高光谱相机对冬虫夏草含量及真伪鉴别中的检测应用
结合高光谱成像检测技术对冬虫夏草粉末的真假鉴别及含量判断的无损检测模型。方法 将真伪样品粉末分别按9：1、8：2、7：3、6：4、5：5等不同比例进行混合，通过光谱范围为940 nm~2500 nm的高光谱成像仪分别获取真伪样品、不同比例真伪混合样品的高光谱影像数据，经过主成分分析（PCA）初步判别真伪样品的差异性，再结合偏最小二乘法（PLS）对真伪粉末样品的含量进行分析判断。结果 不同比例真伪混合物中冬虫夏草粉末的识别度为97.0%-98.78%，伪冬虫夏草粉末的识别度为83.10%-99.3%。 结论 基于高光成像技术可以实现对冬虫夏草粉的真假辨别，并可准确地判别出冬虫夏草粉末的有效含量。
扫描方式为推扫式成像技术，该仪器的光谱扫描范围为940 nm ~2500 nm，每个样品的采样间隔为2.5 nm，每个样品的测定速度一般小于 1分钟。在获取样品的高光谱影像后，需要对采集的光谱图像进行图像校正才能得到样品的反射率。
图像校正公式如下：
高光谱相机的光谱采集。其中伪品2个标号为9号、10号（分别为地蚕、蛹虫草），3个标准样品6号、7号、8号，同时将8号与10号样品粉末分别以9：1、8：2、7：3、6：4、5：5等不同比例进行混合，得到1~5号样品。样品主成分分析的结果
光谱扫描范围为940 nm ~2500 nm，每个样品的采样间隔为2.5 nm，每个样品的测定速度一般小于 1分钟。在获取样品的高光谱影像后，需要对采集的光谱图像进行图像校正才能得到样品的反射率。 红色曲线为8号样品、 蓝色为9号 绿色为10号样品。
通过主成分分析，可以明显将9号、10号两个伪样品与其它样品进行区分，由此可以判断9号与10号样品为伪样品。
偏最小二乘法
偏最小二乘法（PLS）是一种数学优化的技术，它主要是通过最小化误差的平方和来找到一组数据的最佳函数匹配，然后用最简的方法求得一些绝对不可知的真值，而令误差平方之和为最小。偏最小二乘法（PLS）就相当于将多元线性回归分析、典型的相关分析以及主成分分析方法融合在一起的数学方法。
偏最小二乘法（PLS）主要是通过主成分分析法将多为空间数据的曲线压缩到较低维的空间数据上，使其原曲线分解为多种主成分分析曲线，而不同的曲线的主成分分别代表不同的主分和因素间对曲线的贡献率，选取贡献率较大的主成分，去除有干扰组分和干扰因素的主成分，仅仅将贡献率较高的主成分与质量参数进行回归。
本研究将8号样品与10号样品的粉末分别按9：1、8：2、7：3、6：4、5：5等不同比例进行混合，得到1~5号样品。将1～5号样品作为未知样品进行偏最小二乘法变换（PLS）实现分类判别，判断8号与10号样品的混合比例，结果如下表1-表5所示。
从表1到表5可知，1号到5号样品中8号样品冬虫夏草粉末的成分识别度在97.0%到98.78%之间；蛹虫草粉末的成分识别度在83.10%到99.3%之间；未识别成分所占比例在0.57%到0.84%之间。
从总体上看，基于PCA变换后的高光谱影像，利用偏最小二乘法可准确地识别出肉眼无法分辨的冬虫夏草和蛹虫草粉末。其中当冬虫夏草和蛹虫草粉末进行9：1混合时，91.1%识别为冬虫夏草粉末，8.31%识别为蛹虫草粉末，未识别成分占0.59%；当冬虫夏草和蛹虫草粉末按8：2混合时，78.26%识别为冬虫夏草粉末，20.14%识别为蛹虫草粉末，未识别成分占0.60%；当冬虫夏草和蛹虫草粉末按7：3混合时，71.47%识别为冬虫夏草粉末，28.80%识别为蛹虫草粉末，未识别成分占0.73%；当冬虫夏草和蛹虫草粉末按6：4混合时，59.04%识别为冬虫夏草粉末，40.36%识别为蛹虫草粉末，未识别成分占0.57%；当冬虫夏草和蛹虫草粉末按5：5混合时，51.50%识别为冬虫夏草粉末，47.66%识别为蛹虫草粉末，未识别成分占0.84%。
