高光谱成像算法优化与可解释性融合：林下栽培干人参非破坏性年限鉴别

《Journal of Food Composition and Analysis》：Integration of Algorithm Optimization and Interpretability: Non-Destructive Age Identification of Forest-Cultivated Dried Ginseng Using Hyperspectral Imaging

　　

林下栽培干人参是一种高价值药材，其栽培年限影响质量与市场价值，但常规鉴别方法常具破坏性或效率低。研究人员采用高光谱成像（HSI）结合由改进整体群智能优化（IHSO）优化的随机森林（RF）模型，对5年、6年和7年样本进行非破坏性鉴别。在9种预处理方法中，Savitzky?Golay平滑联合乘性散射校正（SG+MSC）表现最佳。研究人员应用竞争性自适应重加权采样（CARS）提取信息光谱波长，应用递归特征消除（RFE）提取信息纹理特征并进行特征融合。所提IHSO框架集成级联Logistic?Tent混沌初始化、自适应多项式?指数步长策略与自适应Lévy飞行结合正弦突变，以增强种群多样性、平衡全局探索与局部开发并改善收敛性能。Fusion?IHSO?RF模型取得最优分类性能，准确率、精确率、召回率与F1分数分别为0.9489、0.9610、0.9622与0.9616。SHAP分析表明光谱特征对年限判别贡献强，纹理特征提供互补信息。该方法可对相邻栽培年限林下栽培干人参准确非破坏分类，为传统中药材质量分级与市场标准化提供有效策略。

研究背景方面，林下栽培人参（Panax ginseng C.A.Mey.）在天然林条件下少干预栽培，随栽培年限增加，生物活性成分与市场价值通常提升。常规方法如目视评价耗时长、主观性强；高效液相色谱（HPLC）、超高效液相色谱?质谱（UHPLC?MS）、气相色谱?质谱（GC?MS）等仪器方法可提供人参皂苷等信息，但样品制备复杂、需化学试剂且常具破坏性或部分破坏性，难以满足快速、高通量、非破坏性筛查需求。传统点式或体式光谱主要提供一维光谱信息，对空间异质性、表面纹理和形态变异表征有限。已有高光谱成像（HSI）研究多聚焦广义食品级与药用级分组，相邻年限逐岁判别平均准确率仅约60%至71.2%，细粒度相邻年限鉴别仍具挑战，且先进智能优化算法用于模型参数优化在人参年限识别中少见。

研究人员开展的研究为：以林下栽培干人参为对象，用HSI获取400~1000 nm、光谱分辨率1.0 nm的601连续波段数据；以改进整体群智能优化（IHSO）优化随机森林（RF）超参数；用CARS选光谱特征、RFE选纹理特征并融合；以SHAP作事后可解释分析。结论为Fusion?IHSO?RF对5、6、7年样本分类准确率达0.9489，精确率0.9610、召回率0.9622、F1分数0.9616；光谱特征贡献强，纹理特征互补；该研究为中药材质量分级与市场标准化提供非破坏性、可解释策略。论文发表于《Journal of Food Composition and Analysis》。

主要关键技术方法上，样本为吉林白山弘宇参茸特产公司提供的293根林下栽培干人参，含27根5年、154根6年、112根7年，每根取背腹侧高光谱图像各一张，共586张，按分层随机抽样70%训练、30%独立测试。技术方法包括：白板暗板辐射定标；手动选区域兴趣（ROI）取均值谱；从伪彩色图用灰度共生矩阵（GLCM）与局部二值模式（LBP）提34个纹理特征并做Min?Max归一化；9种光谱预处理比较；CARS、连续投影算法（SPA）、无信息变量消除（UVE）、遗传算法（GA）选波长，RFE、最大相关最小冗余（mRMR）、模型选择（SFM）选纹理；以整体群智能优化（HSO）为基础，引入级联Logistic?Tent混沌初始化（CLT）、自适应多项式?指数步长（APE）、自适应Lévy飞行正弦突变（ALS）构成IHSO优化RF；最后用SHAP解释。

研究结果如下。

1. 2.
   Materials and methods
   研究人员使用OB?HSTBXG17?662高光谱系统，300 W卤素灯45°入射，镜头距样38.5 cm，平移台1.5 mm/s，积分9000 μs、帧率30 Hz、曝光5000 μs，图尺寸1920×1798像素；经白参比I_white、暗参比I_dark校准得I_c=(I_raw?I_dark)/(I_white?I_dark)；每图选根茎与主根各3个10×10像素圆ROI，取6个ROI均值谱；纹理经高斯滤波与Otsu分割后提GLCM六描述子×四方向及旋转不变LBP十特征，共34纹理，按y=(x?x_min)/(x_max?x_min)归一化；9种预处理中SG+MSC最优。

2.1 Ginseng samples and dataset partitioning

因5年样本少致类不平衡，研究人员用同产区同栽培体系样本减混杂；背腹侧成像扩为586图，分层抽样分训练集与测试集，训练集内再做五折分层交叉验证，测试集不参任何建模。

2.2 Data collection and pre-processing

高光谱采集与校准、ROI提取、纹理提取、预处理选择均只在训练集决定配置，最终模型用全训练集重训，独立测试集仅作泛化评价。

2.3 Feature selection

光谱601维强相关，比CARS、SPA、UVE、GA；纹理34维较低，比RFE、mRMR、SFM；研究人员以CARS选光谱、RFE选纹理后融合。

2.4 IHSO based random forest optimization

HSO用全体种群信息降对精英依赖；IHSO加CLT改初始化、APE调步长、ALS避局部最优；CLT用二维Sine?Logistic调制图（2D?SLMM）动态生u_n、v_n控参，Logistic?Tent式x_n+1分段取mod 1；APE随迭代变多项式?指数步长平衡探索与开发；ALS以Lévy飞行加正弦扰动能增局部搜索。

SHAP分析

研究人员用SHAP看被选光谱与纹理特征重要性与贡献模式，发现光谱特征对5、6、7年判别主导，纹理特征补空间表面信息，并谨慎讨论其光谱与化学可能解释。

讨论与结论翻译部分：该研究提出HSI结合IHSO?RF的非破坏性框架，可准确分5年、6年、7年林下栽培干人参。SG+MSC为最适预处理；CARS与RFE分别压缩光谱与纹理维度后融合，使Fusion?IHSO?RF准确率为0.9489、精确率0.9610、召回率0.9622、F1分数0.9616。SHAP表明光谱特征贡献强、纹理特征互补。该方法减少年轻参冒充老参的欺诈风险，支持功能食品产业标准化，并为中药材非破坏性质量分级与可解释智能传感提供策略。