姜黃素是一種天然化合物，具有良好的抗炎、降血脂、抗氧化和抗癌等特性。姜黃素是從姜科、天南星科中一些植物的根莖中提取的一種二酮類化合物。其中，姜黃中約含姜黃素3%～6%，是植物界很稀少的具有二酮結構的色素。了解栽培根莖中姜黃素的水平并確定高產品種非常重要。傳統上測量姜黃素是通過從新鮮根莖或干粉中將其提取出來，并使用高效液相色譜（HPLC）或紫外-可見分光光度法進行分析。從植物材料中分離姜黃素費事、費力、成本高，且需要專門的實驗室設備和有經驗的操作人員。而高光譜成像（HSI）是一種快速且無損的技術，已成功用于土壤和農產品（堅果、水果和蔬菜）各種化學成分和質量指標的評估。然而，目前尚未探索使用新鮮姜黃根莖的HIS圖像來預測姜黃素。

基于此，為了填補研究空白，在本文中，來自澳大利亞的一組研究團隊進行了相關研究，旨在(1) 比較澳大利亞東部不同采樣點3個姜黃品種（黃色、橙色和紅色）的總姜黃素濃度和不同類姜黃素的分布；（2）評估利用可見-近紅外（Vis/NIR）光譜（400-1000 nm）建立的PLSR模型預測新鮮姜黃根莖中總姜黃素濃度的潛力。

作者在2018年11月至2019年11月，從五個研究地點共收集了190個樣本，以捕捉生長周期的變化。利用光譜范圍為400-1000 nm，光譜采樣間隔為1.3 nm，光譜分辨率為2.3 nm的Resonon Pika XC2高光譜相機獲取樣品的高光譜圖像。掃描后，提取根莖中的姜黃素，分析其總濃度和分布。建立偏最小二乘回歸（PLSR）模型來預測總姜黃素濃度，并通過R²和RMSE來評估模型的準確度。
 

圖1 高光譜成像系統Resonon Pika XC2高光譜相機掃描姜黃根莖（a），選擇根莖肉（橫截面）（b）和皮（c）感興趣區域（ROI），用于提取每個樣品的平均光譜反射率。 

圖2 實驗設計和模型開發流程圖。

【結果】

表1 校準和測試集中不同品種和采樣地的總姜黃素 (%) 濃度的描述性分析。

 
圖3 不同姜黃品種中三種姜黃素類化合物：雙去甲氧基姜黃素 (a)、去甲氧基姜黃素 (b) 和姜黃素 (c) 的百分比分布。
 
圖4 使用三個姜黃品種的原始反射光譜和根莖皮（a）與根莖肉（b）的所有可用波長開發的模型；測試集中單個樣本的姜黃素（%）預測值（實心圓）（利用根莖肉模型）和測試數據集中單個樣本測量值（“×”）和偏差線（與校準樣本的相似度）分布圖（c）。

表2 使用各種光譜分析技術的PLSR模型預測性能。

圖5 僅使用橙色姜黃品種的原始反射光譜和根莖皮（a）與根莖肉（b）的所有可用波長開發的模型；測試集中單個樣本的姜黃素（%）預測值（實心圓）（利用根莖肉模型）和測試數據集中單個樣本測量值（“×”）和偏差線（與校準樣本的相似度）分布圖（c）。

 【結論】
紅色姜黃品種姜黃素最高，建議農民可以培育該品種。本研究結果表明Vis/NIR高光譜成像結合PLSR有潛力僅使用根莖肉圖像而不是根莖皮圖像預測新鮮姜黃中的姜黃素。在收獲和清洗過程中，指狀根莖通常從母根莖中折斷，仍可銷售，因此，通過掃描從加工批次中隨機選擇的任何折斷的根莖碎片，并使用所開發的PLSR模型，可以在兩級系統下基于農場手段對包裝根莖進行分級。針對每個品種開發模型可以提高預測性能和可靠性。使用單一姜黃品種（橙色）開發的模型預測結果更準確，預測性能和可靠性更高。波長選擇（Jack knifing）進一步改進了這些方法，使其適用于更小、更便攜的多光譜成像系統。然而，在未來的研究中，應針對每個特定品種采集更大的樣本量，并對從其他光譜區域收集的數據進行調查。此外，該方法應被用于預測單個姜黃素類化合物，未來新興的圖像深度學習算法可能會進一步提高模型預測性能。

請掃一掃二維碼，閱讀原文：