一种双分支编码器模型，利用高光谱技术对九蒸九晒的西伯利亚Polygonatum sibiricum中的活性成分进行无损检测和终点判别

《Journal of Food Measurement and Characterization》：A dual-branch encoder model for nondestructive detection and end-point discrimination of active components in nine-steamed and nine-dried Polygonatum sibiricum using hyperspectral technology

九蒸九晒天麻中多糖、皂苷、黄酮类成分含量及药效受工艺显著影响，需快速无损检测方法。本研究采用近红外高光谱成像技术结合双分支CNN模型(Dual-TCNet)，通过局部CNN提取光谱特征和全局编码器捕获整体模式，结合多头注意力机制实现多尺度特征融合。实验显示Dual-TCNet在成分检测Rp达0.92，过程终点识别准确率超98%，优于随机森林、偏最小二乘和1D-CNN模型。

　　

摘要

多糖、皂苷和黄酮类化合物是Polygonatum sibiricum的主要生物活性成分，也是评估九蒸九晒产品质量的关键指标。九蒸过程对这些生物活性成分的含量以及P. sibiricum的药理功效有着显著影响。因此，开发一种快速且无损的成分分析方法和过程终点检测方法对于药品和食用同源材料的质量控制及标准化生产至关重要。在本研究中，采用了高光谱成像技术来获取不同蒸煮阶段P. sibiricum的光谱信息。提出了一种双分支卷积神经网络（CNN）编码器框架——Dual-TCNet，用于对光谱数据进行建模。将高光谱数据与深度神经网络架构相结合，实现了对P. sibiricum主要生物活性成分（多糖、皂苷和黄酮类化合物）的无损分析，并准确判断九次蒸煮和干燥过程中的终点。该模型利用卷积神经网络（CNN）提取局部光谱特征，并通过编码器模块捕捉全局光谱特征；为实现多尺度特征整合，应用了多头注意力机制。为了明确展示所提出方法的性能优势，实验结果与随机森林（RF）、偏最小二乘法（PLS）和一维卷积神经网络（1D-CNN）等常用基准模型进行了系统比较。Dual-TCNet模型在测试集上的相对精确度（Rp）约为0.92，优于其他模型；此外，在九蒸九晒过程中，其过程终点检测的准确率超过98%，同样优于其他模型。研究结果表明，Dual-TCNet模型能够快速、无损地检测出P. sibiricum中的活性成分，并能准确确定蒸煮终点，为传统药品和食用材料的品质控制及标准化评估提供了新的技术手段。

图形摘要