灵芝是一种食用菌，在中国又称灵芝，几个世纪以来一直被用作改善健康的营养保健品。

灵芝中多糖的百分含量会随着生长而变化，在菌丝体中最高，而子实体中含量最低，但总含量仍在上升。为了定量分析多糖含量，目前主要采用硫酸法和蒽酮硫酸法。这些方法的结果较为准确，但也存在操作复杂、费时费力等诸多缺点。具有破坏性。实现无损监测、实时定量预测多糖含量，确定最佳灵芝采收时间节点，提高品质，提出了预测灵芝多糖含量的方法本文使用高光谱图像来检测灵芝。高光谱成像(HSI)是一种结合了传统技术的技术成像和光谱学以获得空间和光谱信息对象。已越来越多地用于无损含量检测，采集灵芝的近红外光谱粉末证明使用HSI测量多糖的可行性内容。然而，无损多糖也面临着新的挑战。灵芝在栽培过程中的检测。灵芝子实体多糖含量低，0.73%，且分布不均匀，表面的含量甚至更低。改善检测准确性，本文提出了更详细的研究。提出了一种快速、无损检测的方法HSI法测定灵芝子实体多糖含量技术。我们收集了可见光和近红外光谱同时提取灵芝样品，提取特征带，并使用机器学习算法来建立回归不同组织区域的光谱之间的关系灵芝帽及多糖含量。

华南农业大学电子工程学院利用GaiaFieldPro-V10E（江苏科技有限公司），光谱范围为402.6?1005.5nm，光谱分辨率为2.8nm和GaiaFieldPro-N17E（光谱范围为887~1703nm，光谱分辨率为5nm，采集灵芝（也称为超??体）的?光谱图像数据。采集样品制备以及过程示意图如图。

▲

图1.光谱采集环境和样品处理。（a）。四个时期样本的 RGB 图? (b)。?光谱图像采集系统和 ROI。

光谱图像采集完成后，多糖灵芝子实体中提取采用改良的苯酚-硫酸法并根据标准曲线，可得样品的多糖含量。?先通过阈值去除背景噪声和灵芝帽表?的反光部分，得到灵芝帽。由于前三个时期的样本具有????区域，因此我们有两种?法来选择感兴趣区域（ROI），如图1（b）所?。第?个是分别选择??（R_edge）和??区域（R_center）作为ROI，第?个是选择整个区域（R_all）作为ROI。与NIR相?，VIS中按照第?种?案更容易提取ROI。通过阈值、形态学运算，最后提取连通分量得到R_center，并对R_center和R_all进行逻辑异或运算得到R_edge。每个灵芝样品的?光谱反射率是通过对ROI中的所有像素进行平均?获得的。对于P1和P2的样品，分别对7个和5个样品的反射率进行平均。为了消除散射效应带来的噪声，使用标准正态变量(SNV)和Savitzky-Golay过滤(SG)。光谱特征的维数可以为通过特征提取和特征选择来减少。这里使用投影算法（SPA）进行特征选择。然后，对于提取的变量，多元线性回归建立分析（MLR）模型以获得交叉验证根建模集的均方误差(RMSEcv)，以及具有选择最小的RMSEcv。对应的变量就是最优的特征。

使用偏最小二乘回归（PLSR）来建立可见光和近红外光谱与多糖的模型内容。PLSR是一种稳健可靠的算法，用于建立模型和它已被用于许多光谱内容回归研究因为它能够减少影响数据的多重共线性。交叉验证最大化数量用于训练模型的数据，因为每个样本将用于培训和验证。在本研究中使用5倍交叉验证（CV）。模型的每个评估值都会产生5个结果分别在验证集中，并将它们的平均值作为CV的评价值。

多糖含量的最大值、最小值和平均值四个时期的样本和标准差如图2（a）所示。四个时期样品多糖含量平均值分别为1.14%±0.12%、0.77%±0.09%、0.61%±0.11%和0.52%±分别为0.07%，幅度较小，且逐渐下降。从图2(b)可以看出，多糖含量不同时期的不同样本可能是相同的，即与灵芝样品的特性有关。

四个周期（P1、P2、P3、P4）样本的光谱反射VIS和NIR的如图3所示。其他波长由于噪声而被发现不可靠。因此，波长选择了482nm至920nm和930nm至1640nm，总共128个VIS波段和222个NIR波段。从图3(a)、(c)、(e)可以看出，原始反射率前三个时期的VIS曲线差异很大，特别是520nm和580nm之间的峰和谷。原始反射率NIR曲线（图3（b），（d）和（f））具有相似的趋势，并且值_Rcenter,nir稍大一些。950–1000nm和1400–1500nm处的吸收可能是与水中O-H的一次谐波有关，以及在1000–1100nm可能与O–H的二次谐波有关多糖和单糖，而1150–1300nm可能是与C-H组合的第一次谐波有关。由于NIR中有更多的波峰和波谷，我们预计使用近红外光谱建立多糖回归模型会有更好的效果影响。

