川贝具有清热润肺，化痰止咳，散结消痈的功效。用于肺热燥咳，干咳少痰，阴虚劳嗽，痰中带血，瘰疬，乳痈，肺痈等，为临床常用中药，也是业内公认的较名贵中药。对川贝母的传统人工评价在一定时期起到过重要的作用，但随着掺伪手段不断翻新，评价工作日趋困难。川贝母药典检测结果虽精准可靠，但也存在复杂耗时的问题。故本文拟通过电子视觉技术探索建立一种新的质量评价方法，兼具上述 2 种方法的优点，快速、精准地实现川贝母药材真伪及规格的鉴别。
方法与结果
辨识方法
传统经验辨识法( M1 )
聘请 8 位在中药鉴定研究领域拥有丰富经验的专家( 具有 15 年以上工作经验且一直在医药行业从事中药饮片检验、鉴定工作) ，参照 2015 年版《中国药典》一部质量标准外观性状规定，将编号后的样品随机放置，由专家依据颜色、形状、气味、质地、口感等差异结合既往经验进行鉴定，对川贝母的真伪及商品规格做出鉴定。最后，以评价专家人数是否≥3 /4 比例原则确定每个样本的真伪及商品规格。
现代药典辨识法( M2 )
外观性状鉴别、显微鉴别、薄层鉴别均参照 2015 年版《中国药典》一部川贝母鉴别检查项下的方法。
电子眼辨识法( M3 )
利用电子眼对 80 批川贝母待测样品进行检测，提取其光学数据并借助化学计量学方法建立适宜的辨识模型，该模型以电子眼采集的 65 个色度信息值为自变量矩阵 X( 80×65) ，以 M1 和 M2 相结合的综合结果作为标准因变量 Y，建立 X 和 Y 之间的关系 Y =M( X) 模型，基于该模型实现对未知样品的辨识。
辨识结果
传统经验辨识
真伪鉴别 23，24，61～80 号样本为伪品，42，43 号未判出，其余均为真品。商品规格鉴别 1～20 号为炉贝，21，22，25～40 号为松贝，41，44～60 号为青贝，61～78，80 号为平贝，79 号样本专家评价结果分歧较大，且任一种结果都不满足≥3 /4比例原则，因而被剔除，见表 1。
现代药典辨识
外观性状不满足的样本有23，24，43～46，61～80 号; 显微结果显示样本 71，74，78 号不含螺纹导管，其余均满足药典要求; 薄层结果显示样本 23，24 号中不含贝母素乙，61～80 号与平贝母对照药材相对应的位置显相同颜色的斑点; 80 个样本贝母素甲、西贝母碱、贝母素乙 3 种生物碱总量均为 0～0. 05%，判别结果见表 2。
电子眼颜色信息值
本研究中 80 批川贝母待测样品的光学数据为 65 种色号，经筛选后 65 种色号均是有效信息，均可参与建模。最终，电子眼光学数据为 80×65 的数据矩阵。
真伪模型模型的交互验证
DA 辨识模型及交互验证 80 个样本的测试结果多元正态分布检验图见图 1，横坐标为平方广义距离，纵坐标为卡方上侧分位数对应的检验值。样本分布图形略呈线性; 约 44%的距离小于卡方分布分位数表 0. 5 对应的检验值，说明检验值在卡方分布分位数表 0. 5 对应的检验值的下侧分布略微集中。
DA 最优辨识模型参数为变量选择 65 个，识别模式选择线性。结果显示 54 个正品中有 10 个被错分为伪品，26 个伪品有 4 个被错分为正品，模型整体正判率为 82. 5%。
LS-SVM 辨识模型及交互验证
变量选择65 个，函数选择径向基函数核。结果显示 54 个正品分类全部正确，26 个伪品有 8 个被错分为正品，模型整体正判率为 90. 0%。
PLS-DA 辨识模型及交互验证
