《Journal of Food Composition and Analysis》：Rapid Detection of Safflower Quality Based on Hyperspectral Technology
编辑推荐：
编者推荐
针对传统红花质量检测方法成本高、耗时长、有损等问题，本研究创新性地将高光谱技术应用于红花快速质量评价。通过光谱预处理（SG-CS、MSC、FD）、特征波长提取（SPA），并对比LSR与LMA建模，建立了能精准预测HSYA、山奈酚、红色素和水分含量的LMA模型（r值达0.96717-0.98090）。该研究为中药材的质量快速、无损检测与分级提供了一种高效、可行的技术方案。
红花，这味在中医药典籍中记载了上千年的草本植物，早已因其活血化瘀、通经止痛的功效而为人们所熟知。无论是治疗痛经、闭经的血瘀病症，还是作为食品着色剂和纺织染料，红花的身影都活跃在医疗健康与日常生活的多个领域。其核心的药效成分，如羟基红花黄色素A（Hydroxysafflor yellow A， HSYA）、山奈酚（kaempferol）以及赋予其鲜艳色泽的红色素，是评价其品质和药效的关键指标。然而，传统的质量检测方法，如高效液相色谱法（High Performance Liquid Chromatography， HPLC）和紫外可见分光光度法，虽然准确，却难以避免“费时、费力、费钱”的窘境：它们不仅需要对样品进行破坏性处理，操作过程繁琐耗时，仪器成本也相对高昂。在劳动力成本逐年攀升、红花市场掺假现象屡禁不止的背景下，如何快速、准确且无损地对大批量红花进行质量把关，成为了摆在药材收购、生产和监管方面前的一道亟待解决的难题。此外，由于缺乏快速检测手段和明确的分类标准，红花一直难以实现基于质量的精准定价，这在一定程度上制约了红花产业的健康发展。正是在这样的背景下，一项发表于《Journal of Food Composition and Analysis》的研究，为我们展示了一种全新的解决方案：利用高光谱技术（hyperspectral technology），对红花实现快速、无损的品质“一键扫描”。
高光谱技术，这项被誉为“图谱合一”的尖端技术，能够同时获取物体在二维空间维度和连续光谱维度上的三维数据。它在农业、工业检测等领域已大显身手，凭借其高效、无损和多维信息获取的优势。将这项技术“嫁接”到中药材质量检测领域，无疑是一次充满前景的尝试。本研究正是以此为切入点，旨在建立一套基于高光谱技术的红花品质快速评价模型，目标直指HSYA、山奈酚、红色素及水分含量这四个中国药典规定的关键质量控制指标。
为了回答上述科学问题，研究团队设计并实施了一套严谨的技术方案。首先，他们从中国云南、四川、安徽、新疆等不同产区收集了123批具有代表性的红花样品，构建了覆盖广泛地理来源和质量差异的样本队列。研究的核心技术路线清晰：第一步是“采”，使用FieldSpec4 Hi-Res高光谱仪在350-2500纳米波长范围内采集样品的原始光谱数据；第二步是“净”，采用萨维茨基-戈尔卷积平滑（Savitzky-Golay convolution smoothing, S-G CS）、多元散射校正（Multiplicative scatter correction, MSC）和一阶导数（First derivative, FD）三种方法对原始光谱进行预处理，以消除噪声和基线漂移等干扰；第三步是“选”，利用成功投影算法（Successive projection algorithm, SPA）从海量光谱数据中智能提取出与目标化学成分最相关的特征波长；第四步是“建”与“比”，分别建立经典的线性最小二乘回归（Least squares regression, LSR）模型和非线性的利文伯格-马夸特算法（Levenberg-Marquardt algorithm, LMA）模型，并通过比较相关系数（r）和均方误差（Mean Square Error， MSE）等指标，评估和筛选出最优的预测模型。
3.1. 理化指标检测
研究首先通过HPLC和分光光度法等标准方法，精准测定了123批红花样品中HSYA、山奈酚、红色素和水分含量的实际值。结果表明，各成分的含量分布范围较广（例如，HSYA含量在0.027%至3.501%之间），样本具有充分的多样性，为后续光谱建模奠定了良好的数据基础。
3.2. 高光谱数据预处理
对比原始光谱与经过三种方法预处理后的光谱图发现，SG-CS能有效平滑曲线、减少噪声；MSC能校正因颗粒大小等因素引起的散射干扰；而FD则能突出光谱特征，有效消除背景干扰，更有利于揭示光谱与化学成分含量之间的关系。综合比较后，FD被选定为最优的预处理方法。
3.3. 特征波长提取
利用SPA算法，研究者分别从经过FD预处理的光谱中，提取出了与HSYA、山奈酚和红色素含量最相关的特征波长，并通过保留关键波长、合并相近波长进行优化。例如，HSYA的特征波长为569纳米、591纳米等7个；山奈酚为355纳米、569纳米等10个；红色素为569纳米、591纳米等7个。结合文献中已知的水分特征波长（1450纳米和1940纳米），最终确定了15个（355纳米、569纳米、591纳米、800纳米、1025纳米、1323纳米、1388纳米、1430纳米、1450纳米、1881纳米、1900纳米、1930纳米、1940纳米、2032纳米和2448纳米）作为红花四种成分快速检测的核心特征波长。这一步骤极大简化了数据维度，为开发便携式检测仪器降低了成本和技术复杂度。
3.4. 模型建立
3.4.1. LSR模型的建立与预测
首先建立了线性LSR模型。该模型对四个成分的整体预测相关系数r在0.89780至0.93541之间，表现出较好的预测能力。
3.4.2. LMA模型的建立与预测
随后建立了非线性LMA模型。该模型展现出更优的性能，对HSYA、山奈酚、红色素和水分含量的整体预测r值分别高达0.96717、0.94403、0.97618和0.98090。
3.4.3. LSR与LMA模型结果比较
通过对比发现，LMA模型在绝大多数指标上的r值高于LSR模型，且对于红色素和水分含量，其MSE值有更显著的降低。这表明在实际复杂的光谱测量中，由于散射光、颗粒分布及基质相互作用等因素的干扰，光谱响应往往呈现非线性特征，因此非线性LMA模型更适用于预测红花的这四种成分。
本研究最终得出结论，通过FD预处理、SPA特征波长提取并结合LMA建模，成功构建了一个能够快速、无损且准确预测红花中HSYA、山奈酚、红色素和水分含量的高光谱检测模型。该模型的核心是仅使用15个特征波长，即可实现对四种关键质量指标的精准预测，其中最优的LMA模型预测相关系数r均高于0.94。这一研究成果具有多重重要意义：在实践层面，它为红花在采收、质量分级和生产过程中的实时质量控制提供了一种高效、低成本的技术手段，有望打击市场掺假行为，推动优质优价；在技术层面，研究验证了高光谱技术结合化学计量学模型在中药材复杂成分无损检测中的强大潜力，为其他中药材乃至农产品、食品的快速质量评价提供了可借鉴的方法学框架；在产业层面，所确定的少量特征波长为未来开发专用、便携式的红花质量快速检测仪器奠定了坚实的技术基础，有助于推动中药质量检测的智能化和装备化发展。这项工作不仅是将先进的光谱分析技术成功应用于传统药材质量评价的一次有力尝试，更是朝着实现中药材产业链全程数字化、标准化精准管控迈出的关键一步。
