基于多任务深度学习与近红外光谱的黄精产地及品种智能鉴别新方法MT-NIRNet

【编辑推荐】针对黄精药材因产地和品种差异导致质量参差不齐的市场痛点，研究团队创新性提出多任务深度学习框架MT-NIRNet，通过共享层和SE注意力机制实现近红外光谱(NIR)数据的协同特征提取，在未预处理条件下即达100%分类准确率，为中药材溯源提供高效无损检测方案。

　　

黄精作为传统药食两用资源，其品质与产地环境、品种特性密切相关。不同产区的黄精因气候、土壤差异导致活性成分含量悬殊，直接影响其药用价值和市场价格。然而现有鉴别技术面临严峻挑战：形态学鉴定依赖专家经验，分子标记法成本高昂，而常规光谱分析方法难以兼顾产地与品种的双重鉴别需求。

中国农业大学的研究团队在《Journal of Food Composition and Analysis》发表的研究中，创新性地构建了MT-NIRNet多任务深度学习框架。该研究采集了黄精四大主流品种（polygonatum kingianum、cyrtonema、sibiricum、parvifolium）的跨产区样本，通过近红外光谱扫描获取原始数据。关键技术包括：1）采用共享特征层的多任务架构同步处理品种与产地分类；2）引入SE(Squeeze-and-Excitation)注意力机制强化特征选择；3）设计CBRS(Convolution-BatchNorm-ReLU-SE)模块进行光谱特征提取；4）系统比较SNV等预处理方法对模型性能的影响。

分析原始光谱

研究显示1200nm处的C-H键二级倍频吸收峰揭示了黄精富含碳水化合物特征，而1450nm的O-H伸缩振动则反映水分含量差异，这些特征为后续建模提供了物理化学依据。

结论

该模型在未预处理时即实现99.9%准确率，经SNV标准化后达到100%分类精度。相比传统PLS-DA等机器学习方法，MT-NIRNet展现出更强的特征提取能力和泛化性能。研究首次将多任务学习引入中药材鉴别领域，其构建的CBRS模块有效解决了光谱数据高维度、高噪声的挑战，SE机制则使模型能自主聚焦于判别性波段。

这项研究不仅为黄精质量管控提供了快速无损的检测工具，更开创了深度学习与光谱技术融合的新范式。其多任务架构设计显著提升了计算效率，对实现中药材大规模溯源具有重要实践意义，同时为其他农产品的智能鉴别提供了可借鉴的技术路线。