Resonon | 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HSI图像来预测姜黄素。

相关研究

基于此，为了填补研究空白，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。

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。