引用本文
张悦, 周骏辉, 王思曼, 王游游, 张云昊, 赵帅, 刘舒扬, 杨健. 基于可见光-近红外高光谱成像技术的陈皮陈化年份鉴别研究[J]. 光谱学与光谱分析, 2023,43(10): 3286-3292.
ZHANG Yue, ZHOU Jun-hui, WANG Si-man, WANG You-you, ZHANG Yun-hao, ZHAO Shuai, LIU Shu-yang, YANG Jian. Identification of Xinhui Citri Reticulatae Pericarpium of Different Aging Years Based on Visible-Near Infrared Hyperspectral Imaging [J]. Spectroscopy and Spectral Analysis, 2023,43(10): 3286-3292.
Doi:10.3964/j.issn.1000-0593(2023)10-3286-07  
Permissions
Copyright©2023, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
基于可见光-近红外高光谱成像技术的陈皮陈化年份鉴别研究
张悦1,3, 周骏辉1, 王思曼1, 王游游1, 张云昊2, 赵帅2, 刘舒扬2,*, 杨健1,*
1.道地药材品质保障与资源持续利用全国重点实验室, 中国中医科学院中药资源中心, 北京 100700
2.天津津航技术物理研究所, 天津 300381
3.云南中医药大学中药学院, 云南 昆明 650500
*通讯作者 e-mail: yangchem2012@163.com; shuyangliu17@163.com

作者简介: 张悦, 女, 1997年生, 中国中医科学院中药资源中心道地药材国家重点实验室培育基地硕士研究生,e-mail: zhangyuegugude@163.com

收稿日期: 2022-09-30 修回日期: 2022-12-25
基金: 中国中医科学院科技创新工程项目(CI2021A04005), 财政部和农业农村部: 国家现代农业产业技术体系项目(CARS-21), 国家产业技术基础公共服务平台项目: 中药全产业链质量技术服务平台(2022-230-221)资助
摘要

高光谱成像技术(HSI)是基于非常多窄波段的影像数据技术, 将成像技术与光谱技术相结合, 获取高光谱分辨率的连续、 窄波段的图像数据, 因其快速、 无损的特点, 被广泛应用于食品、 农产品、 中药材等样品的快速鉴别。 道地药材新会陈皮具有较高的市场价值, 且陈化(贮藏)年份越久市场价格亦越高, 市场人工鉴别准确率低、 难度大。 基于高光谱技术结合化学计量学方法, 建立不同陈化年份新会陈皮的快速无损鉴别方法。 采集5个陈化年份样品在可见-近红外波段(400~1 000 nm)的高光谱信息, 提取高光谱图像感兴趣区域(ROI)的平均光谱值作为样本原始光谱。 经黑白校正后获得标准数据, 通过多元散射校正(MSC)、 一阶导数(D1)、 二阶导数(D2)、 SG平滑(SG)和标准正态变量变换(SNV)5种预处理方法对数据进行降噪处理后, 结合偏最小二乘判别分析(PLS-DA) 、 随机森林(RF)和支持向量机(SVM)等方法建立分类鉴别模型, 以预测结果的准确率作为评价指标筛选最佳模型, 使用混淆矩阵(confusion matrix)评估模型分类性能。 结果表明, 外表皮数据以MSC结合PLS-DA方法为最优鉴别模型, 预测集鉴别准确率达到97.59%; 而内表皮数据则以原始数据结合PLS-DA方法为最优鉴别模型, 预测集鉴别准确率亦达到97.59%。 采用内表皮数据, 进一步采用连续投影算法(SPA)选择19个特征波长建模, 整体判别准确率仍可达90%以上。 通过SPA方法提取的特征波长建模可以达到与全波长模型相似的识别效果, 去除冗余变量可以大大降低模型的复杂性, 减少模型的运算时间。 该研究建立的高光谱技术结合化学计量学的方法可实现不同陈化年份新会陈皮样品的快速无损鉴别, 为专属小型化仪器装备系统的开发提供了理论依据。

