高光谱技术结合机器学习模型用于灵芝产地准确分类的研究

《Journal of Food Composition and Analysis》:Application of hyperspectral technology combined with machine learning models to accurately classify Ganoderma lucidum samples by origin

【字体: 大 中 小 】 时间:2026年06月29日 来源:Journal of Food Composition and Analysis 5.3

编辑推荐:

  灵芝(Ganoderma lucidum)为一类具药用价值的重要真菌,其品质因产地而异,且多类别分类对常规机器学习算法仍属重大挑战。为解决该问题,研究人员基于高光谱成像(hyperspectral imaging, HSI)技术建立了灵芝产地鉴别框架:采用SM

  
灵芝(Ganoderma lucidum)为一类具药用价值的重要真菌,其品质因产地而异,且多类别分类对常规机器学习算法仍属重大挑战。为解决该问题,研究人员基于高光谱成像(hyperspectral imaging, HSI)技术建立了灵芝产地鉴别框架:采用SMOTE?TomekLinks混合采样法平衡不平衡样本分布,并以网格搜索进行超参数优化;选取支持向量机(support vector machine, SVM)、随机森林(random forest, RF)及极端梯度提升(eXtreme Gradient Boosting, XGBoost)三种机器学习算法进行对比建模。实验结果表明,SVM在所有模型中综合识别性能最优,分类准确率(accuracy)达0.87以上,平均F1?score超过0.85且稳定性良好;所提出的数据处理策略有效提升了不平衡样本的产地识别精度。本研究验证了混合采样联合高光谱特征提取在地理溯源中的优越性,为灵芝及其他中药材的产地判别提供了可行的技术参考。
《Journal of Food Composition and Analysis》刊载的该研究针对灵芝(Ganoderma lucidum)因产地不同导致活性成分与药效差异、现有高光谱成像(hyperspectral imaging, HSI)产地溯源研究多忽略真实采样中类别不平衡且少见于药用真菌的问题,建立基于HSI与机器学习的不平衡多类别产地分类框架,经SMOTE?TomekLinks混合采样、光谱预处理及SVM/RF/XGBoost建模与网格搜索寻优,发现短波红外(short?wave infrared, SWIR)波段结合标准正态变量变换(Standard Normal Variate, SNV)预处理且不经主成分分析(principal component analysis, PCA)降维的SVM模型综合性能最优(测试集Accuracy最高达1.00,常规条件下≥0.87,平均F1?score>0.85),证实混合采样联合光谱校正可有效解决HSI不平衡数据多类别分类难题,为道地药材无损产地鉴别提供可行方案。
研究人员采集中国七个省份共128份灵芝子实体样本(东北—吉林/黑龙江16+16份、华中—安徽/山东10+10份、华南—广西3份、西南—西藏3份),经VIS?NIR及SWIR波段HSI采集与黑白校正获取平均反射光谱,手动提取感兴趣区(region of interest, ROI)光谱并按约90∶38划分为训练集与预测集;分别采用标准正态变量变换(Standard Normal Variate, SNV)、多元散射校正(multiplicative scatter correction, MSC)及Savitzky?Golay一阶导数(SG+1st)预处理,比较原始全波段与PCA保留前20个主成分(累计方差>0.90)的情形;以SMOTE?TomekLinks混合采样平衡四产区样本量,构建SVM(RBF核,C与损失函数调优)、RF(n_estimators、max_depth等调优)及XGBoost(colsample_bytree、learning_rate等调优)三模型,均采用5折交叉验证网格搜索寻优,以加权准确率(Accuracy)、召回率(Recall)、F1?score及过拟合程度评价。
3.1. Spectral analysis
各产区灵芝在可见光?近红外(visible and near?infrared, VNIR)与SWIR波段原始光谱趋势相似但反射率值存在差异,西南产区最高、华中最低;经预处理后产区间反射率差距减小,说明光谱含有与产地相关的化学?物理信息且可被预处理增强。
3.2. Classification of raw data
未降维原始光谱建模各模型训练集表现优异;RF与XGBoost在SWIR波段过拟合指数分别达0.50和0.42,对少数类(Class 3、Class 4)识别较差,而SVM过拟合指数仅0.15,VNIR与SWIR下测试集Accuracy均达0.87、Recall与F1?score≈0.87,综合稳定性最佳,表明SMOTE?TomekLinks可缓解不平衡影响但树模型易偏向多数类。
3.3. Effects of PCA dimension reduction on classification
PCA降维后RF与XGBoost过拟合略减但SVM过拟合加剧、少数类Recall下降(SWIR波段Class 3由0.75降至0.25),XGBoost在SWIR中对前三产区Recall上升;说明PCA仅依方差最大化投影会丢弃对少数类判别关键的低方差特征,不利于不平衡多类别HSI数据,SVM依赖完整光谱信息故性能受损,集成模型可部分受益于冗余去除。
3.4. Effects of preprocessing on classification
MSC、SNV、SG+1st预处理均降低过拟合并提升测试集指标;SWIR?SNV?SVM测试集Accuracy最高达1.00,SWIR?SG1?XGBoost达0.93,RF在SG1下达0.87;SWIR整体优于VNIR,归因于SWIR信噪比更高且含更多与成分相关的吸收特征,光谱预处理有效消除散射与基线漂移保留产地特征。
3.5. Effects of PCA dimension reduction combined with pre?processing on classification
预处理后接PCA降维可使RF过拟合进一步降低、测试Accuracy略升(SWIR?MSC?RF达0.91),但SVM与XGBoost多数情形下测试Accuracy较仅预处理下降、过拟合波动增大;最佳仍为SWIR?SNV?SVM(仅预处理无PCA)Accuracy=0.95~1.00,证实在不平衡HSI分类中先预处理再全波段建模优于引入无监督PCA降维。
讨论部分指出:SMOTE?TomekLinks通过在少数类合成样本并清除边界重叠/噪声样本有效改善多类别不平衡问题;光谱预处理(SNV/MSC/SG)去噪保特征明显优于PCA降维——后者忽视类别判别信息且受量纲影响大,易丢失少数类关键低方差特征;SVM因核技巧与类别权重设置对不平衡数据具较好鲁棒性。研究局限含网格搜索依赖经验、样本覆盖有限、SMOTE合成样本可能偏离真实分布、未引入深度学习及现场干扰因素等,后续拟扩样、引入智能寻优与卷积神经网络等深度模型、纳入现场环境变量以推进实用化。
结论部分翻译:综上所述,研究人员整合数据平衡策略与光谱校正方法构建了灵芝高光谱产地鉴别方法。经综合比较不同波段、预处理、降维策略及机器学习模型,确定最优配置为SWIR波段结合SNV预处理及不经PCA降维的支持向量机(SVM)建模。实验结果验证该最优框架可在样本不平衡条件下有效、准确地区分灵芝样品的地理产地。所建鉴别系统操作简便、实用性强,标准化数据处理流程便于推广,优化后模型分类准确率可达85%以上,满足药用真菌现场快速无损检测要求。本研究不仅推动药用真菌产地溯源技术发展,也为各类不平衡数据分类任务提供实践参考。未来将扩大样本来源、优化建模算法并适配复杂现场环境,进一步提升模型的泛化能力与现场适用性,为中药材产地溯源技术的大规模应用奠定技术基础。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号