多光谱成像的玛咖掺伪定性鉴别和定量分析

张宏蕊，刘长虹，张九凯，韩建勋，陈 颖，郑 磊*

1. 合肥工业大学食品与生物工程学院，安徽 合肥 230009 2. 中国检验检疫科学研究院，北京 100176

引 言

玛咖原产于南美秘鲁海拔3 500 m以上的安第斯山脉[1]，在秘鲁当地食用和药用历史已有2000多年，具有“南美人参”的美誉。它含有多种次生代谢产物如玛咖酰胺、玛咖烯、芥子油苷和甾醇等[2]，具有提高生育力、抗疲劳、神经保护和缓解更年期综合征[3]等功效。2002年在我国云南、西藏等地相继引种成功[4]，2011年以来产业高速发展，但随着玛咖价格的上涨，利润空间加大化，掺假现象愈发严重，产品质量参差不齐。

目前玛咖真伪鉴别方法主要包括液相色谱、质谱和DNA条形码等。例如，Zhang等基于液相色谱和液相色谱质谱联用分析了不同产地玛咖的芥子油苷，为玛咖的质量评估提供了依据[5]； 李绍辉等利用超高效液相色谱串联质谱法检测玛咖中的非法添加物[6]； Chen等通过DNA条形码对玛咖及其掺假物进行了鉴别[7]。然而色谱、质谱技术样品预处理复杂，设备昂贵，需要消耗大量的化学试剂，DNA条形码需要专门的数据库作为支撑。近几年红外光谱和电子鼻技术等快速检测技术开始用于玛咖的分类鉴别，如王元忠等分别利用红外光谱和近红外光谱对玛咖的产地进行了鉴别分类[8-9]； 党艳婷等基于玛咖中芥子油苷含量通过电子鼻技术对玛咖进行了品质等级分类[10]，实现了玛咖品质的快速鉴定。但对于玛咖的掺假研究尚少。作为一种快速无损检测技术，多光谱成像在质量监控方面有着很大的潜力，应用于农产品无损检测领域，主要有三个方向： 一是农产品品质的预测分级，如Martina等利用多光谱成像成功地将被镰刀菌感染的小麦种子与未感染的小麦种子区分，为小麦种子的质量评估和筛选提供了依据[11]； 二是加工过程中的质量监测，如脱水胡萝卜片的颜色和水分含量是其质量监测的重要指标，Liu等用多光谱实现了实时监测胡萝卜切片在热空气脱水情况下颜色和水分的变化情况[12]； 三是真伪掺假的在线鉴别，如Liu等通过多光谱成像有效地鉴别出注水牛肉，而且检测出了牛肉样本中增加的水分含量[13]； Xiong等采用多光谱成像结合多种化学计量学方法成功辨别了辐照虾和非辐照虾，为辐照水产品的检测提供了方法[14]。本研究利用多光谱成像结合SVM，GA-SVM和BPNN模型对玛咖及其掺假物芜菁切片进行了分类鉴别； 利用PLS和LS-SVM模型对玛咖粉中掺入芜菁粉的比例进行了定量预测，旨在为玛咖的掺伪定性定量分析提供一种方法。

1 实验部分

1.1 材料与设备

玛咖干果(采购于云南宁蒗县，西藏，经云南省农科院科学院药用植物研究所鉴定)，芜菁为市售。

Videometer A/S多光谱成像仪(丹麦)； QY-2B型多功能中药切片机(温州顶历医疗器械有限公司)； HC-100T型多功能粉碎机(河城工贸有限公司)； bencbtopk冷冻干燥机(美国VirTis公司)。

1.2 方法

1.2.1 样品制备

玛咖和芜菁干果利用自动切片机切成3 mm厚度的薄片，冷冻干燥24 h。玛咖和芜菁切片分别来自不同的玛咖和芜菁干果，各120片，其中任意选择180片为校正集，60片为预测集。进行多光谱数据采集。切片实验完成后，模拟市场上玛咖粉掺假，将切片粉碎成细粉末，过60目筛。然后芜菁粉以20%，40%，60%，80%，共4个掺假水平(W/W)掺到玛咖粉中。另外，留有纯的玛咖粉和芜菁粉用于实验。将两种粉末充分搅拌混合均匀，将混匀后的样品置于培养皿中，使培养皿表面平整，然后利用多光谱测量仪对不同掺假水平的样品进行光谱测定，每份样品由不同的玛咖和芜菁干果磨成的粉组成，校正集90份样品，预测集30份样品。

1.2.2 多光谱图像采集

多光谱成像仪可以测量405，435，450，470，505，525，570，590，630，645，660，700，780，850，870，890，910，940和970 nm共19个波段的光谱反射值，覆盖了可见光以及近红外波长。多光谱成像采集系统由摄像头、LED 灯、积分球等部分组成，测量时将样品放于积分球内，积分球表面涂有白色颜料，光线可以均匀传播，光谱敏感摄像头置于积分球的顶部，LED灯置于积分球边缘位置。多光谱图像是含有光谱数据和形态信息值的三维图像，原始图像里包含了噪声和冗杂信息，需要进行预处理后再提取光谱值。