关键词: 高光谱技术; 模式识别; 新会陈皮: 陈化年份
中图分类号:TS272.7 文献标志码:A
Identification of Xinhui Citri Reticulatae Pericarpium of Different Aging Years Based on Visible-Near Infrared Hyperspectral Imaging
ZHANG Yue1,3, ZHOU Jun-hui1, WANG Si-man1, WANG You-you1, ZHANG Yun-hao2, ZHAO Shuai2, LIU Shu-yang2,*, YANG Jian1,*
1. State Key Laboratory for Quality Ensurance and Sustainable Use of Dao-di Herbs, National Resource Center for Chinese Materia Medica, China Academy of Chinese Medical Sciences, Beijing 100700, China
2. Tianjin Jinhang Institute of Technical Physics, Tianjin 300381, China
3. School of Traditional Chinese Medicine, Yunnan University of Chinese Medicine, Kunming 650500, China
*Corresponding authors
Abstract

Hyperspectral imaging (HSI) is an image data technology based on narrow bands. It combines imaging with spectral technology to obtain continuous and narrow-band image data with high spectral resolution. Hyperspectral imaging technology is widely used in rapidly identifying food, agricultural products, Chinese medicinal materials and other samples because of its rapid and non-destructive characteristics. Xinhui Citri Reticulatae Pericarpium has a high market value, and the market price of the sample is higher because of the longer storage age. At the same time, the accuracy of manual identification of the tangerine peel market is difficult. Based on hyperspectral imaging and chemometric, this study established a rapid and nondestructive identification method for Xinhui Citri Reticulatae Pericarpium of different aging years. Hyperspectral information of 5 aged samples in the vision-near-infrared band (400~1 000 nm) is collected. The average spectral value of the Region of interest (ROI) of the hyperspectral image was extracted as the original sample spectrum. Standard data were obtained after black-and-white correction. After denoising the data by 5 pretreatment methods, including Multiplicative scatter correction (MSC), first Derivative (D1) and Second Derivative (D2), SG smoothing (SG) and Standard Normal Variate Transformation (SNV), Partial least square-discriminant Analysis (PLS-DA), Random Forests (RF), and Support Vector Machine (SVM) and other methods are used to establish the classification model. The accuracy of prediction results is used as the evaluation index to select the best model. A confusion matrix was used to evaluate model classification performance.The results showed that the Multiplicative scatter correction (MSC) combined with the PLS-DA method was the optimal identification model for outer epidermis data, and the identification accuracy of the prediction set reached 97.59%. For inner epidermis data, the raw data combined with the PLS-DA method was used as the optimal identification model, and the identification accuracy of the prediction set reached 97.59%.Using the inner epidermis data and the 19 characteristic wavelength modeling based on the Successive projections algorithm (SPA), the accuracy rate of the whole simulation is still above 90%.The characteristic wavelength modeling extracted by SPA can achieve a similar recognition effect as the full-wavelength model. Removing redundant variables can greatly reduce the complexity of the model and reduce the operation time of the model. Hyperspectral imaging combined with the chemometric method can realize the rapid, nondestructive identification of Xinhui Citri Reticulatae Pericarpium samples of different aging years, providing a theoretical basis for developing exclusive miniaturized equipment.

Keyword: Hyperspectral imaging; Mode recognition; Xinhui Citri Reticulatae Pericarpium; Aging years
引言

