高光谱成像技术在中药无损检测中的研究进展

高光谱成像技术在中药无损检测中的研究进展

黄利欣 1，孙萍 1,2，刘旭海 1,2*

江西中医药大学，江西 南昌 330004 ； 2. 江中药业股份有限公司，江西 南昌 330096 ）

摘要：高光谱成像技术能够实时高效非接触地测量中药结构形态和生理生化等多样性特征，近年来高光谱成像技术在其他领域的无损检测得到广泛应用与研究及在中药无损检测中表现出良好的潜力。该文主要阐述高光谱成像技术在中药无损检测分析中的研究进展以及评估分析等发展趋势；首先简单介绍了高光谱成像技术原理和在中药无损检测中的应用和分析流程；其次总结了近年来基于高光谱成像技术在中药无损检测的部分研究和应用，介绍范围主要为真伪鉴定、产地鉴别、含量测定、霉变检测等；最后探讨了高光谱成像技术在中药无损检测分析应用中面临的挑战和机遇。

关键词：高光谱成像技术；中药；无损检测；挑战和机遇

随着对中药价值的认识和临床需求的提高，市场上出现很多以次充好、混用、滥用的现象，常采用薄层色谱、高效液相色谱、指纹图谱等实验室检测方法用于鉴别真伪和区分质量等级，这些方法往往存在着操作麻烦、耗时长、对样品进行性破坏等缺点。无损检测技术是一种不损坏样品以实现品质检测的方法，获取样品信息并保证其完整性，与传统检测方法比较检测速度显著提升，且能有效判断样品内部信息，又被称为非破坏性检测。高光谱成像技术属于无损检测技术中的一种，以成像上的独特优点在农业^[1-4]、食品^[5-6]、医药^[7]、制药^[8]等各个领域得到了广泛的研究，中药领域应用高光谱成像技术开展无损检测研究较少，根据目前光谱成像技术运用在其他领域的广泛研究成果，以进一步开发中药领域无损检测技术，节约检测时间，并快速无损检测，高光谱成像在中药质量检测方面显示出巨大的潜力。

1原理

高光谱成像技术同时获取空间信息和光谱信息，将空间成像和光谱分析有机结合。高光谱图像是三维数据立方体(x×y×λ)，在光谱波段(λ)具有2D灰度图像(x×y)，具有从高光谱图像内的整个采样区域获取光谱信息的优势。高光谱成像波长范围包括可见-近红外光、近红外和短波红外，光谱波段数在100-200个，分辨率0.01左右，能从整个样品区域获取光谱信息，光谱信息比从小点获取的近红外光谱更具代表性。不同结构的物质都有其各自的特征光谱，根据特征光谱，可以鉴别物质及确定它的化学组成。利用高光谱图像内的每个像素具有不同光谱的优点，可以形成分布图来呈现样本内或不同样本之间的成分含量差异。有了分布图，样品内部或样品之间组分含量和差异的视觉信息将有助于实现高光谱成像的在线检测应用。有研究报告了利用通过高光谱成像从整个样本区域获取代表性光谱信息而不形成分布图的优势^[9]，也有研究报告了利用通过高光谱成像形成分布图的优势^[10-11]。

2高光谱成像技术在中药无损检测中的应用

2.1产地鉴别

郑洁等^[12]利用近红外高光谱成像技术对对不同产地苦杏仁和桃仁药材的鉴别，通过分别采集720个苦杏仁样品和600个桃仁药材样品在898-1751 nm 波段的高光谱图谱，提取特征波段后，采用一阶导数、二阶导数、MSC、SNW、SG五种方法进行预处理，用交叉验证法验证PLS-DA、SNM、RF三种模型的分类结果，准确率分别为93.27%、96.19%、100%。张璐等^[13]搜集2215个酸枣仁样品，采用光谱范围在898-1751 nm的近红外高光谱成像技术对酸枣仁产地进行鉴别，在该波段提取512个波长获得高光谱数据立方体。运用一阶导数、二阶导数、MSC、SNW、SG五个预处理方法进行预处理，采用准确率、混淆矩阵、受试者工作特征曲线、曲线下面积四个评价指标进行评价，结果表明预处理方法中二阶导数最有效，准确率可达到99%以上。

