（Partial Least Squares Discriminate Analysis，PLS-DA）和支持向量機(jī)分類(lèi)（Support Vector Classification，SVC）進(jìn)行產(chǎn)地鑒別。準(zhǔn)確率常常用來(lái)評(píng)估模型的性能，但評(píng)估基于類(lèi)不平衡數(shù)據(jù)集建立的分類(lèi)模型時(shí)存在明顯缺陷[14]。因此，本研究進(jìn)一步采用混淆矩陣和受試者工作特征曲線(xiàn)（Receiver Operating Characteristic Curve，ROC）對(duì)模型性能進(jìn)行評(píng)價(jià)。混淆矩陣是數(shù)據(jù)分析中對(duì)分類(lèi)模型預(yù)測(cè)結(jié)果的一種評(píng)價(jià)方式，ROC是反映模型敏感性和特異性連續(xù)變量的綜合指標(biāo)，一般采用ROC曲線(xiàn)下的面積（Area Under ROC Curve，AUC）作為模型評(píng)價(jià)指標(biāo)，其值最大為1，值越大代表其模型的探測(cè)效果越好[7-8]。

1.10 數(shù)據(jù)分析 本研究使用的圖像校正工具為五鈴光學(xué)公司高光譜成像系統(tǒng)HSI Analyzer分析軟件，后續(xù)感興趣區(qū)域提取、預(yù)處理、特征波長(zhǎng)提取、等數(shù)據(jù)處理分析操作用到的軟件為Spyder（Python 3.6）。

2 結(jié)果

2.1 樣品的原始光譜曲線(xiàn) 高光譜成像代表性圖像見(jiàn)圖1（A），不同產(chǎn)地紅參的平均近紅外光譜見(jiàn)圖1（B）。

2.2 預(yù)處理方法的選擇 為實(shí)現(xiàn)對(duì)不同產(chǎn)地紅參的鑒別分析，使用主成分分析（Principal Component Analysis，PCA）對(duì)原始光譜進(jìn)行處理，由于第一主成分（PC1）和第二主成分（PC2）的累計(jì)方差貢獻(xiàn)度在99%以上，因此使用前2個(gè)主成分繪制PCA圖。圖2為原始光譜的PCA圖。由圖可見(jiàn)，不同產(chǎn)地紅參的樣本重疊交織在一起，不易區(qū)分。因此通過(guò)原始光譜無(wú)法實(shí)現(xiàn)對(duì)不同產(chǎn)地紅參的準(zhǔn)確鑒別分析。為進(jìn)一步提高鑒別準(zhǔn)確率，采用SG平滑、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)、SNV、MSC對(duì)原始光譜進(jìn)行預(yù)處理，并使用Kennard-Stone算法進(jìn)行樣本劃分，計(jì)算出PLS-DA、SVC 2種分類(lèi)方法的準(zhǔn)確率見(jiàn)表1。根據(jù)結(jié)果，在本研究中使用基于SG平滑的二階導(dǎo)數(shù)作為光譜預(yù)處理的方式。見(jiàn)圖3。

2.3 特征波段的提取 采用SPA法挑選出10個(gè)近紅外特征波長(zhǎng)（961 nm、1 069 nm、1 157 nm、1 323 nm、1 332 nm、1 377 nm、1 401 nm、1 457 nm、1 500 nm、1 526 nm）。見(jiàn)圖4。

2.4 NIR光譜與圖像紋理融合 通過(guò)PLS-DA和SVC模型對(duì)NIR光譜和圖像紋理信息融合前后的分類(lèi)性能進(jìn)行比較，基于全光譜、圖像紋理和光譜紋理融合后模型分類(lèi)準(zhǔn)確率見(jiàn)表2。

2.5 分類(lèi)模型的性能評(píng)估 采用混淆矩陣評(píng)估紅參產(chǎn)地分類(lèi)模型的性能。圖5展示了基于全光譜和GLRLM融合數(shù)據(jù)的PLS-DA和SVC模型預(yù)測(cè)結(jié)果的混淆矩陣：吉林產(chǎn)地的紅參表現(xiàn)最好，在PLS-DA和SVC模型中都達(dá)到了100%準(zhǔn)確率;黑龍江產(chǎn)地的紅參次之，其準(zhǔn)確率分別為86%和91%;遼寧產(chǎn)地的紅參結(jié)果最差，準(zhǔn)確率都為83%。

ROC描述的是各種不同閾值下真正率（Ture Positive Rate，TPR）相對(duì)于假正率（False Positive Rate，F(xiàn)PR）取值變化情況，本研究使用ROC曲線(xiàn)來(lái)評(píng)估融合方法的性能。圖6展示了光譜和圖像紋理信息融合前后模型的ROC，其中融合方法的ROC曲線(xiàn)均優(yōu)于未融合的方法，全光譜信息融合GLRLM特征提取圖譜紋理信息及全光譜信息融合GLCM特征提取圖譜紋理信息均達(dá)到了最優(yōu)曲線(xiàn)下面積（Area Under Curve，AUC）值0.97。