R_all,nir经过三种不同光谱后的光谱反射曲线预处理如图4(b)-(d)所示。从图中可以看出表明同期样本的曲线更加紧凑。通过SG平滑，可以将频谱信号中的随机噪声消除，可以提高样品的信噪比。使用SNV来消除散射对光谱的影响由于颗粒分布不均匀，颗粒大小不同。这SNV预处理的结果是一个新的数值序列，其平均值为值为0，方差为1。

▲

图2四个时期样品的多糖含量(a)。四个时期灵芝多糖的最?值、最?值、平均值和标准差，(b)。四个时期100个样品的多糖含量。

▲

图 3.不同ROI和光谱范围内的光谱效果。（a）R_{center,vis，}（b）R_center,nir（c）R_edge,vis（d）R_edge,nir（e）R_all,vis（f）R_all,nir

灵芝多糖含量的PLSR模型实体是通过VIS和NIR的HSI扫描构建的，之后对高光谱立方体信息的适当处理和特征选择。这些预测模型的结果显示在由于交叉验证的结果可以更好地反映适用性预处理方法和机器学习算法的比较校准集和验证集的结果，我们优先考虑R²的高值。一切校准和验证集的结果从5倍开始，所以它们的数据分布是相同的。全部R²_cv是大于0.74，表明原始光谱和预处理后的光谱均光谱图谱对多糖具有良好的鲁棒性内容。使用原始光谱反射进行建模ROI_center、R²_valVIS和NIR的值分别为0.86和0.786，经过SG预处理后，VIS效果提升略有提高，达到0.864，而NIR的改善较大，达到0.866。SNV预处理对VIS的影响还是很小，而NIR从0.786增加到0.828。我们发现原来的两次预处理后VIS光谱有小幅增加甚至增加减少，而NIR增加。经过两次预处理后综合起来，如表1所示，VIS的影响有所降低，NIR的效果也得到了很大的提高。模型建立通过R_center,nir结合SG和SNV预处理方法有效果最好，用R²_val达到0.894。

▲

图4 R_all,nir的三种光谱预处理结果（a）原始光谱,(b)SG,(c) SNV(d)SG和SNV

使用ROI_edge的原始光谱反射建模，R²_valVIS值和NIR分别为0.842和0.855，效果降低与ROI_center的模型相比有所改进，表明近红外ROI_edge的原始光谱与多糖的相关性更强样品的含量高于ROI_center的原始光谱。预处理后，R²_valVIS和NIR在SG和R²_val之后下降SNV改进后。结合两种预处理，预测效果也下降了。对于这种现象，我们假设ROI_edge的面积占据相对较小的面积，导致较小的ROI_edge中的像素数量，并且ROI_edge的边缘容易受光影响。在对数据进行预处理时，本例中使用SNV进行标准化比SG平滑效果更好。对于ROI_center，像素数为较大，且边缘区域不易受光影响，SNV和SG预处理与保留的有效信息有关预处理。根据我们的假设，由于空间分辨率VIS的ROI比NIR的大，VISROI_edge的影响为比近红外更好。SNV预处理后，VIS效果最佳达到0.896。从ROI_center和两个不同区域来看ROI_edge，经过相应预处理建立的回归模型非常好，可以看出ROI_center和ROI_edge的频谱可以反映整个样品的多糖含量。考虑到实际应用中分别提取两个区域的难度，减少计算量，提高检测效率，推广应用程序使用整个上限是最容易的灵芝样本进行建模和预测，这是最使用整个频谱而不是部分频谱是合理的造型。基于整个上限的原始反射(ROI_all)，R²_valVIS和NIR的值分别达到0.864和0.783，并且多个预处理提高了效果。其中，综合SG和SNV预处理效果达到VIS和NIR最高，R²_val分别为0.9和0.924。图5(a)和(b)显示了这两个模型的预测结果。

▲

图 5前两个模型预测结果(A)VIS中ROI_all上的 PLSR，经过 SG 和 SNV 预处理(b)ROI_all上的 PLSR在 NIR 中进行 SG 和 SNV 预处理。

这项研究表明使用高光谱成像是可行的收集灵芝光谱立方体的设备预测其多糖含量，凸显巨大潜力用于快速、无损测定多糖灵芝。VIS和NIR光谱数据可以准确预测灵芝子实体多糖含量经过SG和SNV预处理后，NIR效果更好，用整体构建的模型效果更好。我们提供了一种可行的多糖监测方法灵芝栽培过程中的含量，得到为种植者提供生长信息，并确定最佳收获是时候提高其质量和经济价值了。它有潜力成为用于大规模种植和高通量检测。

PRODUCT

▲

GaiaSorter -Dual“盖亚”双相机全波段高光谱分选仪

参考文献：

Liu Y, Long Y, Liu H, et al. Polysaccharide prediction in Ganoderma lucidum fruiting body by hyperspectral imaging[J]. Food Chemistry: X, 2022, 13: 100199.
https://doi.org/10.1016/j.fochx.2021.100199