基于ImageJ和响应面法的秋葵种质资源CIELAB颜色参数预测模型构建：植物化学成分与抗氧化活性的非破坏性分析

本研究通过ImageJ图像分析和响应面法（RSM）建立了秋葵种质资源颜色参数（L*、a*、b*）与植物化学成分（TPC、TFC、AOA）的预测模型，解决了传统生化检测方法耗时昂贵的问题。结果表明，颜色特征与生物活性物质显著相关（R2达0.89-0.91），为快速筛选高抗氧化秋葵基因型提供了非破坏性工具。

　　

秋葵（Abelmoschus esculentus）作为一种全球广泛种植的经济作物，其营养价值与药用价值日益受到关注。果实颜色不仅是消费者选择的重要视觉指标，更与抗氧化活性及生物活性物质含量密切相关。然而，传统测定酚类、黄酮类化合物的方法如高效液相色谱（HPLC）或分光光度法存在成本高、耗时长等局限，难以满足大规模种质资源筛选需求。如何通过非破坏性手段快速评估秋葵的植物化学成分，成为农业研究和食品工业亟待解决的问题。

针对这一挑战，来自国内某高校的研究团队创新性地将数字图像分析与响应面法（RSM）相结合，对10个不同生态来源的秋葵种质资源展开研究。通过ImageJ软件提取CIELAB颜色参数（L*、a*、b*），并建立其与总酚含量（TPC）、总黄酮含量（TFC）和抗氧化活性（AOA）的数学模型。相关成果发表在食品科学领域权威期刊《LWT》上，为作物品质的无损检测提供了新范式。

研究采用三大关键技术：1）基于ImageJ的标准化图像处理，通过CIE 1976标准将RGB值转换为CIELAB色彩空间；2）采用历史数据设计的响应面法（RSM），建立二次多项式模型分析变量关系；3）通过方差分析（ANOVA）验证模型显著性，以R²和F值评估拟合优度。所有实验均在温室控制条件下进行，样本来自伊朗不同海拔地区的10个秋葵种质资源。

3.1 实验设计与响应面建模
研究采用历史数据设计，通过Design-Expert软件构建TPC、TFC、AOA与颜色参数的二次多项式模型。ANOVA显示模型高度显著（p < 0.01），其中L*、a*、b*的R²分别达0.89、0.82和0.91，表明颜色参数能有效预测植物化学成分。

3.2 模型拟合与变量影响
TFC对L值影响最为显著（p < 0.01），呈现负相关，说明深色果荚通常含有更高黄酮类物质。交互作用分析发现，TPC与TFC的协同效应对a值影响显著（p < 0.05），而AOA与b*值呈非线性关系。

3.3-3.5 三维响应面分析
通过3D曲面图可视化发现：

• L*值在低TFC高TPC时达到峰值（96.87），验证了深色果荚与高抗氧化物质的关联；
• a*值（绿-红轴）随TFC增加而降低，表明黄酮积累会增强绿色色调；
• b*值（黄-蓝轴）受AOA正向调节，最高值（45.43）出现在高AOA与高TPC组合中。

3.6 优化验证
模型预测最优条件为TPC 15.00 mg GAE/g DW、TFC 9.91 mg QE/g DW、AOA 200 μg Trolox/g DW，对应颜色参数L*=96.87、a*=-13.15、b*=26.41。实测值与预测值偏差<5%，证实模型可靠性。

这项研究首次建立了秋葵颜色特征与植物化学成分的定量关系模型，揭示了CIELAB参数作为生物活性物质替代指标的潜力。通过非破坏性的ImageJ分析，可在育种早期快速筛选高抗氧化活性的种质资源，显著降低传统检测成本。未来研究可拓展至更多作物品种，并结合机器学习提升预测精度，为精准农业和食品质量控制提供创新工具。