《Sensors》：Optimal Detecting Part of Ophiocordyceps sinensis for Identifying Wild and Cultivated Categories Using Hyperspectrum
编辑推荐：
高光谱技术已成为鉴别野生与人工培育冬虫夏草（Ophiocordyceps sinensis）的重要方法，但现有研究主要集中于完整样本。在实际流通环节中，冬虫夏草常发生断裂，缺失子座部分而保留虫体部分的样本仍具有实际鉴别价值。然而，要同时兼顾完整样本与缺子座样本
高光谱技术已成为鉴别野生与人工培育冬虫夏草（Ophiocordyceps sinensis）的重要方法，但现有研究主要集中于完整样本。在实际流通环节中，冬虫夏草常发生断裂，缺失子座部分而保留虫体部分的样本仍具有实际鉴别价值。然而，要同时兼顾完整样本与缺子座样本的鉴别，需要明确虫体部分与子座部分在光谱鉴别信息贡献上的差异，从而优化专用冬虫夏草检测仪器的数据采集策略。本研究基于完整冬虫夏草高光谱图像的分割，构建了模拟单一及混合部位数据集用于机器学习模型训练，以分析不同部位的光谱特征差异。进一步地，使用真实缺子座样本验证了模型在实际场景中的鉴别能力。最后，综合最高鉴别精度与最大应用范围确定了最优检测部位。虫体部分与子座部分对野生与人工培育冬虫夏草的鉴别均具有有效的光谱鉴别信息贡献，但虫体部分的光谱鉴别信息贡献大于子座部分。多项对比实验结果表明，利用完整样本训练的模型可直接用于缺子座冬虫夏草的鉴别，最高精度达98.52%。该结论为高光谱技术在冬虫夏草中的实际应用提供了依据。
**论文解读：基于高光谱的冬虫夏草野生与人工培育鉴别中最优检测部位的确定**
**1. 研究背景与问题**
冬虫夏草（Ophiocordyceps sinensis）是一种具有抗衰老、抗炎、抗氧化等多种生物活性的传统中药材，同时被用作功能食品。近年来，野生资源逐渐减少而市场需求持续增长，人工培育冬虫夏草已实现规模化生产。然而，野生与人工培育产品在形态上高度相似，市场上常出现以人工培育产品冒充昂贵野生产品的现象，这对冬虫夏草的质量控制和市场监管提出了更高要求。
现有鉴别方法包括形态鉴别、显微鉴别、化学成分分析和分子生物学分析，但均存在一定局限：形态鉴别依赖专业人员主观判断和经验，缺乏客观标准；显微鉴别需切片，对样本有破坏性；化学成分分析（如高效液相色谱法、液相色谱-串联质谱法）准确率高，但依赖复杂前处理、昂贵仪器和专业技术人员，检测周期长；分子生物学方法（如DNA分析）可从基因层面鉴别，但操作复杂、成本高且难以快速现场检测。
高光谱技术因其快速、无损、可同时获取化学和结构信息的特点，已越来越多地应用于中药材质量评价与鉴别。已有研究表明，高光谱技术能够捕捉与产地、生长阶段和质量状态相关的细微差异。对于冬虫夏草，已有研究利用近红外光谱结合模型转移、表面增强拉曼光谱结合机器学习等方法实现野生与人工培育的鉴别，且准确率很高。然而，这些研究多基于完整样本。实际挖掘、运输和流通过程中，冬虫夏草的子座部分极易断裂脱落，形成大量缺子座但保留虫体的样本。由于虫体是冬虫夏草药效成分的主要富集区域，这类样本仍有市场价值与鉴别需求。但子座缺失改变了样本形态，可能导致光谱特征变化，使得基于完整样本训练的鉴别模型在实际场景中面临精度下降风险。此外，在开发专用高光谱鉴别仪器时，样本形态差异影响仪器检测方式和操作流程的设计，需要明确应采集哪一部分的光谱数据。为此，本研究围绕两个关键问题展开：一是定性问题，即冬虫夏草的完整、虫体、子座三个部位对野生与人工培育鉴别是否存在光谱鉴别信息贡献差异；二是定量问题，即若存在差异，其差异程度如何，是否足以保证专用仪器对真实市场中大量存在的缺子座样本仍具有高精度鉴别能力。
**2. 研究内容与结论**
本研究以野生与人工培育冬虫夏草鉴别为任务，利用高光谱技术采集数据。研究共使用1052份冬虫夏草样本，其中野生样本627份、人工培育样本425份，包含917份完整样本和135份真实缺子座样本。研究人员对完整样本的高光谱图像进行人工视觉分割，获得虫体部分和子座部分的光谱信息，构建了完整部位数据集（DS_IntP）、虫体部位数据集（DS_LarP）、子座部位数据集（DS_StrP），以及两类混合部位数据集：完整、虫体、子座三者混合（DS_MixILSP）和完整与虫体混合（DS_MixILP）。此外，收集135份市场流通的真实缺子座样本构成独立测试集（DS_MisStrP）。随后，分别训练逻辑回归（LR）、支持向量机（SVM）、随机森林（RF）、极端梯度提升（XGBoost）、轻量级梯度提升机（LightGBM）和全连接神经网络（FCNN）六种模型，评估不同部位数据训练出的模型在模拟数据集和真实缺子座样本上的鉴别性能。
研究获得的主要结论包括：虫体部位和子座部位均对野生与人工培育鉴别具有有效的光谱鉴别信息贡献，但虫体部位的贡献大于子座部位；完整部位同时包含虫体和子座的鉴别特征，所含鉴别信息最丰富，因此在模拟数据集中取得最高准确率；基于完整样本训练的模型可直接用于缺子座样本的鉴别，在真实缺子座独立测试集上仍保持98.52%的最高准确率；综合考虑最高鉴别精度和最大应用范围，完整冬虫夏草的完整部位是最优检测部位。该研究为高光谱技术在冬虫夏草中的实际应用以及专用鉴别仪器的检测部位设计提供了理论依据，论文发表于《Sensors》。