PLS-DA 最优辨识模型参数为变量选择 4 个，识别模式选择线性; 采用留一法交互验证的模型内验证方法，模型最优正判率为 96. 2%。各主成分贡献百分比见图 2，前 4 个主成分之和达 75%以上，可解释原变量大部分信息。
PLS-DA 辨识结果显示，54 个正品中有 1 个被错判为伪品，26 个伪品有 2 个被错判为正品，模型整体正判率为 96. 2%。
PCA-DA 辨识模型及交互验证
变量选择15 个，识 别 模 式 选 择 线 性; 模 型 最 优 正 判 率 为93. 8%。各主成分贡献百分比见图 3，前 3 个主成分之和达 75%以上，可解释原变量大部分信息。
PCA-DA 辨识结果显示，54 个正品分类均正确，26个伪品有 5 个被错分为正品，整体正判率为 93. 8%。
商品规格模型的交互验证
DA 辨识模型及交互验证
变量选择 65 个，识别模式选择线性，模型见图 4。
结果显示，20 个炉贝样本中有 1 个被错判成青贝，2 个被错判成平贝; 18 个松贝样本中有 1 个被错判成平贝; 18 个青贝样本中有 1 个被错判成平贝; 19 个平贝样本中有 3 个错判成青贝; 不存在未分类的样本，整体正判率为 89. 3%。
LS-SVM 辨识模型及交互验证
变量选择 65 个，函数选择径向基函数核。结果显示，20 个炉贝样本有 1 个被错分为青贝，18 个松贝样本分类全部正确，18 个青贝样本有 2 个被错分为平贝，19 个平贝样本分类全部正确，模型整体正判率为 96. 0%。
PLS-DA 辨识模型及交互验证
变量选择 6 个，识别模式选择线性; 模型最优正判率为 90. 7%。前 6 个主成分之和达 75%以上，可解释原变量大部分信息，见图 5。
结果显示，20 个炉贝样本中有 2 个未被分类; 18 个松贝样本中有 1 个未被分类; 18 个青贝样本中有 1 个未被分类; 19 个平贝样本中有2 个未被分类; 其余分类均正确，模型整体正判率为 90. 7%。
PCA-DA 辨识模型及交互验证
变量选择14 个，识 别 模 式 选 择 线 性; 模 型 最 优 正 判 率 为97. 3%。前 3 个主成分之和达 75%以上，可解释原变量大部分信息，见图 6。
结果显示，20 个炉贝样本分类均正确; 18 个松贝样本分类均正确; 18 个青贝样本中有 1 个被错判成炉贝; 19 个平贝样本中有 1 个错判成炉贝; 不存在未分类的样本，整体正判率为 97. 3%。
时效性及正判率的比较
通过比较，电子眼辨识与传统经验辨识正判率无显著性差异; 电子眼辨识不如传统经验辨识快( P＜0. 01) ，但较药典检测快( P＜0. 01) ，见图 7。
电子眼各色号( 变量) 对辨识模型的贡献度
在只考虑变量信息本身、不考虑分类结果模型的情况下，65 个变量所携带变异信息( Wilkslamda) 的柱状图见图 8，Wilkslamda 越小则表示变量携带变异信息越多。真伪辨识中 65 个变量在潜变量上的载荷图，见图 2，50 号变量在原点附近，说明该特征属性的波动对于样本之间的区别贡献不大，其余64 个变量整体较为分散，说明这 64 个变量均携带有显著的变异信息。商品规格辨识中 65 个变量在潜变量上的载荷图见图 6。
结论
真伪辨识模型的正判率从高到底依次为 PLS-DA＞PCA-DA＞LS-SVM＞DA，最终优选PLS-DA 模型用于川贝母的真伪辨识; 商品规格辨识模型的正判率从高到低依次为 PLS-DA＞PCA-DA＞LS-SVM＞DA，最终优选PCA-DA 模型用于川贝母的商品规格辨识。综合比较，电子眼辨识正判率与传统人工经验鉴别无显著性差异，电子眼辨识不如传统经验辨识快，但较药典检测时间极显著缩短。总体而言，该技术能够实现对中药饮片质量相对快速、准确地辨识，为中药饮片的质量评价提供了新思路、新技术，同时为构建中药饮片质量快速辨识智能专家系统奠定了基础。