3 討論

紅參作為一種常用中藥材，在中藥制劑中應(yīng)用廣泛，由于不同產(chǎn)地紅參存在較大的質(zhì)量差異，因此其產(chǎn)地鑒別對(duì)于保障制劑穩(wěn)定性至關(guān)重要。目前紅參的產(chǎn)地鑒別主要依靠外觀性狀和一些化學(xué)分析方法，外觀形狀受限于技術(shù)人員個(gè)人經(jīng)驗(yàn)且工作量大，化學(xué)分析方法無(wú)法做到對(duì)每個(gè)藥材的無(wú)損鑒別，難于在實(shí)際中藥制劑生產(chǎn)中運(yùn)用。近紅外高光譜技術(shù)可采集紅參近紅外光譜信息和圖像紋理信息，經(jīng)信息預(yù)處理并建立合適的模型，能做到無(wú)損準(zhǔn)確鑒別。

近紅外光譜所主要反映的信息主要是分子內(nèi)含氫基團(tuán)（如C-H、O-H、N-H等）振動(dòng)時(shí)倍頻和合頻的吸收，其分析領(lǐng)域基本包括了全部的有機(jī)化合物和混合物。從不同產(chǎn)地紅參的平均近紅外光譜看，光譜有一定的差異，其中黑龍江紅參的反射強(qiáng)度最低，與其他2個(gè)產(chǎn)地的紅參區(qū)別較大，吉林和遼寧紅參的光譜曲線(xiàn)較為接近。這一現(xiàn)象可能由于吉林和遼寧產(chǎn)地的土壤環(huán)境、緯度、光照條件更接近所致。但僅僅依靠原始光譜，鑒別準(zhǔn)確率不高，需去除光譜的干擾信息。從不同預(yù)處理方法看，簡(jiǎn)單的SG平滑無(wú)法提高鑒別效果，MSC算法反而降低了鑒別準(zhǔn)確率，可能采用MSC算法丟失了部分有用信息，基于SG平滑的一階導(dǎo)數(shù)和二階導(dǎo)數(shù)以及SNV算法處理后光譜數(shù)據(jù)的模型準(zhǔn)確率有不同程度地提高，其中使用二階導(dǎo)數(shù)預(yù)處理后的光譜數(shù)據(jù)構(gòu)建的模型效果最佳，在測(cè)試集中準(zhǔn)確率接近90%。從二階導(dǎo)數(shù)預(yù)處理后的光譜曲線(xiàn)可以看出預(yù)處理后能夠減輕光譜基線(xiàn)移位、漂移等干擾。

高光譜采集得到的近紅外平均光譜只是對(duì)高光譜信息的簡(jiǎn)單信息運(yùn)用，高光譜是對(duì)樣品整個(gè)面的光譜掃描，進(jìn)一步提取樣品圖像信息是增加鑒別準(zhǔn)確率的關(guān)鍵。通過(guò)采用SPA法挑選出10個(gè)近紅外特征波長(zhǎng)，其中，961 nm的波長(zhǎng)對(duì)應(yīng)多糖和樹(shù)脂類(lèi)的O-H的伸縮振動(dòng)（第二泛頻），1 069 nm和1 157 nm處的波長(zhǎng)對(duì)應(yīng)C-H伸縮振動(dòng)（第三泛頻），1 323 nm、1 332 nm、1 377 nm處的波長(zhǎng)對(duì)應(yīng)C-H的伸縮振動(dòng)（第一泛頻），1 401 nm處的波長(zhǎng)對(duì)應(yīng)O-H的伸縮振動(dòng)（第一泛頻），1 457 nm、1 500 nm、1 526 nm處的波長(zhǎng)對(duì)應(yīng)N-H的伸縮振動(dòng)，反映出不同產(chǎn)地紅參在糖類(lèi)、蛋白質(zhì)和其他有機(jī)化合物有一定差異。以這10個(gè)特征波長(zhǎng)采集樣品高光譜數(shù)據(jù)的紋理特征，分別比較全光譜、GLCM和GLRLM提取的紋理特征、光譜與紋理融合這幾種提取信息建立的模型，結(jié)果可見(jiàn)，僅僅基于全光譜或者圖像紋理特征提取建立的模型性能均不理想，全光譜信息和圖像紋理信息融合能夠有效提高模型的預(yù)測(cè)性能。全光譜和GLRLM提取的紋理特征融合后模型的性能最佳，在測(cè)試集中達(dá)到了91.2%的正確率。

