基于高光谱数据结合域适应算法的北柴胡种子跨批次真实性鉴定

Cross-batch authenticity identification of Bupleurum chinense DC. seeds based on hyperspectral data combined with domain adaptation algorithms

摘要

为构建基于高光谱数据和域适应算法的不同批次北柴胡种子跨年份精准鉴定模型， 采集10个批次北柴胡（Bupleurum chinense DC.）及5种近缘物种400~1 000 nm波段的高光谱数据，利用随机森林（RF）、支持向量机（SVM）、多层感知器（MLP）、偏最小二乘判别分析（PLS-DA）及集成学习算法建立北柴胡种子跨批次鉴定模型，通过竞争性自适应权重（CARS）结合协方差对齐（CORAL）算法探索提高模型对不同批次种子的跨年份数据预测能力的可行性，最后使用SHAP算法对模型进行可解释性分析。结果表明：SNV-PLS-DA模型的预测准确率为85.6%。采用CARS算法筛选出97个关键特征波段，构建的SNV-CARS-PLS-DA模型预测准确率为91.4%。2024和2025年采集同一批次（2024年10月）收获的万荣柴胡的跨年份高光谱数据间存在以线性偏移为主导的混合偏移（集中于830~900 nm）。经CORAL算法校准后，模型预测2024年采集的光谱数据准确率从79.7%提升到94.3%。SHAP算法表明673.5~746.6、810.6~842.7和907.8~984.7 nm是模型预测的关键波段。综上，CORAL算法适用于校正北柴胡不同批次跨年份光谱数据的偏移，能够提高模型预测的鲁棒性，可用于不同批次北柴胡种子跨年份精准鉴定。

Abstract

To construct a cross-year accurate identification model for different batches of Bupleurum chinense DC. seeds based on hyperspectral data and domain adaptation algorithms， hyperspectral data in the 400 to 1 000 nm band were collected from 10 batches of B. chinense DC. and 5 related species. Machine learning models for cross-batch discrimination were established using random forest （RF）， support vector machine （SVM）， multi-layer perceptron （MLP）， partial least squares discriminant analysis （PLS-DA）， and ensemble learning algorithms. The feasibility of improving the model’s prediction ability on the cross-year data of different seed batches was explored by combining the competitive adaptive reweighted sampling （CARS） with CORrelation ALignment （CORAL） algorithm. Finally， the SHAP algorithm was used to conduct interpretability analysis on the model. The results showed that： The prediction accuracy of the SNV-PLS-DA model reached 85.6%. Using the CARS algorithm， a total of 97 key characteristic bands were identified， and the prediction accuracy of the constructed SNV-CARS-PLS-DA model was 91.4%. There existed a mixed shift dominated by linear shift （concentrated within 830 to 900 nm） between the hyperspectral data collected in 2024 and 2025 for the same batch of Wanrong Bupleurum harvested in October 2024. After calibration by the CORAL algorithm， the accuracy of the model in predicting the spectral data in 2024 increased from 79.7% to 94.3%. The SHAP algorithm indicates that the bands of 673.5-746.6， 810.6-842.7， and 907.8-984.7 nm were the key bands for the model prediction. In conclusion， the CORAL algorithm is suitable for correcting the shift of spectral data of cross-year for different batches of Bupleurum chinense DC. seeds， and can improve the robustness of model prediction.

Graphical abstract

关键词

北柴胡 / 真实性 / 高光谱 / 协方差对齐

Key words

Bupleurum chinense DC. / authenticity / hyperspectral / CORrelation ALignment

柴胡是我国常用大宗中药材，具有解热、抗炎及免疫调节等作用^［1］。依据《中国药典》（2015版）^［1］，其法定基原为北柴胡（Bupleurum chinense DC.）和狭叶柴胡（Bupleurum scorzonerifolium Willd.）的干燥根。目前柴胡主要依赖种子繁殖，但面临种源混杂、种子活力低以及种子寿命短等问题^［2］。尽管部分地区已建立柴胡种子质量分级体系，如内蒙古DB14/T 1491—2017《柴胡种子质量标准》^［3］、山西DB15/T 1296—2017《北柴胡种子质量分级》^［4］，实际生产中仍普遍存在陈种翻新、净度不达标等问题^［5］，严重制约柴胡药材的标准化生产。种子真实性是中药材质量控制的基础，核心在于判定供检种子与其标注信息的一致性^［6］。中药材种源混杂会导致中药药性改变，引发用药安全风险。但传统鉴定方法（如表型性状、显微观察、理化分析及分子鉴定^［7］）存在依赖专业经验且破坏样品的局限性。因此，北柴胡真实性快速无损的鉴定，对于提高北柴胡药材质量、保障用药安全具有重要的意义。