陈皮为芸香科植物橘Citrus reticulata Blanco及其栽培变种的干燥成熟果皮, 为著名的药食同源中药材, 具有理气健脾、 燥湿化痰之功效[1]。 陈皮药材分为“ 陈皮” 和“ 广陈皮” , 后者主产于广东省, 为橘的栽培变种茶枝柑(Citrus Reticulata ‘ Chachi’ )的干燥成熟果皮, 其中又以产自新会的最为道地, 其市场价格也远高于其他产地的陈皮[2]。 新会陈皮常被认为“ 陈久者良” , 随着陈化时间的增加, 其品质和收藏价值也越高, 有“ 陈皮贵陈” 之说[3]。 因陈化年份越久的陈皮市场价格亦越高, 市场上以低陈化年份陈皮冒充高陈化年份陈皮或者人为“ 做旧” 的现象屡见不鲜, 严重损害了消费者的利益, 破坏了陈皮市场环境, 因此市场迫切需要快速、 准确而又高效的陈皮陈化年份的鉴别方法。 目前对于陈化陈皮的鉴别主要采用望、 闻、 刮、 吃、 泡等经验鉴别方法, 虽简单易行, 但容易受到主观因素的干扰, 很难实现标准化的检验。 采用化学分析技术对不同陈化年份陈皮进行鉴别分析亦有较多报道, 如气相-质谱联用技术(GC-MS)[4]、 气相-离子迁移谱(GC-IMS)[5]、 高效液相色谱(HPLC)[6]、 高效液相色谱串联质谱技术(HPLC-MS)[7]等。 这些检测技术准确率相对较高, 但存在检测成本高、 检验环境要求严、 操作难、 耗时久和需破坏样品等缺点, 并没有形成准确而成熟的陈皮药材陈化年份的鉴别方案。

高光谱成像技术(hyperspectral imaging, HSI)是基于非常多窄波段的影像数据技术, 是一种结合样品一维光谱信息和二维空间信息的无损检测方法[8], 目前已应用在遥感、 生物医学检测、 农业检测和食品科学等多个不同的领域。 高光谱成像技术所获得的图像信息不仅能够反映样品的大小、 形状等外部特征, 而且可以获得样品在某一波段图像的颜色、 纹理等特征数据, 而光谱信息能够反映样品内部的物理、 化学成分的特点, 从而实现不同样品的识别和样品中成分含量的预测。 高光谱成像技术因其快速、 无损、 且可以同时采集多个样本的数据的特点, 被广泛应用于食品、 农产品、 中药材等样品的快速鉴别。 如采用高光谱技术能够快速无损的实现对高粱掺假[9], 三七粉质量等级[10]和柑橘属水果[11]的有效鉴别, 准确率可达90%以上。 传统的仪器分析用高光谱成像设备一般采用色散型分光(包括棱镜分光、 光栅分光)、 傅里叶干涉型分光[12, 13]、 分立滤波片型分光[14]等分光结构, 由于分光器件工艺限制、 内部存在可动组件、 对环境干扰敏感等问题, 难以实现小型化。 随着薄膜光学、 MEMS技术的发展, 出现了体积极小的微型滤波结构, 比较典型的如微型FP腔结构等[15, 16]。 通过半导体技术, 可在晶圆加工阶段, 直接将微型FP腔集成在CMOS像素上, 在单芯片内完成分光、 成像, 为小型化光谱成像设备的研发提供了可能。

新会陈皮相近陈化年份颜色相似, 有效成分含量相近, 高光谱技术多用于较宽间隔的陈化年份鉴别, 且室内用高光谱仪体积大, 受限于黑暗环境等因素, 无法实现市场随时监测。 本研究以项目团队自行采集的不同陈化年份新会陈皮为研究对象, 探索高光谱技术结合化学计量学模式识别方法对不同陈化年份(3~4年份间隔)的新会陈皮的识别效果。 评估基于特征波段优化的模式识别算法对不同陈化年份陈皮药材的分类适用性, 从而为陈化中药材的快速无损鉴别及专属装备系统的研发提供理论依据。

1 实验部分
1.1 陈皮样品

陈皮样品均于2020年10月至12月采自广东省新会市, 共36个批次。 包括一线核心产区(天马村、 梅江村、 茶坑村, 23批)、 二线产区(三江镇、 南坦镇, 9批)和四线产区(司前镇, 4批)样品。 所有样品经中国中医科学院中药资源中心张燕研究员鉴定为茶枝柑(Citrus Reticulata ‘ Chachi’ )的干燥成熟果皮。 其中包括2020年、 2017年、 2014年、 2010年、 2006年样品, 每个年份随机抽取50个样本, 共250个陈皮样本。

