灵芝是一种具有多种营养活性的中国传统保健食品，多糖是其主要活性成分之一。本研究利用可见-近红外高光谱成像技术无损预测灵芝生长过程中多糖含量，为灵芝栽培、采收提供新的监测技术。

华南农业大学电子工程学院（人工智能学院）赵静副教授团队，对我司可见-近红外高光谱相机（GaiaField Pro-V10E）和近红外双高光谱相机（GaiaField Pro-N17E）采取联用的形式，采集灵芝（赤芝）实体402.6-1005.5nm和887-1703nm的高光谱图像，并获取其多糖含量。图1（a）为不同采摘时期的灵芝RGB图片，图1（b）为高光谱图像采集系统及获取数据流程。

图1 光谱采集环境和样品处理 (a). 四个时期的样品RGB图, (b). 高光谱图像采集系统和ROI

高光谱图像采集完毕后进行光谱校正，接着选取感兴趣区域（ROI）提取原始光谱数据（如图2所示），为了消除散射效应产生的影响，使用SNV和SG平滑对原始光谱进行预处理（如图3所示），然后使用SPA筛选特征波段，利用偏最小二乘法（PLSR）构建多糖回归模型。

图2 不同ROI和光谱范围的光谱反射率。（a）可见光中心区域的反射率，（b）近红外中心区域的反射率，（c）可见光边缘区域的反射率，（d）近红外边缘区域的反射率，（e）可见光子实体整体的反射率，（f）近红外子实体整体的反射率。

图3 近红外子实体整体的反射率经过3种预处理的结果。（a）原始光谱，（b）SG平滑，（c）SNV，（d）先SG平滑后SNV。

针对不同ROI、不同光谱范围和不同的光谱预处理方法得到的光谱数据进行建模，最终结果如表1所示。

表1 多糖预测结果

从上表可以看出单独使用和所建立的回归模型的效果也非常好，这说明灵芝子实体的中心区域和生长区域（边缘区域）的光谱可以反映整个子实体的多糖含量。考虑到实际应用场景，使用子实体的整体区域能够减少计算量，提高检测效率，并且使用整体区域的光谱进行建模也是合理的。最终，对整体区域的光谱结合使用SG平滑和SNV进行预处理，然后使用SPA提取特征波段，在可见光和近红外波段范围内得到的分别为0.9和0.924。图4展示了这两个模型的预测结果。

图4 两个模型的预测结果.（a）可见光，（b）近红外

本文结合光谱成像技术和机器学习方法，建立灵芝子实体多糖含量预测模型。据我们所知，这是将高光谱成像技术运用于灵芝多糖无损检测，突破了灵芝原位检测、低浓度多糖在体检测两大技术难题，为高品质灵芝栽培、最佳采收期确定提供了有效的技术方法。

通讯作者简介：

赵静，工学博士，华南农业大学副教授，硕士生导师。

参考文献：Liu, Y., Long, Y., Liu, H., Lan, Y., Long, T., Kuang, R., ... & Zhao, J. (2022). Polysaccharide prediction in Ganoderma lucidum fruiting body by hyperspectral imaging. Food chemistry: X, 13, 100199.