来源：感官科学与评定 转载请注明来源。
参考文献：刘瑞新,郝小佳,张慧杰,张璐,桂新景,林兆洲,罗崇念,田亮玉,王艳丽,冯文豪,姚静,李学林.基于电子眼技术的中药川贝母真伪及规格的快速辨识研究[J].中国中药杂志,2020,45(14):3441-3451.转载请注明来源。
提醒：文章仅供参考，如有不当，欢迎留言指正和交流。且读者不应该在缺乏具体的专业建议的情况下，擅自根据文章内容采取行动，因此导致的损失，运营方不负责。如文章涉及侵权或不愿我平台发布，请联系处理。
方法与结果
辨识方法
传统经验辨识法( M1 )
聘请 8 位在中药鉴定研究领域拥有丰富经验的专家( 具有 15 年以上工作经验且一直在医药行业从事中药饮片检验、鉴定工作) ，参照 2015 年版《中国药典》一部质量标准外观性状规定，将编号后的样品随机放置，由专家依据颜色、形状、气味、质地、口感等差异结合既往经验进行鉴定，对川贝母的真伪及商品规格做出鉴定。最后，以评价专家人数是否≥3 /4 比例原则确定每个样本的真伪及商品规格。
现代药典辨识法( M2 )
外观性状鉴别、显微鉴别、薄层鉴别均参照 2015 年版《中国药典》一部川贝母鉴别检查项下的方法。
电子眼辨识法( M3 )
利用电子眼对 80 批川贝母待测样品进行检测，提取其光学数据并借助化学计量学方法建立适宜的辨识模型，该模型以电子眼采集的 65 个色度信息值为自变量矩阵 X( 80×65) ，以 M1 和 M2 相结合的综合结果作为标准因变量 Y，建立 X 和 Y 之间的关系 Y =M( X) 模型，基于该模型实现对未知样品的辨识。
辨识结果
传统经验辨识
真伪鉴别 23，24，61～80 号样本为伪品，42，43 号未判出，其余均为真品。商品规格鉴别 1～20 号为炉贝，21，22，25～40 号为松贝，41，44～60 号为青贝，61～78，80 号为平贝，79 号样本专家评价结果分歧较大，且任一种结果都不满足≥3 /4比例原则，因而被剔除，见表 1。
外观性状不满足的样本有23，24，43～46，61～80 号; 显微结果显示样本 71，74，78 号不含螺纹导管，其余均满足药典要求; 薄层结果显示样本 23，24 号中不含贝母素乙，61～80 号与平贝母对照药材相对应的位置显相同颜色的斑点; 80 个样本贝母素甲、西贝母碱、贝母素乙 3 种生物碱总量均为 0～0. 05%，判别结果见表 2。
本研究中 80 批川贝母待测样品的光学数据为 65 种色号，经筛选后 65 种色号均是有效信息，均可参与建模。最终，电子眼光学数据为 80×65 的数据矩阵。
真伪模型模型的交互验证
DA 辨识模型及交互验证 80 个样本的测试结果多元正态分布检验图见图 1，横坐标为平方广义距离，纵坐标为卡方上侧分位数对应的检验值。样本分布图形略呈线性; 约 44%的距离小于卡方分布分位数表 0. 5 对应的检验值，说明检验值在卡方分布分位数表 0. 5 对应的检验值的下侧分布略微集中。
LS-SVM 辨识模型及交互验证
变量选择65 个，函数选择径向基函数核。结果显示 54 个正品分类全部正确，26 个伪品有 8 个被错分为正品，模型整体正判率为 90. 0%。
PLS-DA 辨识模型及交互验证