1.2 高光谱成像系统

高光谱成像系统主要由面阵相机、 分光设备、 光源、 传输机构及计算机软硬件等五部分构成, 其主要结构如图1所示。 其中包括1个镜头(HSIA-OLE23, SPECIM, 芬兰), 4组50 W溴钨灯(HSIA-LS-T-200W, 双利合谱, 中国), 1个高光谱分光成像仪(image-λ -V10E-HR, 双利合谱, 中国), 1个水平移动平台(HSIA-T1000, 双利合谱, 中国)和1个图像采集软件(SpecVIEW, 双利合谱, 中国)。 系统测得的高光谱图像均为包含光谱(λ )和空间(X, Y)信息的三维数据体。

图1 高光谱成像系统Fig.1 Hyperspectral imaging system

1.3 高光谱数据采集

样品采集时, 光谱仪镜头与样品的距离为23 cm, 平台移动速度为1.5 mm· s-1, 每次采集先将5个陈皮样本按外表皮向上顺序排列在黑色水平移动平台上, 同时放置Teflon白板(HSIA-CT, 双利合谱, 中国), 再翻转为内表皮向上按相同顺序排列再次采集。 依次采集5个年份的陈皮样品的高光谱图像, 共采集到250个陈皮内表面数据和250个陈皮外表面数据。 为消除仪器和环境对样品数据的影响, 采用高光谱数据预处理软件(SpecVIEW, 双利合谱, 中国)对原始光谱数据进行黑白校正, 将原始光谱数据集校正为相对反射率数据集。 计算公式如(1)所示, 其中R为校正后的光谱数据, Rraw为原始光谱数据, Rw为反射率为99%的白板上得到的白色参考数据, Rd为关灯并遮挡相机镜头得到的暗参考数据。 采用阈值分割算法选择整个陈皮表面作为感兴趣区域(region of interest, ROI), 取每块陈皮的ROI区域平均光谱反射率数据作为每个样本的光谱值。

R=Rraw-RdRw-Rd(1)

1.4 光谱数据预处理

光谱数据的预处理可以减少背景、 噪声等环境因素引起的误差, 提高模型性能。 本研究将样本按7:3的比例随机分成训练集和预测集, 采用乘性散射校正(multiplicative scatter correction, MSC)、 一阶导数(derivative, D1)、 二阶导数(second derivative, D2)、 SG平滑(savitzky-golay, SG)和标准正态变量变换(standard normal variate transformation, SNV)等5种方法对光谱数据进行预处理。

1.5 分类模型建立

采用偏最小二乘判别分析(partial least squares discriminant analysis, PLS-DA), 随机森林(random forests, RF)和支持向量机(support vector machine, SVM)等3种不同的分类模型对不同陈化年份的样品进行分类。 为进一步提高运算效率, 为专属小型化高光谱设备开发提供高质量算法模型, 采用连续投影算法(successive projections algorithm, SPA)选取的特征波长进一步建立分类模型。 最后, 将特征变量建模结果与全波段建模结果进行比较。

PLS-DA是一种基于偏最小二乘回归(partial least squares regression, PLSR)改编的用来建立自变量X与观测变量Y之间映射关系的一种监督分类算法。 在PLS-DA建模过程中, 首先将类别向量转换为虚拟矩阵Y, 该矩阵引入一个热编码来描述每个样本的类别信息, 其中值1表示样本被认为属于特定类别, 值0表示相反, 采用最大值法作为判别准则。 采用交叉验证的方法选择不同预测组中10~12个重要的潜在变量。 PLS-DA为双线性模型, 可以用于变量数多于样本数时使用。

随机森林(random forest, RF) 是一种基于分类回归树的集成算法, 每个树型分类器都使用自主抽样法构造唯一训练集测试集。 基于该组合的最终预测结果通过单个分类树的简单多数表决获得。 RF简单, 容易实现, 能够处理高维度的数据。

SVM采用内积核函数代替向高维空间的非线性映射, 是一种有坚实理论基础的小样本学习方法, 实现了高效的从训练样本到预测样本的“ 转导推理” , 简化了通常的分类和回归等问题。 SVM 具有训练时间短、 计算复杂度低、 泛化能力强等优点。

