利用Resonon Pika XC2高光谱成像预测新鲜姜黄根茎中姜黄素浓度

　　姜黄素是一种天然化合物，具有良好▆的抗炎、降血脂、抗氧化和抗癌等特性。姜黄素是从姜科、天南星科中一些植物的根茎中提取的一种二酮类化合物。其中，姜黄中约含姜黄素3%～6%，是植物界很稀少的具有二酮结构的色素。

　　了解栽培根茎中╲姜黄素的水平并确定高产品种非常重要。传统上测量姜黄素是通过从新鲜根茎或干粉中将其提取出来，并使用高效液相色谱（HPLC）或紫外-可见分光光⊙度法进行分析。从植物材料中分离姜黄素费事、费力、成本高，且需要专门的实验室设备和有经验的操作人员。而高光谱成︾像（HSI）是一种快速且无损的技术，已成功用于♀土壤和农产品（坚果、水果∩和蔬菜）各种化学成分和质量指标的评估。然而，目前尚未探索使用新鲜姜黄根茎的HIS图像来预测姜黄素。

　　基于此，为了填补卐研究空白，在本文中，来自澳大利亚的一组研究团队进行了相关研究，旨在：(1) 比较澳大利亚东部不同采样点◥3个姜黄品种（黄色、橙色和红色）的总☆姜黄素浓度和不同类姜黄素的分布；（2）评估利用可见-近红外（Vis/NIR）光谱（400-1000 nm）建立的PLSR模型预测新鲜姜黄根茎中总姜黄素浓度的潜力。

　　作者在2018年11月至2019年11月，从五个研◥究地点共收集了190个样本，以∮捕捉生长周期的变化。利用光谱范围为400-1000 nm，光谱采样间◣隔为1.3 nm，光谱分辨率为2.3 nm的Resonon Pika XC2高光谱相机获取样品的高光谱图像。扫描后，提取根茎中的姜黄素⊙，分析其总浓度和分布。建立偏最小二乘回归（PLSR）模型来预测总姜黄素浓度，并通过R²和RMSE来评估模型的≡准确度。

图1 高光谱成像系统Resonon Pika XC2高光谱相机扫描姜↘黄根茎（a），选择根茎肉（横截面）（b）和皮（c）感兴趣区域（ROI），用于提取每个样品的平均光谱反←射率。

图2 实验设计和模型开№发流程图。

　　【结果】

表1 校准和测试〇集中不同品种和采样地的总姜黄素(%) 浓度的描述性分析。

图3 不同姜黄品种中三种姜黄素类化合物：双去甲⊙氧基姜黄素(a)、去甲氧基姜黄素(b) 和姜黄素(c) 的百分比分布。

图4 使用三个姜●黄品种的原始反射光谱和〗根茎皮（a）与根茎肉（b）的所有可用波长开发的模型；测试集中单个样本的姜黄＠ 素（%）预测值（实心圆）（利用根茎♀肉模型〗）和测试数据集中单↓个样本测量值（“×”）和偏差线（与校准样本的相似度）分布图（c）

表2 使用各种』光谱分析技术的PLSR模型预测性能ξ。

图5 仅使用橙色姜黄品种的原始反射光谱和根茎皮（a）与根茎肉（b）的所有可用波长开发的模型；测试集中单个样本的姜黄素（%）预测值（实心圆）（利用根茎肉模型）和测试数据集中单个样本测量值（“×”）和偏差线（与校准样本的相似度）分布图（c）。

　　【结论】

　　红色姜黄品种姜黄ξ　素最高，建议农民可以培育该品种。本研究结◣果表明Vis/NIR高光谱成像结合PLSR有潜力仅⌒　使用根茎肉图像而不是根茎皮图像预测新鲜姜黄中的姜黄素。在收获和清洗过程▽中，指状根茎通常从『母根茎中折断，仍可销售，因此，通过扫描从加工批次中随机选择的任何折断的根茎碎片，并使用所开发的PLSR模型，可以在两级系统下基于农场手■段对包装根茎进≡行分级。针对每个品种开发模型可以提高预测性↘能和可靠性。使用单一姜黄品种（橙色）开发的模型预测结果更准确，预测性能和可︼靠性更高。波长选择（Jack knifing）进一步改进了这些方法，使其适用于更小、更便携的多光谱成像系统。然而，在未来的≡研究中，应针对每▲个特定品种采集更大的样本量，并对从其他光谱区域收集的数据进行调查。此外，该方法》应被用于预测单个姜黄素类化合物，未来新兴的图像深度学习算法可能会进一步提高模型预测性能。

　　请点击如♂下链接，阅读全文：

　　https://mp.weixin.qq.com/s?__biz=MjM5NjE1ODg2NA==&mid=2650310032&idx=1&sn=18f01ae402460e5da378f1ca6611014e&chksm=bee1a96f8996207988d67e735544aa15e26988c1a3cbb97e8aef9859a4a796e09c2f2202826e#rd