2.2真伪鉴别

曲明亮等^[14]利用高光谱成像系统，采集在900～1700 nm大花红景天和狭叶红景天药材粉末的高光谱图像，利用标准正态变换的方法进行光谱图像预处理，采用连续投影算法、竞争性自适应加权采样从全波长中选取特征波长，分别建立了基于全波长段和特征波长段的支持向量机和极限学习机的判别模型，不同判别模型的分类准确率都在85%以上。证明采用高光谱成像技术结合化学计量学方法，能够实现对大花红景天和狭叶红景天的在线快速、无损鉴别。王伟等^[15]通过高光谱成像技术鉴别八角茴香与含毒伪品莽草，采用SPA法选取533、617、665、807 nm四个最优波长，建立PLSDA模型，交叉验证集准确率可达到98.4%。通过高光谱图像技术验证集数据可达到97.9%，可视化结果良好，有利于实现动态便携式检测。孙梅等^[16]应用高光谱成像系统获取冬虫夏草真伪样品高光谱图像，真伪混合物识别度为97.0%-98.78%，伪冬虫夏草粉末识别度为83.1%-99.3%。TANKEU S 等^[17]采集粉防己和广防己高光谱图谱，准确度达到 99. 96%，说明高光谱成像可以较好地区分粉防己和广防己。

2.3年份鉴别

鲍一丹等^[18]人利用高光谱成像系统，采集在380-1023 nm及874-1734 nm两个波段不同年份的陈皮高光谱图像。用主成分分析法进行定性分析，回归系数法选取特征光谱，偏最小二乘法判别分析基于全波段、特征波段对样本建立模型，最后对特征波谱分别建立线性偏最小二乘法模型和非线性ELM模型，非线性ELM模型鉴别准确率可达85%。

2.4含量测定

HUANG L 等^[19]应用高光谱成像系统获取了桑葚中花青素的含量图像，系统一使用硅探测器获取可见光和短波近红外区的光谱信息，系统二使用铟镓砷探测器测量长波近红外光谱分别进行数据采集，建立 PLS-DA 和 LS-SVM 预测模型，预测准确度分别达到 95. 9%和 99. 5%。He J等^[20]在874-1734nm光谱范围，采用高光谱成像技术，快速、无损地测定了杭白菊中总多糖和总黄酮的含量，获得了不同大小菊花的高光谱图像。所有样本中的像素级光谱由小波变换和标准正态变量(SNV)预处理。采用偏最小二乘和最小二乘-支持向量机(LS-SVM)对预处理后的像素光谱计算样本平均光谱，建立预测模型。利用最小二乘SVM模型成功地获得了菊花中总多糖和总黄酮含量的预测图，表现出最佳的预测效果。Zhang C等^[21]采用光谱范围在874-1734nm的高光谱成像技术测定咖啡豆中咖啡因含量，提取985.24-1628.89nm的光谱数据进行预处理。偏最小二乘回归模型对预处理后的光谱数据具有良好的预测性能，此外，采用10种变量选择方法来选择最佳的最优波长，在随机蛙跳（RF）选择的波长上，PLSR模型表现最好。高光谱成像是一种有潜力的实时在线测定药材含量的技术。

2.5霉菌检测

冯洁等^[22]采用高光谱成像技术检测金银花霉变程度，选取无霉变、轻度霉变、中度霉变和重度霉变四个时期的金银花各90个样本，高光谱扫描范围在371-1024 nm，一共检测1288个波段。将采集到的样本数据使用SG、MSC、SG-MSC三种不同的方法进行预处理，利用SPA、CARS算法选择经预处理光谱的特征波段，并建立PLS-DA和LS-SVM判别分析模型，正确率大于90.4%，用于评价分析模型的精度。结果表明高光谱成像技术能有效判断金银花霉变，高光谱成像技术有益于判别中药霉变，对中药材霉变检测开辟出新的方法。

3高光谱成像技术面临的挑战和机遇

光谱成像技术在中药无损检测上获得了有效性验证，但同时也发现模型存在准确性和可信度不高的问题，受限于中药样本的品种、种植区域、储藏年份等不同的影响。光谱成像技术在中药活性成分检测的研究中，由于各种影响下特征波长可能有所不同，需大量的研究数据来建立可靠的识别模型，所以仍然存在样本量少而导致模型可信度低的问题。通过讨论高光谱成像技术的挑战和机遇，加快解决高光谱成像技术所面临的问题。

3.1生产装备的滞后

高光谱成像设备费用高昂，门槛较高，且高光谱成像采集的数据量大，图谱解析时间较长，缺乏光谱采集、数据处理、智能判别为一体的相关设备。目前实验室和室外用的光谱成像设备，体积过于庞大、不易携带。将高光谱成像仪的硬件方面加以改进，有望开发成为过程分析技术中在线检测方法。帮助提高现代制药企业药物制备质量，通过对中医药的生产设备的优化，为中医药进入国际医药市场铺平道路。

