基于先验引导的光谱重建与光谱-空间学习技术在半夏无损来源鉴定中的应用

《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》：Prior-guided spectral reconstruction and spectral-spatial learning for non-destructive origin authentication of Pinellia ternata

　　

摘要

要对Pinellia ternata进行准确的产地鉴定，就需要使用可靠且可解释的无损模型。本研究基于来自四个产地的800个感兴趣区域的可见/近红外光谱图像数据集，提出了一种基于先验引导的光谱重建方法以及光谱-空间ROI立方体框架。首先，每个感兴趣区域通过均值光谱表示，并经过原始处理、Savitzky-Golay处理、乘性散射校正以及标准正态变量预处理等步骤进行分类。为增强具有区分度的光谱特征，我们引入了RSDQ这种强化学习风格的重建算法，它能从训练光谱中学习类别感知的先验；随后利用SHAP算法得出的波段重要性来指导重建的焦点，同时通过验证控制的乘数来避免过度重建。其次，将配准后的感兴趣区域块保存为光谱-空间立方体，再利用ResNet2D、Inception-ResNet2D以及经过测试时增强处理的改进版Inception-ResNet2D集成模型对其进行分类。SHAP-RSDQ方法将50次运行的基线宏观F1值从0.8848提升至0.8963，而自适应重建方法的该数值则达到了0.8975。最佳重建的MSC-MLP模型的宏观F1值则为0.9738，而光谱-空间集成模型则取得了最高的0.9850的五种子宏观F1值。Grad-CAM、通道梯度以及波段遮挡分析都表明，性能的提升有可解释的光谱和空间特征作为支撑。

引言

地理产地是农业植物材料重要的品质与溯源属性。近期关于地理标志、蜂蜜和咖啡的产地鉴定研究都表明，仅靠视觉检查往往无法实现有效的产地区分，往往需要多变量指纹特征[1]、[2]、[3]。对于欧石楠种子这类植物材料，也可通过可解释的化学指纹技术来进行溯源，这进一步凸显了在高价值植物产品中需要可追溯证据的重要性[4]。因此，Pinellia ternata作为一种高价值的植物材料，亟需快速无损的产地鉴定方法。

可见/近红外、近红外以及高光谱成像系统因能够捕捉视觉检查难以分辨的吸收、散射以及空间信息，越来越被用于无损鉴定。近期有一些研究将高光谱成像与注意力机制以及深度神经网络相结合，用于鉴别薏米和Lycium barbarum的产地[5]、[6]。此外，高光谱成像和深度学习模型也被用来识别枸杞、去皮大蒜以及三文鱼产品的产地[7]、[8]、[9]。还有研究分别采用多光谱特征融合、拉曼光谱以及红外指纹技术来鉴定普洱茶、枸杞以及安吉白茶的产地[10]、[11]、[12]。这些研究都证明光谱测量中包含着有用的地理信息。不过，目前大多数研究工作主要是在单一输入表征的基础上优化预处理、特征选择或分类器结构，而受控的光谱重建与保留的光谱-空间信息之间的互补作用则较少得到系统研究。

近期的食品鉴定与农业传感研究显示，光谱成像和深度学习是用于快速进行品质与溯源评估的有效工具。已有综述总结了深度学习与高光谱成像在多尺度农业、精准农业以及小麦作物分析中的应用[13]、[14]、[15]。其应用场景包括甘薯品质评估、玉米抗性预测以及冬小麦的生化特性分析[16]、[17]、[18]。还有研究报道了利用高光谱技术监测番茄品质，以及通过光谱特征重建对玉米种子进行分类的方法[19]、[20]。

除了在农业和光谱成像领域的应用之外，其他图像分析领域的研究也强调了以感兴趣区域为聚焦的表征方式以及辅助优化的模型设计的重要性。Natarajan等人开发了一种基于感兴趣区域的轻量级检测-分割框架，该框架将注意力机制限制在局部图像区域，同时结合优化的Savitzky-Golay预处理与模型参数调优[21]。在遥感场景分类方面，Sivasubramanian等人将紧凑型卷积特征提取、深度自编码器分类以及Al-Biruni地球半径优化方法相结合，用以优化高维图像分析中的参数配置[22]。尽管这些研究针对的是不同的成像模式和应用领域，但它们都体现了将计算集中在信息丰富的区域，以及将数据驱动的优化方法融入图像分类这一更广泛的方法论原则。本研究将这些原则延伸到配准后的可见/近红外数据上，通过在采集组层面进行验证，共同研究基于训练数据的光谱重建方法以及光谱-空间ROI立方体学习方法。

常见的光谱成像工作流程是对每个样本进行分割，计算感兴趣区域内的像素强度平均值，然后再对得到的单一维度光谱进行分类。这种表征方式计算效率高，且与传统的光谱预处理以及紧凑型分类器兼容，但感兴趣区域平均处理会丢失空间的形态特征、局部的强度分布以及与波段相关的纹理信息。近期有一些研究探索了基于学习的非光谱重建方法以及光谱特征重建技术，用于农业产品品质评估、玉米种子分类以及高光谱数据的压缩恢复[20]、[23]、[24]。这些方法都证明了基于重建的表征增强方法的价值，但它们主要侧重于密集高光谱数据的恢复或后续特征重建，而非用于产地鉴定、具备类别感知能力且受验证控制的紧凑型感兴趣区域光谱重建。此外，传统的逐点光谱归因方法可能会产生不稳定或不符合实际情况的扰动，而基于分组的光谱分析则能提供更为连贯的解释[25]。因此，一种可解释的重建策略应当仅从训练数据中学习具有区分度的先验，同时利用独立的验证数据来控制重建强度，以避免过度改变实际测得的光谱特征。

