基于高光谱成像与混合多任务1DCNN的美国西洋参无损溯源及皂苷定量分析

为解决美国西洋参(Panax quinquefolius L.)产地溯源与皂苷含量检测的破坏性、低效性问题，研究人员整合高光谱成像(HSI)与混合多任务一维卷积神经网络(MMT1DCNN)，实现了95%产地分类准确率及0.965皂苷含量预测相关系数，为中药材质量控制提供了创新性无损检测方案。

　　

中药材市场上，美国西洋参(Panax quinquefolius L.)因产地差异导致其核心活性成分——皂苷(ginsenoside)含量波动显著，直接影响其药用价值与市场价格。传统鉴别方法依赖经验判断或高效液相色谱等破坏性检测，存在主观性强、耗时长、成本高等缺陷。随着健康食品行业扩张，掺假问题日益突出，亟需建立快速、精准的无损检测技术。

河南工业大学粮食信息处理中心（Henan University of Technology Grain Information Processing Center）的研究团队在《Journal of Food Composition and Analysis》发表研究，创新性地将高光谱成像(HSI)技术与混合多任务一维卷积神经网络(MMT1DCNN)相结合，实现了美国西洋参的产地精准判别与皂苷含量同步预测。该研究通过自适应阈值分割提取HSI光谱数据，采用连续投影算法筛选特征波段，构建了包含中国山东、吉林及加拿大、美国产地的样本数据库。

关键技术包括：1）基于HSI的光谱空间信息采集；2）混合分类（产地）与回归（皂苷含量）任务的MMT1DCNN模型构建；3）化学计量学方法验证模型性能。

光谱数据分析
通过对比四产地样本的平均反射光谱，发现其吸收峰位置一致但强度差异显著，证实了HSI对成分异质性的捕捉能力。

结论
该方法实现95%产地分类准确率，皂苷含量预测的RMSE（均方根误差）为3.64 mg/g，RPD（残差预测偏差）达3.54。研究首次将多任务深度学习框架应用于中药材双重评价，为行业提供了可推广的无损检测范式。

意义
突破传统检测的破坏性局限，通过HSI+MMT1DCNN技术组合，实现了中药材"产地-成分"一体化评估，对保障药材质量、规范市场秩序具有重要实践价值。研究获得河南省科技攻关项目（31210617）等基金支持，相关算法已申请开源。