PLS-DA 最优辨识模型参数为变量选择 4 个，识别模式选择线性; 采用留一法交互验证的模型内验证方法，模型最优正判率为 96. 2%。各主成分贡献百分比见图 2，前 4 个主成分之和达 75%以上，可解释原变量大部分信息。
PCA-DA 辨识模型及交互验证
变量选择15 个，识 别 模 式 选 择 线 性; 模 型 最 优 正 判 率 为93. 8%。各主成分贡献百分比见图 3，前 3 个主成分之和达 75%以上，可解释原变量大部分信息。
商品规格模型的交互验证
DA 辨识模型及交互验证
变量选择 65 个，识别模式选择线性，模型见图 4。
LS-SVM 辨识模型及交互验证
变量选择 65 个，函数选择径向基函数核。结果显示，20 个炉贝样本有 1 个被错分为青贝，18 个松贝样本分类全部正确，18 个青贝样本有 2 个被错分为平贝，19 个平贝样本分类全部正确，模型整体正判率为 96. 0%。
PLS-DA 辨识模型及交互验证
变量选择 6 个，识别模式选择线性; 模型最优正判率为 90. 7%。前 6 个主成分之和达 75%以上，可解释原变量大部分信息，见图 5。
PCA-DA 辨识模型及交互验证
变量选择14 个，识 别 模 式 选 择 线 性; 模 型 最 优 正 判 率 为97. 3%。前 3 个主成分之和达 75%以上，可解释原变量大部分信息，见图 6。
结果显示，20 个炉贝样本分类均正确; 18 个松贝样本分类均正确; 18 个青贝样本中有 1 个被错判成炉贝; 19 个平贝样本中有 1 个错判成炉贝; 不存在未分类的样本，整体正判率为 97. 3%。
时效性及正判率的比较
通过比较，电子眼辨识与传统经验辨识正判率无显著性差异; 电子眼辨识不如传统经验辨识快( P＜0. 01) ，但较药典检测快( P＜0. 01) ，见图 7。
在只考虑变量信息本身、不考虑分类结果模型的情况下，65 个变量所携带变异信息( Wilkslamda) 的柱状图见图 8，Wilkslamda 越小则表示变量携带变异信息越多。真伪辨识中 65 个变量在潜变量上的载荷图，见图 2，50 号变量在原点附近，说明该特征属性的波动对于样本之间的区别贡献不大，其余64 个变量整体较为分散，说明这 64 个变量均携带有显著的变异信息。商品规格辨识中 65 个变量在潜变量上的载荷图见图 6。
真伪辨识模型的正判率从高到底依次为 PLS-DA＞PCA-DA＞LS-SVM＞DA，最终优选PLS-DA 模型用于川贝母的真伪辨识; 商品规格辨识模型的正判率从高到低依次为 PLS-DA＞PCA-DA＞LS-SVM＞DA，最终优选PCA-DA 模型用于川贝母的商品规格辨识。综合比较，电子眼辨识正判率与传统人工经验鉴别无显著性差异，电子眼辨识不如传统经验辨识快，但较药典检测时间极显著缩短。总体而言，该技术能够实现对中药饮片质量相对快速、准确地辨识，为中药饮片的质量评价提供了新思路、新技术，同时为构建中药饮片质量快速辨识智能专家系统奠定了基础。
来源：感官科学与评定 转载请注明来源。
参考文献：刘瑞新,郝小佳,张慧杰,张璐,桂新景,林兆洲,罗崇念,田亮玉,王艳丽,冯文豪,姚静,李学林.基于电子眼技术的中药川贝母真伪及规格的快速辨识研究[J].中国中药杂志,2020,45(14):3441-3451.转载请注明来源。
提醒：文章仅供参考，如有不当，欢迎留言指正和交流。且读者不应该在缺乏具体的专业建议的情况下，擅自根据文章内容采取行动，因此导致的损失，运营方不负责。如文章涉及侵权或不愿我平台发布，请联系处理。