当输入为图像或图像立方体时，深度卷积网络能够充分利用空间结构。近期的一些光谱-空间注意力网络以及证据学习模型表明，明确保留空间-光谱结构有助于提升高光谱分类的准确性[26]、[27]、[28]。残差注意力机制、基于Mamba的模型以及少样本光谱-空间模型也都支持这一设计理念[29]、[30]、[31]。深度光谱建模、空间-光谱展开以及波段选择等方法则为基于特征的高光谱学习提供了进一步的支撑[24]、[32]、[33]。

综合以上分析，目前还存在三个相关的研究空白。首先，现有的紧凑型光谱鉴定方法缺乏一种既能增强具有产地区分度的光谱特征，又能限制重建带来的失真的控制机制。其次，感兴趣区域平均处理会丢弃一些可能有用的空间信息，但相较于从相同样本中按照统一的分组方式提取的经感兴趣区域平均处理后的光谱，光谱-空间ROI立方体的额外价值却很少被评估。第三，光谱归因与空间定位很少在统一的框架内结合起来，从而无法确定预测性能的提升是否有可解释的光谱和空间特征作为支撑。为填补这些空白，本研究提出了一种基于先验引导的光谱重建与光谱-空间学习框架，用于Pinellia ternata的无损产地鉴定。该框架整合了自动感兴趣区域提取、由RSDQ和SHAP引导的光谱重建方法、一维光谱与二维ROI立方体之间的对比分析，以及经过测试时增强处理的改进版Inception-ResNet2D集成模型。研究采用了按组划分的数据处理方式，以避免不同采集组之间的信息干扰，同时通过类似SHAP的波段归因方法、类似Grad-CAM的空间定位方法、通道梯度重要性分析以及波段遮挡分析，来解读那些相互补充的光谱和空间特征。

章节节选

图像数据集

该数据集包含了来自四个产地的Pinellia ternata的可见/近红外光谱图像。这四个产地分别是重庆市的垫江、甘肃省的西和、四川省的成都以及同省的内江。每个产地都记录了10个独立的采集组，每个采集组包含同一样本排列下的配准可见/近红外光谱图像，从中又提取出了20个位置固定的样本。最终得到的数据集包含800个有效样本，每个产地有200个样本。

感兴趣区域提取与光谱特征

自动分割流程从800个样本中每个样本提取出20个有序的感兴趣区域。由此得到的1D表格中每个感兴趣区域对应一个均值光谱，而2D立方体数据集则保留了相同样本的配准波段数据。按产地分类后的均值光谱在各个测量波段上存在明显差异，而标准化热图则显示了同一产地内样本的一致性。图3展示了典型的感兴趣区域提取结果以及光谱-空间特征，而样本的分布情况则

讨论

研究结果可以有两种层面的解读。Pinellia ternata的产地信息其实已经蕴含在紧凑的均值光谱中，强劲的SG-MLP模型结果便证明了这一点。RSDQ和基于SHAP的重建方法为突出具有信息量的光谱特征提供了一种可解释的方式，但当最佳的紧凑型光谱分类器的宏观F1值已经接近0.97时，这些方法的效果就相对有限了。因此，这种方法的贡献不仅体现在原始的准确率上，还在于构建了一种基于先验引导的光谱

局限性

本研究存在若干局限性。首先，各光谱通道的中心波长和带宽信息并未包含在采集元数据中，因此只能从波段索引层面判断哪些波段具有区分度，将其直接对应到特定的化学成分上还比较保守。其次，虽然研究纳入了来自不同制造商和生产批次的独立外部验证集，但所有的光谱图像都是

结论

本研究开发了一种可解释的可见/近红外光谱成像框架，用于Pinellia ternata的无损产地鉴定。所提出的工作流程整合了自动感兴趣区域提取、基于先验引导的RSDQ-SHAP光谱重建方法以及光谱-空间ROI立方体学习技术，同时还采用了基于采集组层面的评估机制。紧凑型的1D光谱分析方法能够高效地进行初步筛选，而经过重建的MSC-MLP模型则实现了0.9738的宏观F1值。通过保留局部

资金支持

本研究得到了中国航空科学基金会（项目编号：20200051042003）以及河南省关键科学技术研究计划（项目编号：232103810040）的支持。

利益冲突声明

作者声明，他们不存在任何可能影响本文研究结果的已知利益冲突或个人关系。

Mingkun Zhang|Chao Ma|Sudan Chen|Yuxiang Li|Jiayu Huang|Mingtong Du|Huawei Niu|Jianwei Ma

河南科技大学信息工程学院，中国河南洛阳471023