1.6 模型性能评估

基于分类模型的判别精度和混淆矩阵对分类模型的性能进行评价。 混淆矩阵是数据分析中对分类模型预测结果的一种评价方式, 具体评价指标包括准确率(Accuracy)、 灵敏度(Sensitivity)和特异性(Specificity)等, 这些精度指标从不同的侧面反映了模型分类的精度。 各指标计算公式如式(2)所示, 其中TP为真阳性样本数, TN为真阴样本个数, FP为个假阳性样本, FN为假阴性样本数。

Accuracy=TP+TNTP+FN+FP+TNSensitivity=TPTP+FNSpecificity=TNTN+FP(2)

1.7 数据处理软件

本研究使用的图像校正工具为仪器自带校正软件, 兴趣区域识别及光谱信息提取采用本课题组自研的图分割算法。 光谱数据预处理及分类模型构建等数据分析使用Matlab 2020a(MathWorks, 美国)软件实现, 脚本均为本课题组自编。

2 结果与讨论
2.1 原始光谱曲线分析

不同陈化年份样品的外表皮和内表皮光谱曲线如图2(a—f), 基于外表皮原始光谱可以看出不同陈化年份的陈皮在500~700 nm处有显著差异, 表现出随着陈化年份的增加, 样品的相对反射率降低的趋势。 其中, 2017年和2014年新会陈皮平均光谱相似, 2010年和2006年新会陈皮平均光谱相似; 而2020年与其他陈化年份光谱具有较为显著的差异, 表现为在480和640 nm处有两个显著波峰, 且680 nm处波谷较其他年份陈皮更明显。 其中650~700 nm是特定的植物色素吸收波段, 为不同陈化年份样品原始光谱中存在差异的主要光谱区域[9], 这与不同年份陈皮特征成分含量研究的结果相似[5]。 而内表皮原始光谱在400~800 nm可见光区域陈化年份与光谱反射率的呈现负相关, 在800 nm以上的近红外区域, 则表现为正相关。

图2 不同陈化年份新会陈皮的外表皮(a、 b、 c)和内表皮(d、 e、 f)波段的原始光谱曲线、MSC预处理曲线及平均光谱曲线图Fig.2 Raw spectra, MSC spectra and mean reflectance spectra of outer epidermis (a, b, c) and inner epidermis (d, e, f) of Citri Reticulatae Pericarpium in different aging years

2.2 预处理方法和分类模型的选择

将不同陈化年份的陈皮内、 外表皮原始光谱数据经MSC、 D1、 D2、 SG、 SNV等多种方法预处理并进行训练集/预测集的划分后输入变量, 分别计算PLS-DA、 RF、 SVM分类鉴别方法的准确率(表1)。 对于外表皮光谱数据, PLS-DA模型的识别整体准确率高于RF和SVM模型; 在PLS-DA模型下, MSC和D1预处理均可以提高模型训练集和预测集的精度, 原始数据Raw-PLS-DA的训练集和预测集准确率为95.21%和95.18%, 而MSC-PLS-DA和D1-PLS-DA方法的训练集和预测集准确率分别达到97.01、 97.59%和97.01%、 96.39%。 对于内表皮光谱数据, PLS-DA模淹的整体识别准确率亦高于RF和SVM模型。 其中, 原始数据Raw-PLS-DA的训练集和预测集准确率相对较高, 分别达到99.40%、 97.59%; 其次为D1-PLS-DA模型, 其训练集和预测集准确率为100.00%、 96.39%。

表1 新会不同陈化年份的陈皮药材外表皮和内表皮数据的预处理方法和分类模型的成对组合分类准确率 Table 1 The classification accuracies of pairwise combinations of outer epidermis and inner epidermis of Citri Reticulatae Pericarpium in different aging years

因此, 基于不同年份新会陈皮外表皮数据和内表皮数据, 在有效的预处理方法下, 高光谱技术结合PLSDA算法对不同陈化年份(3~4年份间隔)的新会陈皮的识别效果达到预取, 有效解决了较短间隔年份的新会陈皮的鉴别问题。

