Identificazione degli anni di crescita per Puerariae Thomsonii Radix basata sulla tecnologia di imaging iperspettrale e sull'algoritmo di deep learning

Rapporti scientifici volume 13, numero articolo: 14286 (2023) Citare questo articolo

Dettagli sulle metriche

Puerariae Thomsonii Radix (PTR) non è solo ampiamente utilizzato nella prevenzione e nel trattamento delle malattie, ma è anche un'importante materia prima come fonte di amido e altri alimenti. Gli anni di crescita di PTR sono strettamente legati alla sua qualità. L'identificazione rapida e non distruttiva dell'anno di crescita è essenziale per il controllo di qualità del PTR e di altre medicine tradizionali cinesi. In questo studio, abbiamo proposto un quadro di classificazione basato sulla rete neurale convoluzionale (CNN) in combinazione con la tecnologia di imaging iperspettrale (HSI) per la rapida identificazione degli anni di crescita dei PTR. Come modelli di base sono stati utilizzati metodi di trattamento tradizionali (ad esempio, correzione della dispersione moltiplicativa, variata normale standard e livellamento di Savitzky-Golay) combinati con algoritmi di apprendimento automatico (ad esempio foresta casuale, regressione logistica, naive Bayes e eXtreme gradient boost). Tra questi, il punteggio F1 dei modelli basati sulla CNN basati sulle superfici esterne dei PTR è stato superiore al 90%, superando tutti gli altri modelli di base. Questi risultati hanno mostrato che era possibile utilizzare un algoritmo di deep learning insieme alla tecnologia HSI per identificare gli anni di crescita del PTR. Questo metodo fornisce un metodo rapido, non distruttivo e semplice per identificare gli anni di crescita del PTR. Può essere facilmente applicato ad altri scenari, ad esempio per l'identificazione della località o degli anni di crescita per altre erbe tradizionali cinesi.

Pueraria Thomsonii Benth (PTB) è un tipo di vite perenne, la sua radice è inclusa nella farmacopea cinese che prende il nome Puerariae Thomsonii Radix (PTR). I PTR sono arricchiti con una varietà di componenti chimici come isoflavoni, terpenoidi, cumarine. I PTR sono stati a lungo utilizzati come un tipo di medicina tradizionale cinese. Hanno un evidente effetto terapeutico e hanno dimostrato di migliorare le malattie cardiovascolari, l'effetto antinfiammatorio e analgesico, hanno un effetto antidiabetico, riducono gli effetti dell'alcol, proteggono il fegato, schiariscono la pelle, allargano il seno1,2,3,4, 5,6. Sono anche un tipo di cibo sano e famoso in Cina e nel sud-est asiatico. I PTR hanno un elevato valore economico e una domanda di mercato elevata.

Secondo la Farmacopea cinese, il contenuto di puerarin (C21H20O9) influisce sulla qualità e sul valore medicinale del PTR. Maggiore è il contenuto di puerarin in un PTR, maggiore è la qualità del PTR. I PTR con età di crescita diverse variano nel contenuto di puerarin. Il contenuto di puerarin nel PTR è direttamente correlato al numero di anni di crescita. Xiong et al.7 hanno scoperto che il PTB di 1 anno ha un basso livello di puerarina, molto al di sotto degli standard della farmacopea, il che significa che può essere utilizzato solo come alimento o come materia prima. Al contrario, il PTB di età pari o superiore a due anni raggiunge solitamente il livello standard di contenuto di puerarin e può essere utilizzato nella medicina tradizionale cinese. Questi risultati indicano l'importanza di identificare gli anni di crescita dei PTR perché gli anni di crescita sono direttamente correlati alla qualità dei PTR e al valore economico e medicinale.

L'anno di crescita del PTR viene solitamente identificato in base all'esperienza oggettiva o utilizzando test fisici e chimici. Tuttavia, PTR con età di crescita diverse hanno aspetti simili; quindi, è difficile distinguerne le caratteristiche e i colori in base a un giudizio oggettivo. In passato, l'identificazione chimica del PTR veniva eseguita principalmente utilizzando la cromatografia liquida ad alte prestazioni (HPLC)8,9, che richiede tempo, è laboriosa, costosa e distruttiva. Pertanto, sembra che i due metodi sopra menzionati non possano essere utilizzati per identificare gli anni di crescita dei PTR con elevata precisione ed efficienza e non possano soddisfare le esigenze della produzione industriale.

Rispetto alla tecnologia spettrale tradizionale, la tecnologia di imaging iperspettrale (HSI) può essere utilizzata per raccogliere simultaneamente informazioni sull'immagine superficiale e informazioni spettrali da un campione testato. Molti ricercatori hanno utilizzato l’HSI per identificare gli anni di crescita e controllare la qualità delle medicine tradizionali cinesi. Negli ultimi anni, la precisione dell'identificazione degli anni di crescita per Glycyrrhizae Radix et Rhizoma10, Ophiopogonis Radix11, Ziziphi Spinosae Semen12 e Atractylodis Rhizoma13 ha raggiunto rispettivamente il 97,53%, 99,1%, 99,14% e 97,3%. Zheng et al.14 hanno esplorato l'autenticazione di Armeniacae Semen Amarum e Persicae Semen basata sulla tecnologia HSI. Sulla base dell'analisi comparativa di diversi metodi di pre-elaborazione e modelli di identificazione, i ricercatori hanno scoperto che il modello di pre-elaborazione della derivata seconda e l'analisi discriminante dei minimi quadrati parziali erano la migliore combinazione di modelli. La precisione della classificazione ha raggiunto il 100%. Cheng et al.15 hanno analizzato 20 lunghezze d'onda caratteristiche utilizzando l'algoritmo delle proiezioni successive e stabilito diversi modelli per identificare l'origine dell'incenso. I risultati hanno mostrato che la precisione della macchina per l’apprendimento estremo e dell’analisi discriminante lineare era del 100%. Per quanto ne sappiamo, nessun rapporto si è concentrato sull’applicazione della tecnologia HSI nell’identificazione degli anni di crescita del PTR. I metodi di deep learning come le reti neurali convenzionali (CNN) sono stati ampiamente utilizzati in molti campi, come la classificazione delle immagini16, la previsione dei contenuti17, ecc., mostrando prestazioni elevate e buona generalizzazione. In questo studio, abbiamo proposto un quadro di classificazione basato sulla CNN per identificare gli anni di crescita dei PTR basati su immagini iperspettrali. In questo caso, i metodi di trattamento tradizionali (ad esempio, correzione della dispersione moltiplicativa (MSC), variata normale standard (SNV) e livellamento Savitzky-Golay (SG)) in combinazione con diversi modelli di apprendimento automatico all'avanguardia sono stati utilizzati come metodi di base dimostrare l’efficacia e la superiorità del metodo proposto.