基于多源信息融合与机器学习的炒火麻仁炮制程度智能辨识方法

《Foods》：An Intelligent Identification Method for the Processing Degree of Stir-Fried Cannabis fructus Based on Multi-Source Information Fusion and Machine Learning

　　

火麻仁（Cannabis fructus, CF）作为功能性食品原料，其炮制程度的快速辨识对保障产品质量一致性、实现标准化加工及维护市场真实性至关重要。研究人员建立了一种基于多源信息融合与机器学习的炒火麻仁炮制程度智能辨识方法。通过机器视觉与电子鼻系统采集样品的颜色（L、a、b）与气味信号，并测定脂肪油总量与葫芦巴碱（trigonelline）总量。在所评估模型中，XGBoost表现最优，训练准确率（93.62%）与测试准确率（91.67%）均接近完美。Shapley加性解释（Shapley Additive Explanations, SHAP）分析揭示颜色与特定气味传感器信号为关键区分特征。颜色逐渐向浅黄过渡，脂肪油总量与a、b值呈可能正相关，番泻叶生物碱类成分含量随炒制强度增加趋于降低。该研究初步揭示了颜色、气体特征与质量间关联，可为制备工艺的智能监控提供新思路。

研究背景与立项依据

火麻仁为桑科大麻属植物Cannabis sativa L.的干燥成熟果实，是传统膳食与保健常用食材，具润肠、调脂、抗炎及抗氧化等潜在功能。炒火麻仁经轻炒至浅黄色，可减苦增香、便于服用。目前炮制终点依赖人工经验结合理化检测，标准不清、主观性强、批次差异大。食品与中药饮片质量评价中，单一感官或单源检测难以量化“色、气、味”综合变化。多源信息融合结合可解释机器学习，有望建立客观、快速、透明的炮制程度辨识系统。该研究由安徽中医药大学等相关团队完成，发表于《Foods》。

主要技术方法概述

研究人员以产自山西、河南、黑龙江的15批生火麻仁为队列，每批设3次独立炒制重复，于180±5℃分别炒制8、15、22 min，得生品、欠炒、适中炒、过炒四类共180个样本。采用机器视觉（Sony A7C2，D65光源，OpenCV提取Lab颜色空间）获取颜色特征，电子鼻（PEN3，10枚金属氧化物半导体传感器）获取气味指纹，索氏提取重力法测脂肪油总量，HPLC（ODS柱，265 nm）测葫芦巴碱。构建13维特征向量（L、a、b+10传感器响应），按8:2分层划分训练/独立测试集，训练集内行分层10折交叉验证与GridSearchCV调参，比较Logistic回归、KNN、朴素贝叶斯、随机森林、XGBoost、CatBoost六类算法，以准确率、宏平均F1、宏AUC等为指标，选XGBoost行SHAP全局与类别级解释，并以Spearman相关联动感官特征与内在成分。

研究结果

3.1 机器视觉Lab颜色空间模型：PCA与OPLS-DA显示单颜色特征对生品与欠炒重叠度高，难分；动态上L值先升后降（8 min达峰），b值先降后升，与非酶褐变（美拉德、焦糖化）进程吻合。

3.2 电子鼻气味特征分析：单气味PCA/OPLS-DA亦重叠；适中炒阶段W5S（氮氧化物）、W1W（含硫有机物）、W2W（醇醛酮）响应突出，VIP>1，提示含氮、含硫及羰基挥发物协同生成。

3.3 基于机器学习的分类模型：颜色+气味融合后六模型均可行，XGBoost测试准确率91.67%、宏AUC 0.9835，Logistic回归宏AUC略高（0.9856）但线性结构受限；XGBoost因非线性拟合、抗噪及原生TreeSHAP可解释性被选为最终模型。

3.4 模型性能验证：混淆矩阵显示XGBoost对欠炒、过炒9/9全对，生品8/9、适中炒7/9（2例误归欠炒），综合优于CatBoost与RF/KNN/LR。

3.5 可解释机器学习SHAP特征分析：全局重要性前位为b、a、L及W1S、W1W、W5S；生品以b（占46.8%）为主，欠炒以W5S（18.4%）为主；beeswarm显示各特征SHAP方向随类别切换，如生品高b值负向贡献、适中炒高a值正向贡献。

3.6 关键驱动因子与临界值：依赖图给出各类别特征置信区间，如生品b∈[-0.6,2.3]且W1S∈[-0.5,3.1]置信最高；过炒a∈[-1.5,0.55]、L∈[-0.9,2.8]匹配深褐化与葫芦巴碱下降。

3.7 不同炮制程度火麻仁主成分测定：HPLC示葫芦巴碱在欠炒、适中炒较生品略升，过炒回落；索氏法示脂肪油总量随炒制延长上升并趋稳。

3.8 智能感官与内在成分关联：Spearman相关显示脂肪油与L、b显著正相关，葫芦巴碱与L、b弱负相关；W5S/W1W/W2W与葫芦巴碱相关较高，W1S与脂肪油相关较高，证实“色-气”可作无损初筛替代指标。

讨论与结论翻译

讨论指出，单源颜色或气味均无法满足四类程度区分，多源融合覆盖表面褐变与内部挥发代谢双维度；XGBoost在中小样本、抗过拟合、现场部署与SHAP透明性上综合占优；实验室临界区间需经工业批次炉温波动、产地差异再校准方可转在线标准；后续应补挥发性组学、大麻素、酚类等多组分谱。结论部分表明：研究人员整合Lab颜色与电子鼻10传感器，经六算法比对选定XGBoost（准确率0.9167，召回0.9167，AUC 0.9835），SHAP确认L、b、W5S、W1W为核心驱动；炒制中色转浅黄伴美拉德反应，适中炒阶段W5S/W1W/W2W响应达峰，脂肪油与L/b正相关，葫芦巴碱受过炒下降且与特定气味信号关联。“多源融合–机器学习–SHAP解释”框架为炒火麻仁及类似中药饮片炮制智能监控与数字化质量评价提供方法学支撑。