**3. 主要关键技术方法**
本研究使用了以下主要方法：采用挪威NEO公司的Hyspex VNIR-1024（400–1000 nm）和Hyspex SWIR-384（930–2500 nm）两台推扫式高光谱相机，在暗室、可控照明条件下采集样本图像；通过单波段阈值分割和形态学连通域分析提取样本感兴趣区域，并以标准白板为参考进行辐射校正，将数字信号转换为反射率；将完整样本人工分割为虫体部分和子座部分，分别提取平均光谱反射率曲线；构建模拟单一部位和混合部位数据集，并生成随机部位编码表以减少随机性，重复10次实验；采用嵌套十折分层交叉验证和样本级标准正态变换（SNV）预处理，训练LR、SVM、RF、XGBoost、LightGBM和FCNN模型；使用135份真实缺子座样本作为独立测试集验证模型泛化能力。样本来源方面，野生样本由西藏食品药品检验所派遣人员在西藏产区采集，人工培育样本购自青海、浙江、四川等地区的多个商业品牌。
**4. 研究结果**
**4.1 单一部位鉴别结果**
利用DS_IntP、DS_LarP、DS_StrP三种单一部位数据集分别训练六种模型，采用十折交叉验证评估精度。结果显示，所有模型在完整部位数据集上取得最高鉴别准确率，其中FCNN、LR和SVM均达100.00%；仅用虫体部位数据建模时，LR和SVM保持100.00%，FCNN为99.89%，表明虫体含有丰富的鉴别信息；而仅用子座部位数据时，LR、SVM和FCNN精度分别降至98.91%、98.69%和98.15%，树模型下降更明显，RF、XGBoost和LightGBM在子座部位的准确率分别为95.09%、94.88%和95.53%。六种模型一致呈现“完整部位>虫体部位>子座部位”的规律，证实虫体部位的光谱鉴别信息贡献大于子座部位，完整部位保留最全鉴别特征。
**4.2 混合部位鉴别结果**
为模拟实际应用中不同部位随机出现的场景，分别使用DS_MixILSP（混合完整、虫体、子座）和DS_MixILP（混合完整、虫体）进行10次重复实验。结果表明，DS_MixILP上的所有模型平均准确率均高于DS_MixILSP。例如，SVM在DS_MixILSP上平均准确率为98.77%，在DS_MixILP上为99.52%；FCNN从98.05%提升至99.79%。当随机混合数据中包含子座部位数据时，模型准确率普遍下降；而仅保留完整部位和虫体部位时，模型性能提升。这表明子座作为独立输入会拉低模型鉴别能力，虫体作为独立输入则可提供与完整部位相近的光谱鉴别信息贡献。
**4.3 真实场景测试**
采用135份真实缺子座样本对前述模型进行独立测试，选择性能较优的FCNN、LR和SVM模型。结果显示，基于完整部位数据集训练的Mod_IntP_FCNN、Mod_IntP_LR和Mod_IntP_SVM在真实缺子座样本上准确率分别为98.52%、98.52%和97.78%；基于虫体部位训练的模型准确率分别为98.52%、97.04%和97.04%；基于子座部位训练的模型性能最差，准确率分别为90.37%、87.41%和88.15%。对于混合策略，基于DS_MixILP训练的模型平均准确率（96.81%–97.04%）高于基于DS_MixILSP训练的模型（95.63%–96.45%）。混淆矩阵显示，基于完整和虫体训练的模型能正确识别几乎所有野生样本，仅少量人工培育样本被误判为野生；而基于子座训练的模型将大量野生样本误判为人工培育。这表明完整样本训练的模型可直接用于缺子座样本鉴别，且虫体部位保留了关键判别特征，子座部位反而引入干扰。
**5. 讨论与结论**
讨论部分指出，不同部位间的形态和生物成分差异导致光谱信息贡献差异。完整部位同时包含虫体和子座信息，因此鉴别性能最优；子座与虫体差异较大，不宜作为独立输入。定量分析显示，LR模型在完整部位与虫体部位上的真实缺子座测试准确率差异仅1.48%，与子座部位差异达11.11%，进一步验证了虫体部位与完整部位的高一致性。同时，真实缺子座样本的形态不完全等同于完整样本的简单分割，因此模拟实验用于控制性分析部位贡献，而真实样本的独立测试提供了实践泛化的直接证据。研究也存在局限：虫体与子座的划分依赖人工视觉分割；样本仅覆盖西藏产区的野生冬虫夏草，对其他产区如青海的适用性仍需验证；实验在实验室条件下进行，还需在真实市场环境中进一步验证。
结论部分的核心内容为：虫体部位和子座部位对野生与人工培育冬虫夏草鉴别均具有较强光谱鉴别信息，但虫体贡献大于子座，完整部位可整合二者特征，所含鉴别信息最丰富。在模拟数据集中，完整部位和虫体部位最高准确率达100.00%，子座部位最高为98.91%；DS_MixILP平均准确率达99.60%，而加入子座后的DS_MixILSP平均准确率降至98.77%。实际场景测试中，基于完整样本训练的模型可直接用于缺子座样本鉴别，无需针对缺子座样本重新训练，在独立测试集上准确率仍达98.52%；基于DS_MixILP训练的模型准确率达97.04%。综合考虑最高准确率与最大应用范围，完整冬虫夏草的完整部位为最优检测部位，可同时适用于完整样本和缺子座样本并实现高精度鉴别。该研究为冬虫夏草高光谱鉴别仪器的检测部位选择提供了理论依据。