3.2系统软件的挑战

高光谱成像系统需要采集和控制图像，对光谱数据进行特征提取和预处理，还要多元数据分析和图像软件的支持，在数据处理方面存在诸多困扰。数据处理软件操作难度大，大量数据通过不同数据软件分析速度显著不同，导致该技术受限。今后研究重点可以集中在特征波段的选取、建模算法效率的考量以及低成本高光谱检测设备的研发。高光谱图像检测波段较宽，需要很大的储存空间，为后续在线筛选带来挑战。想要满足工业化生产在线检测的需求，需要建立高效的高光谱成像系统，发展变量选择算法识别有效波长区域，借助互联网、大数据等，建立新的模式识别方法^[23-24]，研发快速、无损、轻便、智能化的高光谱检测或监测设备等。

3.3数据处理的难点

高光谱成像检测技术通过检测样品获取大量的光谱信息和空间信息，但高光谱立方体数据却缺乏特征融合方法，关键的工艺参数和指标要求多依赖于样品特点和研究者经验。由于中药成分复杂的特性，数据建模成为了在线检测技术投入使用前期的关键一步，对应不同的中药品种需要建立不同的数据模型，成为技术应用最大的难点。

3.4建立高光谱成像的中药数据库

当前有部分学者结合高光谱成像技术来研究中药样品^[25]，但没有充分利用高光谱成像技术将空间像素坐标实现可视化。往后需扩大中药样本测试空间的广度，减小样本组织分布不均匀的影响，开发新的技术实现品质分布可视化，以期提高品质检测的可靠性和直观性。着眼于当下最紧要的便是将获得的高光谱数据信息整理成数据库，建立中药高光谱成像数据库和多化学指标的定量模型，增加中药样本来源和数量，尝试不同数据处理方式，有助于提高模型的准确性、稳定性和重现性，便可以更方便地调用数据模型，预测未知样品，加快数据融合。高光谱成像技术在中药领域的研究主要集中在中药材的鉴别和含量测定，已经形成了相应的体系并建成了便捷光谱仪以及在线检测装置，而在中成药生产在线检测的相关研究较少，拓宽中药领域研究类目并完善其高光谱光谱数据库是未来的研究趋势。

3.5模型传递的挑战

目前研究所建立的定性或定量校正模型缺乏传递性，如环境温度变化、样品形态改变、仪器老化、附件更换等均会导致模型预测出现偏差，不利于模型重复利用和共享。解决以上模型通用性的问题，在建模时首先需要考虑样品的代表性，其次，选取一些基于模型的新迁移学习算法或基于特征的新学习算法等，通过同型号仪器的不同批次样品或同批次样品的不同型号仪器之间的比较研究，评估模型传递的效果。

4前景展望

通过对近年来光谱成像技术在中药无损检测中的应用研究进展进行综述，发现光谱成像技术在中药无损检测领域有光明的应用前景，有望通过检测分析得知具体的中药品质情况，实现准确快速无损的检测。但依然要明确目前的研究存在的不足之处，在企业应用推广方面仍有很多未解决的难题，所以需要更多的研究人员通过不断的实验对光谱成像技术在中药无损检测中的应用进一步的优化和提升。

参考文献

2. 罗浩东,刘翠玲,孙晓荣,等.基于高光谱成像技术的大米溯源研究[J].中国酿造,2021,40(04):183-186.

[2]吴永清,李明,张波,等.高光谱成像技术在谷物品质检测中的应用进展[J].中国粮油学报,2021,36(05):165-173.

[3]张伏,张朝臣,陈自均,等.光谱检测技术在种子质量检测中的应用[J].中国农机化学报,2021,42(02):109-114.

[4]卢旭恒,蒙庆华,唐柳,等.高光谱成像在农产品疾病以及农药残留检测中的应用[J].食品安全质量检测学报,2021,12(11):4566-4574.

[5]牛瑞敏,张淑娟,陈彩虹,等.基于高光谱成像技术的鲜食核桃仁水分检测研究[J].农业工程,2021,11(01):58-61.

[6]袁旭林. 基于高光谱成像技术的苹果糖度无损检测系统研究[D].山东大学,2021.

