利用近红外高光谱（NIR-HSI）技术和多任务分层注意力卷积神经网络（multi-task hierarchical attention CNN），同时检测当归（Angelica sinensis）中的水分含量和阿魏酸含量

《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》：Simultaneous detection of water content and ferulic acid content in Angelica sinensis using NIR-HSI and multi-task hierarchical attention CNN

本研究结合近红外高光谱成像（NIR-HSI）与深度学习技术，提出了一种具有多头分层注意力机制（4HSA+8HSA）和多目标样本分割算法（MSPXY）的改进型多任务卷积神经网络（MT-CNN）。该模型通过不确定性驱动的自适应损失平衡策略（UW），实现了水分和芦丁含量的同步预测，其R2值分别达到0.9925和0.9880，RPD值均超过9，显著优于传统PLSR和单任务CNN模型。为中药质量控制提供了高效非破坏性检测方法。

　　

宋英杰|郑一欣|辛金山|张发兴|齐海峰|于峰|王欣欣|陈玲玲|曹晨阳|于洋|李峥

天津中医药大学中药制药工程学院，中国天津301617

摘要

为了实现当归的快速、无损和智能质量检测，本研究将NIR-HSI技术与深度学习相结合。提出了一种配备多头分层注意力机制的多任务卷积神经网络（MT-CNN）。首先，开发了一种多任务样本划分算法（MSPXY），该算法具有两个目标变量，以提高样本划分的代表性并实现平衡。其次，在卷积神经网络中加入了多头分层注意力机制（4HSA + 8HSA），以捕获局部和全局光谱特征。最后，采用了一种基于不确定性的自适应损失平衡策略（UW），以实现多个任务的动态协同优化。结合这些策略的模型（4HSA + 8HSA + 1DCNN(MSPXY) + UW）在预测当归的水分和阿魏酸含量方面取得了最佳性能。R²值分别为0.9925和0.9880，RPD值均超过9。该模型的表现明显优于传统的PLSR和单任务CNN模型。研究表明，该方法能够有效且准确地预测当归的水分和阿魏酸含量，为工业生产中的质量控制提供了一种快速、便捷且无损的检测方法。此外，该方法也为其他食品产品的质量检测提供了一种高效、准确的新途径。

引言

当归不仅是一种传统的药用植物，也是一种富含营养价值的天然健康食品。它以其补血和调气的功效而闻名[1]，常用于汤剂和茶等健康产品中[2]、[3]。此外，由于其抗氧化和美白特性，它还被广泛用于化妆品配方中。在药用方面，龙宇等人报告称当归可通过神经保护和抗炎机制治疗阿尔茨海默病（AD）[4]；陈琳琳等人提出当归可以调节血糖和血脂，从而治疗心血管和脑血管疾病[5]。这些效果与当归中的活性成分，特别是阿魏酸和多糖密切相关[6]。根据《中国药典》的规定，当归的水分含量不得超过15%。水分含量过高会导致霉菌生长、虫害侵袭和活性成分降解，而水分含量过低则会使药材变得过于干燥和脆弱，增加浪费。由于当归的丰富价值，国内外各行业对其需求不断增长，这促使市场上出现了更多价格合理、易于获取且经济可行的替代品[7]。因此，准确、快速且无损地测定阿魏酸含量和水分水平对于确保当归的质量和稳定性至关重要。

传统的化学和物理分析方法，如高效液相色谱（HPLC）、质谱（MS）、高效薄层色谱（HPTLC）、失重法（LOD）和甲苯蒸馏法（TDM）[8]、[9]、[10]，已被用于准确评估当归的阿魏酸和水分含量。尽管这些方法准确可靠，但它们复杂、耗时且需要使用有毒试剂，还会损坏样品，因此不适合现代制药生产中的快速无损检测。为了解决这些问题，NIR-HSI已成为传统化学分析的有希望的替代方案。NIR-HSI在医学、农业、环境和工业等多个领域取得了显著成果[11]。NIR-HSI结合了光谱和图像信息，能够实现快速、无损、无需试剂的多组分检测。早期的含量预测研究主要使用了机器学习算法，例如利用偏最小二乘回归（PLSR）预测芍药苷的含量[12]；K近邻（KNN）和决策树（DT）模型用于评估苹果的成熟度和水分含量[13]；支持向量机（SVM）也被用于预测西瓜种子的活力[14]。

然而，机器学习方法依赖于复杂的光谱预处理和特征选择步骤，且高度依赖手动特征提取。近年来，深度学习在NIR-HSI领域越来越受欢迎[15]、[16]。其中，卷积神经网络（CNN）因其端到端的特征提取能力而受到广泛关注。CNN能够自动捕捉光谱和图像数据中的非线性关系，实现高效建模和准确预测[17]。此外，传统的机器学习通常需要为不同目标分别训练模型，这既耗时又无法揭示化学成分之间的内在关联。相比之下，多任务学习允许模型同时预测多个响应变量，不仅提高了训练效率，还增强了模型的泛化能力。现有研究表明，多任务CNN在多指标检测中表现优异，例如用于监测猪肉中的脂质和蛋白质氧化损伤[18]，还用于检测菠菜中的叶绿素和类胡萝卜素[19]，以及评估柑橘类水果的内部质量和枸杞的化学成分[20]、[21]。

因此，本研究提出了一种创新的多层次多任务CNN架构，能够在端到端框架中同时预测当归的阿魏酸和水分含量。本研究的核心贡献有三点：（1）引入了一种双变量MSPXY样本划分方法，以确保数据源在双任务化学空间内的全局代表性和平衡性；（2）设计了一种分层多头光谱注意力机制，在网络的深层嵌入了四个局部注意力块，并在最后阶段引入了八个全局注意力头，以实现局部特征和全局依赖性的协同提取，从而克服CNN的固有局限性；（3）采用了一种基于不确定性的自适应损失平衡策略，动态优化双任务损失，实现端到端、无需人工干预的协同学习。这种方法促进了特征提取、任务平衡和模型泛化的协同优化。总体而言，该研究加深了人们对HSI和1D-CNN预测当归成分的理解，也为提高预测准确性和模型鲁棒性提供了宝贵见解。

样本

样本

本研究使用当归作为样本。共收集了来自中国甘肃、青海和云南五个不同生产地区的378批样品。每批样品随机均匀选取用于高光谱图像采集、阿魏酸含量测定和水分含量测量。

NIR-HSI系统的结构

本研究使用自制的NIR-HSI系统收集光谱图像数据

当归切片的光谱特性

如图2(c)所示，在935.61–1720.23 nm范围内，当归切片的光谱曲线分布密集且高度重叠，表明不同样品具有相似的化学成分和光学性质[22]、[23]。

选择了水分含量分别为低（5.63%）、中（8.01%）和高（12.98%）的样品，其光谱如图5(a)所示。在970 nm附近出现了一个弱吸收峰[24]、[25]，该峰对应于第二泛音

结论

为了高效且无损地预测当归中不同成分的含量，本研究利用NIR-HSI技术和深度学习CNN建立了多个模型来评估其质量。结果表明，NIR-HSI方法显著缩短了传统分析方法所需的检测时间。

单任务CNN模型的性能优于机器学习模型，表明深度学习CNN的有效性。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。

致谢

本研究得到了工业和信息化部2024年重点项目（编号：2440STCZB2617）的资助。