2.3 分类性能评估

在分类问题中, 混淆矩阵(Confusion matrix)是一种通过矩阵描述样本数据的真实类别属性和预测结果关系算法性能的可视化评价标准[17]。 混淆矩阵的行为真实值, 列为预测值, 对角线单元格为正确分类的结果, 最右列为精确率和假阴性率, 最底行为灵敏度和错误率。 不同陈化年份样品外表皮数据的MSC-PLS-DA模型和内表皮数据的Raw-PLS-DA模型预测结果的混淆矩阵分别如图3(a, b)所示。 外表皮数据的判别模型的精确率和灵敏度都达到90%以上; 内表皮数据的判别模型的精确率和灵敏度除2010年陈皮外均达到94%以上, 表现出较好的性能。

图3 不同陈化年份新会陈皮外表皮(a)和内表皮(b)PLS-DA分类模型预测结果的混淆矩阵
Fig.3 Outer epidermis (a) and inner epidermis (b) of of Citri Reticulatae Pericarpium in different aging years PLS-DA prediction result confusion matrix raw

2.4 特征波长选择

特征波长的选择可以消除了原始光谱矩阵中的冗余信息, 提高模型的运算效率。 SPA是前向特征变量选择方法, 采用向量的投影分析, 通过将波长投影到其他波长上, 比较投影向量的大小, 选择含有最小冗余信息波长及最小共线性的变量组合[18]。 对于全波段数据, 基于内表皮光谱的Raw-PLS-DA模型识别准确率最高, 而外表皮光谱数据识别准确率最高的模型则为MSC-PLS-DA, 选择上述模型进行特征波长选择。 基于SPA外表皮数据选取12个特征波长, 采用MSC-PLS-DA方法进行建模[图4(a, b), 表2], 训练集准确率为88.62%, 预测集准确率为86.75%。 内表皮数据选取19个特征波长, 采用Raw-PLS-DA算法进行建模, 训练集准确率为95.81%, 预测集准确率为91.57%。 结果表明, 特征波长建模相对于全波长建模, 准确率略有下降(6-10%); 但内表皮数据特征波长建模整体判别准确率仍可达90% 以上。 特征波长的选择保留了陈皮表皮的有效信息, 在降低模型复杂性的同时能达到和全波长数据模型近乎相同的鉴别结果, 为陈皮陈化年份鉴别专属小型化高光谱设备开发提供了参考。

图4 不同陈化年份陈皮药材的外表皮(a)和内表皮(b)波段的SPA特征波段选择Fig.4 SPA characteristic variable selection results of PLS-DA model (a) outer epidermis and (b) inner epidermis

表2 不同陈化年份陈皮药材的外表皮和内表皮SPA特征波段建模结果 Table 2 Modeling results of SPA characteristic bands of outer epidermis and inner epidermis of Citri Reticulatae Pericarpium in different aging years
3 结论

采用高光谱技术结合化学计量学方法建模实现对不同陈化年份新会陈皮的快速无损鉴别具有充分的可行性。 基于全波长数据, 外表皮数据以MSC-PLS-DA为最适方法, 训练集与预测集的准确率均在97%以上; 而内表皮数据则以Raw-PLS-DA为最适方法, 训练集与预测集的准确率同样可达到97%以上。 通过SPA方法提取的特征波长建模可以去除冗余变量大大降低模型的复杂性, 减少模型的运算时间, 同时能达到与全波长模型相似的识别效果。

近年来, 随着中药市场的快速增长, 以及国家对中医药行业重视程度的不断提高, 开发能够对中药进行无损、 快速检测的便携式设备具有迫切的市场需求。 传统的人工检测方法存在较大主观因素, 而实验室常规采用的理化检测等仪器分析手段, 一方面需要对样品进行破碎、 制样, 且测试时间较长, 无法满足无损、 快速检测的需求; 另一方面由于设备原理、 结构所限, 难以实现小型化。 可见光-近红外光谱成像技术结合模式识别能够实现新会陈皮陈化年份的分类鉴别, 且基于特征波长仍能达到预期结果, 基于像素级FP腔的一体式高光谱图像传感器, 由于其具有光谱特性理想、 体积小、 环境适应性强、 接口通用便于集成等优势, 能够突破设备小型化的技术瓶颈, 为新会陈皮陈化年份的专属无损、 快速检测便携式设备的研发提供了参考。