[7]王成,于航,姚卫蓉,等.近红外高光谱成像技术在筛查保健食品中违禁添加抗炎药物双氯芬酸钠的研究[J].光谱学与光谱分析,2021,41(02):592-598.

[8] Gowen A A; Cullen P J; Bell S E, et al. Recent applications of Chemical Imaging to pharmaceutical process monitoring and quality control. Eur J Pharm Biopharm. 2008, 69(1): 10.

[9] Juan He,Lidan Chen,Bingquan Chu,Chu Zhang. Determination of Total Polysaccharides and Total Flavonoids in Chrysanthemum morifolium Using Near-Infrared Hyperspectral Imaging and Multivariate Analysis[J]. Molecules,2018,23(9):2395.

[10] Zheng X; Peng Y; Wang W A. nondestructive real-time detection method of total viable count in pork by hyperspectral imaging technique. Appl. Sci. 2017, 7(3):213.

[11] Shi J Y; Hu X T.; Zou X B; et al. A rapid and nondestructive method to determine the distribution map of protein,carbohydrate and sialic acid on Edible bird’s nest by hyper-spectral imaging and chemometrics. Food Chem.2017, 229:235-241.

[12] 郑洁,茹晨雷,张璐,殷文俊,张慧,颜继忠.基于近红外高光谱成像技术对不同产地苦杏仁和桃仁药材的鉴别[J].中国中药杂志,2021,46(10):2571-2577.

[13] 张璐,茹晨雷,殷文俊,郑洁,张慧,颜继忠.基于近红外高光谱成像结合分水岭算法鉴别酸枣仁药材的产地[J].药物分析杂志,2021,41(04):726-734.

[14] 曲明亮,李涛,钟玉琴.高光谱成像技术结合化学计量学方法鉴别大花红景天和狭叶红景天[J].华西药学杂志,2021,36(03):303-307.

[15] 王伟,赵昕,褚璇,鹿瑶,贾贝贝.基于可见/近红外高光谱的八角茴香与莽草无损鉴别[J].农业机械学报,2019,50(11):373-379.

[16] 孙梅,王睿,陈兴海,等.高光谱在冬虫夏草含量及真伪鉴别中的应用 [J].中国现代应用药学, 2017, 34( 8) : 1114-1117.

[17] TANKEU S, VERMAAK I, CHEN W, et al. Differentiation between two“Fang ji”herbal medicines, Stephania tetrandra and the nephrotoxic Aristolochia fangchi, using hyperspectral imagin [J]. Phytochemistry,2016,122: 213-222.

[18] 鲍一丹,吕阳阳,朱红艳,等.陈皮年份的高光谱技术鉴别研究[J].光谱学与光谱分析,2017,37( 6) : 1866-1871.

[19] HE J, ZHANG C, HE Y. Application of near-infrared hyperspectral imaging to detect sulfur dioxide residual in the Fritillaria thunbergii Bulbus treated by sulfur fumigation [J]. Appl Sci，2017,7(1): 77．

[20] He J, Chen L, Chu B, Zhang C. Determination of total polysaccharides and total flavonoids in Chrysanthemum morifolium using near-infrared hyperspectral imaging andmultivariate analysis [J]. Molecules,2018, 23(9): 2395.

[21] Zhang C, Jiang H, Liu F, et al. Application of near-infrared hyperspectral imaging with variable selection methods to determine and visualize caffeine content of coffee beans [J]. Food and bioprocess technology, 2017,10(1): 213-221.

[22] 冯洁,刘云宏,王庆庆,等. 基于高光谱成像技术的金银花霉变检测模型[J]. 食品与机械，2018,34( 8) : 60.

[23] 李涛,钟玉琴,曲明亮.基于高光谱成像技术的红景天品种神经网络模式识别方法[J].四川师范大学学报(自然科学版),2021,44(04):546-554.

[24] 陶益,陈林,江恩赐,颜继忠.人工智能和工业4.0视域下高光谱成像技术融合深度学习方法在中药领域中的应用与展望[J].中国中药杂志,2020,45(22):5438-5442.

[25] 赵静,庞其昌,马骥,胡翠英,王念萍,王琳,崔代军.中药黄连饮片活性成分分布的检测研究[J].光谱学与光谱分析,2011,31(06):1692-1696.

基金项目：江西省重大科技研发专项：中药大品种绿色智能制造产业化关键技术研究，20203ABC28W018

通信作者：刘旭海，1962-至今，男，教授，主要从事中药大品种智能制造产业关键技术研究

作者简介：黄利欣，1997-至今，女，硕士研究生在读