采用混淆矩陣評(píng)估分類(lèi)模型的性能，結(jié)果表明，遼寧和黑龍江產(chǎn)地分類(lèi)準(zhǔn)確率高于遼寧產(chǎn)地，可能的原因是遼寧產(chǎn)地的紅參與其他2個(gè)產(chǎn)地差異較小。采用ROC進(jìn)行評(píng)估，結(jié)果表明全光譜融合圖像紋理信息融合的結(jié)果與正確率的結(jié)果保持一致，說(shuō)明光譜與圖像紋理信息融合方法能有效提高模型分類(lèi)的準(zhǔn)確率。

本研究基于近紅外高光譜成像系統(tǒng)采集3個(gè)產(chǎn)地紅參的NIR光譜和圖像信息，對(duì)原始光譜進(jìn)行二階導(dǎo)數(shù)預(yù)處理后，融合GLRLM提取圖像紋理特征后，可有效提取不同產(chǎn)地紅參特征信息，采用PLS-DA模型，對(duì)吉林、黑龍江和遼寧產(chǎn)地樣本進(jìn)行準(zhǔn)確分類(lèi)。實(shí)驗(yàn)結(jié)果表明基于近紅外高光譜成像技術(shù)的紅參產(chǎn)地鑒別技術(shù)有望為建立穩(wěn)健、切實(shí)可行的紅參產(chǎn)地溯源模型提供思路和方法參考。

參考文獻(xiàn)

[1]國(guó)家藥典委員會(huì).中華人民共和國(guó)藥典（一部）[S].北京：中國(guó)醫(yī)藥科技出版社，2020：160.

[2]董鵬凱，趙上勇，鄭柯鑫，等.激光誘導(dǎo)擊穿光譜技術(shù)結(jié)合神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)算法的人參產(chǎn)地快速識(shí)別研究[J].物理學(xué)報(bào)，2021，70（4）：67-75.

[3]吳雪松，葉正良，郭巧生，等.東北不同產(chǎn)地人參及其加工品人參皂苷類(lèi)成分的比較分析[J].中草藥，2013，44（24）：3551-3556.

[4]沈亮，李西文，徐江，等.人參無(wú)公害農(nóng)田栽培技術(shù)體系及發(fā)展策略[J].中國(guó)中藥雜志，2017，42（17）：3267-3274.

[5]沈亮，徐江，董林林，等.人參栽培種植體系及研究策略[J].中國(guó)中藥雜志，2015，40（17）：3367-3373.

[6]趙幻希，王秋穎，孫秀麗，等.HPLC-MS結(jié)合多元統(tǒng)計(jì)分析區(qū)分人參產(chǎn)地及篩選皂苷類(lèi)標(biāo)志物[J].高等學(xué)校化學(xué)學(xué)報(bào)，2019，40（2）：246-253.

[7]殷文俊，茹晨雷，鄭潔，等.基于高光譜成像技術(shù)融合光譜和圖像特征鑒別不同產(chǎn)地的甘草[J].中國(guó)中藥雜志，2021，46（4）：923-930.

[8]吉海彥，任占奇，饒震紅.基于高光譜成像技術(shù)的不同產(chǎn)地小米判別分析[J].光譜學(xué)與光譜分析，2019，39（7）：2271-2277.

[9]陶益，陳林，江恩賜，等.人工智能和工業(yè)4.0視域下高光譜成像技術(shù)融合深度學(xué)習(xí)方法在中藥領(lǐng)域中的應(yīng)用與展望[J].中國(guó)中藥雜志，2020，45（22）：5438-5442.

[10]Xia Z，Zhang C，Weng H，et al.Sensitive Wavelengths Selection in Identification of Ophiopogon japonicus Based on Near-Infrared Hyperspectral Imaging Technology[J].Int J Anal Chem，2017，2017：6018769.

[11]李江波，郭志明，黃文倩，等.應(yīng)用CARS和SPA算法對(duì)草莓SSC含量NIR光譜預(yù)測(cè)模型中變量及樣本篩選[J].光譜學(xué)與光譜分析，2015，35（2）：372-378.

[12]Hu W，Huang Y，Wei L，et al.Deep Convolutional Neural Networks for Hyperspectral Image Classification[J].J Sensors，2015，2015：1.

[13]Ru C，Li Z，Tang R.A Hyperspectral Imaging Approach for Classifying Geographical Origins of Rhizoma Atractylodis Macrocephalae Using the Fusion of Spectrum-Image in VNIR and SWIR Ranges（VNIR-SWIR-FuSI）[J].Sensors（Basel），2019，19（9）：2045.

[14]Fawcett T.An introduction to ROC analysis[J].Pattern Recogn Lett，2006，27（8）：861-874.

（2021-10-25收稿 責(zé)任編輯：王明）