基于复合特征重构与HLOA-CNN算法的甘草品种鉴别与产地溯源研究

本研究创新性地融合多源表型特征（RGB颜色、可见光谱、Tamura纹理）与化学成分数据，通过主成分分析（PCA）和偏最小二乘判别分析（PLS-DA）筛选关键区分变量，并采用角蜥优化算法（HLOA）优化卷积神经网络（CNN）超参数，构建HLOA-CNN鉴别模型。该模型在训练集和测试集中均实现100%准确率的甘草品种（GGL/GUF/GIB）与产地（新疆/甘肃/内蒙古）判别，为功能性食品真实性鉴定提供了多特征融合与智能算法协同的新范式。

　　

Highlight

Comparative analysis of chromaticity parameters

RGB模型通过红（R）、绿（G）、蓝（B）通道强度定义颜色，值越高代表颜色越浅亮。本研究提取三种甘草（GGL、GUF、GIB）及不同产地（GS、NMG、XJ）GUF样本的色度值，结果如图1所示。三种甘草品种在外观颜色上存在显著差异：如图1-A所示，GIB表面呈现更深的红棕色（R值最高），GUF颜色偏黄（G值突出），而GGL则具有最浅的色调（B值主导）。不同产地的GUF样本也显示出梯度性色彩变化，XJ产区的样本具有更鲜明的黄色调，这与当地强光照条件导致的类黄酮化合物光降解加速密切相关。

Conclusions

本研究通过多维度数据融合与智能算法实现了甘草品种与产地的精准鉴别。通过融合表型特征（RGB颜色、光谱、纹理特征）与活性成分（黄酮类、甘草酸等），发现品种间与产地间存在显著差异。多元统计分析揭示了样本聚类趋势，并筛选出14个品种区分关键变量（红色值、绿色值、蓝色值、粗糙度、粗糙度2、线性度、534.7–562.6 nm光谱段等）以及8个产地区分关键变量（蓝色值、甘草酸等，VIP > 1）。采用角蜥优化算法（HLOA）对卷积神经网络（CNN）超参数进行优化后构建的HLOA-CNN模型，在训练集与测试集中均实现100%判别准确率，为功能性食品真实性验证提供了创新技术方案。