1.2.3 数据分析

采用的化学计量学方法包括PCA，SVM，GA-SVM，LS-SVM，BPPN，PLS，其中需要的软件有Origin 8.5和Matlab 2011a。

PCA是一种常用的无监督的多元统计学方法，通过运用少量的特征对样品进行描述，达到降低特征空间维数的目的。PLS是一种线性回归的多元校准模型，BPPN和线性模型相比，更能准确地解决复杂的问题，在模式识别中有广泛的应用。SVM 是一个可以进行非线性分类、函数估计和核密度估计的一种新型算法，具有较好的泛化能力，广泛应用于统计分析和回归分析中。LS-SVM是在SVM算法基础上作了改进，可以同时进行线性和非线性建模分析，可以快速准确地进行多元建模[15]。GA-SVM是将支持向量机和遗传算法结合起来的一种混合算法，遗传算法提取最优的特征子集，支持向量机确定特征子集的合适值。

1.2.4 模型校准

2 结果与讨论

2.1 玛咖及其掺假物芜菁的光谱分析

玛咖及其掺假物芜菁在405～970 nm波长范围内的平均反射光谱变化趋势相似，两者随着波长的增加，反射值逐渐增加。但是存在一些差异，玛咖的反射值始终高于芜菁的反射值[图1(a)]，这反映了玛咖及芜菁中物理和化学成分存在差异。在405～700 nm可见光范围内，玛咖反射值高于芜菁的反射值主要是和样品的颜色有关。在940～970 nm范围内玛咖和芜菁光谱值差异主要是由于O—H伸缩或弯曲模式引起的。在不同比例芜菁粉和玛咖粉平均反射光谱中[图1(b)]，所有样品的平均光谱呈相似的变化趋势，随着波长的增加呈上升趋势。样品的反射值与掺入芜菁粉比例呈正相关增长，其中掺入60%芜菁粉、掺入80%芜菁粉和芜菁粉3组之间反射值递增的梯度较为明显，另外在700～850 nm范围内6组反射值差异最为显著。由于玛咖中成分复杂，仅依靠化学成分来定性分析是困难的，因此应用化学计量学方法进一步分析光谱数据以获取更好的玛咖鉴别结果。

图1 玛咖和芜菁的平均反射光谱

2.2 玛咖及其掺假物芜菁切片的分类分析

为了对玛咖和芜菁进行有效鉴别，首先采用PCA分析以观察主成分空间中玛咖及其掺假物芜菁样品之间的变化和区分能力。玛咖及其掺假物芜菁的主成分三维得分图结果显示，三个主成分PC1，PC2，PC3总得分达99.63%，得分依次为93.46%，4.23%，1.94%。可清晰地将玛咖及其掺假物芜菁分成两组(图2)。结果表明玛咖和芜菁可以被区分并且样品的不同光谱属性和样品的特征是相关的。在PCA可视化分析基础之上建立SVM，GA-SVM，BPNN等模型进一步准确验证。240个玛咖和芜菁样品(玛咖、芜菁各120)，分为2组，其中校正集180个，预测集60个。3个模型鉴别结果如表1所示，在SVM模型的预测集中，只有1个玛咖样品没有正确分类，玛咖和芜菁的预测正确率分别为98.33%，100%。在GA-SVM和BPNN模型中，玛咖和芜菁样品全部正确分类，预测正确率均为100%。3个模型相比，GA-SVM和BPNN模型更适于玛咖和芜菁的鉴别，表明多光谱成像结合GA-SVM或BPNN模型可以有效实现玛咖及其掺假物芜菁的鉴别。

2.3 掺假玛咖粉中芜菁粉的定量预测

图2 玛咖和芜菁光谱的三维主成分分析图

表1 用于鉴别玛咖及芜菁切片的SVM，GA-SVM，BPNN模型结果对比

aMisclassified samples.

目前市场上向玛咖粉中掺入芜菁粉的量多少不一，而且分布范围较广，实时鉴别难度较大。本研究的主要目的是应用多光谱成像实现玛咖粉中掺假芜菁粉检测的可能性，通过对20%，40%，60%，80%的掺假比例研究后发现，掺假玛咖样本的多光谱信号随掺假比例呈现规律性变化，证明了该方法进行芜菁掺假定量分析是可行的。在将来的研究中，需要对模型预测的最低检测水平进行研究，并对定量分析的稳定性进行优化，使得建立的模型能够更好地应用于市场上玛咖掺假的快速无损检测。总之，多光谱成像结合多元统计学方法在玛咖真伪鉴别方面有很大的发展空间和应用前景。

表2 用于预测玛咖粉中芜菁粉掺假比例的PLS和LS-SVM模型结果对比

3 结 论

本研究的创新性主要在于利用多光谱成像结合不同化学计量学方法，包括PCA，SVM，GA-SVM，BPNN，PLS和LS-SVM对玛咖及芜菁切片进行了鉴别以及对玛咖粉中芜菁粉的掺入比例进行了预测。结果表明，对玛咖及芜菁切片的鉴别，两者可以成功区分，GA-SVM和BPNN模型有较好的校准和预测能力，准确率为100%； 对玛咖粉中掺入芜菁粉比例的预测，LS-SVM模型的预测性能最佳。多光谱成像结合化学计量学方法可以为玛咖掺伪定性定量分析提供一种快速无损有效的新方法。