参考文献
[1] ZHANG Ke, XU Xia, LI Ting, et al(张珂, 许霞, 李婷, 等). China Journal of Chinese Materia Medica(中国中药杂志), 2020, 45(4): 899. [本文引用:1]
[2] LIU Yu-fang, WEN Zhi-jia, ZOU Wan-xia, et al(刘玉芳, 温志佳, 邹婉霞, 等等). Journal of Chinese Medicinal Materials(中药材), 2019(8): 1952. [本文引用:1]
[3] WU Qi, REN Mao-sheng, TIAN Chang-cheng(吴琦, 任茂生, 田长城). Modern Agricultural Science and Technology(现代农业科技), 2021, (13): 229. [本文引用:1]
[4] LIU Li-na, FU Man-qin, XU Yu-juan, et al(刘丽娜, 傅曼琴, 徐玉娟, 等). Guangdong Agricultural Sciences(广东农业科学), 2020, 47(9): 114. [本文引用:1]
[5] LIANG Tian-yi, YANG Juan, DONG Hao, et al(梁天一, 杨娟, 董浩, 等). China Condiment(中国调味品), 2020, 45(4): 168. [本文引用:2]
[6] ZHOU Jie, HUANG Hai-long, YU Hong, et al(周洁, 黄海龙, 余虹, 等). Drug Evaluation(药品评价), 2021, 18(9): 519. [本文引用:1]
[7] LIAN Xi-zhong, CHEN Mei-si, WU Li-chang(练习中, 陈梅斯, 吴丽嫦). Food Science and Technology(食品科技), 2018, 43(11): 326. [本文引用:1]
[8] Elmasry G, Kamruzzaman M, Sun D W, et al. Critical Reviews in Food Science and Nutrition, 2012, 52: 999. [本文引用:1]
[9] Bai Z, Hu X, Tian J, et al. Food Chemistry, 2020, 331: 127290. [本文引用:2]
[10] ZHANG Fu-jie, SHI Lei, LI Li-xia, et al(张付杰, 史磊, 李丽霞, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2022, 42(7): 2255. [本文引用:1]
[11] ZHANG Chen, LIU Shu-yang, ZHAO An-na, et al(张晨, 刘舒扬, 赵安娜, 等). Infrared and Laser Engineering(红外与激光工程), 2019, 48(10): 264. [本文引用:1]
[12] ZHENG Yu-quan, WANG Hui, WANG Yi-fan(郑玉权, 王慧, 王一凡). Optics and Precision Engineering(光学精密工程), 2009, 17(11): 2629. [本文引用:1]
[13] ZHENG Yu-quan, YU Bing-xi(郑玉权, 禹秉熙). Journal of Remote Sensing(遥感学报), 2002, (1): 75. [本文引用:1]
[14] LIAO Cheng-sheng, WU Zheng, ZENG Li-bo, et al(廖乘胜, 吴正, 曾立波, 等). Acta Photonica Sinica(光子学报), 2017, 46(4): 100. [本文引用:1]
[15] Bert G, Nicolaas T, Andy L. Advanced Fabrication Technologies for Micro/Nano Optics and Photonics VII, 2014, 8974: 89740L. [本文引用:1]
[16] WANG Tian-he, LIU Shu-yang, ZHANG Chen, et al(王天鹤, 刘舒扬, 张晨, 等). Infrared and Laser Engineering(红外与激光工程), 2019, 48(10): 227. [本文引用:1]
[17] YIN Wen-jun, RU Chen-lei, ZHENG Jie, et al(殷文俊, 茹晨雷, 郑洁, 等). China Journal of Chinese Materia Medica(中国中药杂志), 2021, 46(4): 923. [本文引用:1]
[18] ZHAO Jing-yuan, XIONG Zhi-xin, NING Jing-ming, et al(赵静远, 熊智新, 宁井铭, 等). Journal of Analytical Science(分析科学学报), 2021, 37(5): 611. [本文引用:1]