近年来,随着对金银花研究的不断深入,其不仅在医用行业应用广泛,在保健品、凉茶、化妆品行业也备受欢迎,金银花的市场需求量也在逐渐增加,为了维护金银花产业的稳定及人们的健康,需要对金银花的品质进行检测和监控。绿原酸作为金银花中最重要的有效成分,已被证明具有显著的抗氧化、抗肿瘤、抗病毒、降血糖等药理作用。而绿原酸在金银花贮藏过程中容易受温度、湿度等的影响,使其发生降解,导致金银花质量、疗效和安全性下降。这将不利于保障以金银花为原料的制品的安全性和有效性。绿原酸的含量被用作评价金银花质量优劣的重要标准,对金银花贮藏过程中绿原酸含量进行检测十分必要。传统绿原酸含量的检测方法多为化学分析法,该方法虽测量精确,但其具有破坏性,且存在耗时耗力等问题。近年来,高光谱成像技术以快速、无损、精准等优点在食品中应用广泛,该技术融合了光谱技术和成像技术的优势,具有高分辨率、图谱合一、多波段等优点。因此,本试验以不同贮藏时间的金银花为研究对象,利用高光谱成像技术对金银花中绿原酸含量进行无损检测,充分分析金银花的光谱数据与绿原酸含量的相关性,探讨利用高光谱技术检测绿原酸含量的可行性,确定最佳的光谱预处理方法,筛选特征波长,建立相应的预测模型,为在线监测金银花质量变化提高参考价值。主要的研究内容和结论如下:1.初步探讨了高光谱成像技术结合化学计量学方法无损检测绿原酸含量的可行性。首先提取了高光谱图像的感兴趣区域(ROI)的原始全光谱数据,并与测定的绿原酸含量的理化值建立偏最小二乘回归(PLSR)、BP神经网络和最小二乘支持向量机(LS-SVM)模型。结果发现:PLSR、BP神经网络和LS-SVM模型的决定系数(R~2)均大于0.9,表明应用高光谱成像技术无损检测金银花中绿原酸行之有效。2.对比了不同的光谱预处理方法对绿原酸检测模型结果的影响,确定了最佳的光谱预处理方法。使用标准正态变量变换(SNV)、多元散射校正(MSC)、正交信号校正(OSC)、基线校正(BC)、移动窗口平滑(MA)和导数等预处理方法对原始数据进行预处理,并基于预处理后的光谱数据建立PLSR、BP神经网络和LS-SVM模型。与原始数据建立模型相比,使用适当的光谱预处理方法可以提高模型的性能。其中基于SNV预处理后建立的模型性能最好,PLSR模型预测集的R~2和均方根误差(RMSE)分别为0.9766和2.711mg/g,BP神经网络模型预测集的R~2和RMSE分别为0.9771和2.581 mg/g,LS-SVM模型预测集的R~2和RMSE分别为0.9770和2.583 mg/g。说明SNV方法能更有效地消除由固体颗粒大小、表面散射和光程变化引起的光谱误差,从而提高模型的精度。因此,确定SNV为本试验最佳的光谱预处理方法,并使用SNV预处理后的光谱数据作进一步研究分析。3.分析了不同特征波长筛选方法对预测模型精度的影响,确定了最佳的特征波长筛选方法和预测模型组合。采用的特征波长筛选方法包括3种单一变量筛选方法:无信息变量消除(UVE)、竞争性自适应重加权算法(CARS)、连续投影算法(SPA),及单变量筛选方法之间的4种组合(UVE-CARS、UVE-SPA、CARS-SPA、UVE-CARS-SPA),通过上述7种特征波长筛选方法分别从全光谱数据中(共824个变量)筛选了192、51、17、26、9、12、7个特征波长。由特征波长的筛选结果可知,使用特征波长筛选方法可以在不同程度上降低光谱的维度,简化模型的输入变量。基于特征光谱数据分别建立了PLSR、BP神经网络和LS-SVM模型,结果表明,UVE-CARS可以有效剔除无信息变量和冗余信息,选择与绿原酸属性相关的重要特征波段,最佳的预测模型组合为UVE-CARS-LS-SVM,其校正集和R~2和RMSE分别为0.9887和1.810 mg/g,预测集的R~2和RMSE分别为0.9785和2.496 mg/g。本文的研究结果表明,利用高光谱成像技术结合化学计量学方法可以快速、无损、精确地检测金银花贮藏过程中绿原酸含量变化,为有效地监控金银花质量提供了理论依据。