高光谱成像技术的快速发展突破了中药材传统鉴定方式的局限，通过融合图像与光谱信息，同步无损获取样本外部形态特征与内部化学成分信息^［8］，已在农业、环境、医学等多领域广泛应用^［9］。大量研究证实，高光谱成像技术结合机器学习算法在农作物种子，如玉米^［10］、小麦^［11］、大豆^［12］等品种、种质鉴定方面具有巨大潜力。Huang等^［13］基于跨年份玉米高光谱数据建立的更新式LSSVM模型，鉴定准确率达94.4%；Wang等^［14］在甜玉米种子分类中使用CNN-LSTM模型，准确率超95.0%。现有高光谱种子真实性鉴定研究多基于同时期采集不同批次数据^{［10，13］}，对不同批次跨年份数据的适应性研究不足。以北柴胡为例，其与近缘种三岛柴胡（Bupleurum falcatum）形态及光谱特征相似，且跨年份数据因仪器老化、环境因素及种子自然老化等干扰，导致基于单年采集数据建立的模型应用到同一批次种子的次年数据适用性降低。尽管领域适应算法，如迁移成分分析（TCA）、协方差对齐（CORAL）已在农业跨场景数据对齐中展现潜力，例如用不同近红外仪的玉米检测^［15］及近红外定量建模^［16］，但主要应用于跨仪器校准，中药材种子不同批次跨年份光谱偏移问题未得到解决。TCA基于最大均值差异（MMD）将不同年份数据映射至再生核希尔伯特空间（RKHS），达到减小数据分布差异的目的^［17］。CORAL通过对齐协方差矩阵，有效缓解时间漂移导致的模型性能衰退^［18］。

目前基于光谱数据建立北柴胡真实性鉴定模型并使用域适应算法提高模型跨批次跨年份数据预测鲁棒性的研究鲜有报道。本研究基于高光谱数据建立北柴胡真实性鉴定模型，并通过域适应算法提高模型对于跨批次跨年份数据预测的准确率，结合SHAP算法为模型提供可解释性分析，旨在构建不同批次的北柴胡种子跨年份精准鉴定模型，以期为中药材种子真实性鉴定提供参考。

1　材料与方法

1.1　试验材料

10个批次北柴胡及5个批次近缘种柴胡（表1），均收集于2023年（图1）。其中，北柴胡与非北柴胡样品各600粒。另设独立外部测试集，含2024年采自山西省运城市万荣县西乡村的北柴胡300粒（后称万荣柴胡）。所有建模材料收集于河北省保定市安国中药材市场以及中国西南野生生物种质资源库。

1.2　高光谱数据采集

高光谱成像系统主要包括：CCD相机（EM285CL型，Raptor Photonics Limited，爱尔兰）、150 W卤素灯（IT 3900e型，Illumination Technologies Inc.，美国）、移动平台（IRCP0076-1COMB型，五铃光学股份有限公司，中国）、计算机和暗箱等（图2）。测定种子400~1 000 nm波段的高光谱数据。系统参数为：电控平台移动速度1.71 mm/s，相机曝光时间7 ms，物距21.5 cm，采集软件为Spectral Image software（五铃光学股份有限公司）。高光谱数据采集全程在暗箱内进行，先采集黑白板图像，再将种子分散置于移动平台，随平台移动完成摄像头全平台扫描。采用HSI Analyzer软件（五铃光学股份有限公司）依据公式：

I=（I₀-B）/（W-B）

式中：I为校正后光谱图像；I₀为原始图像；B为黑板图像；W为白板图像。进行黑白板校正，利用Matlab 2022a对光谱图像进行分割，并提取ROI中的平均光谱数据。2025年5月采集所有建模样品的高光谱数据，2024年11月和2025年5月分别采集万荣柴胡的高光谱数据。

1.3　光谱数据处理

1.3.1　高光谱预处理

原始光谱含较多噪声，需进行预处理以提高数据信噪比与可靠性。预处理方法包括 SG平滑（savitzky-golay smoothing， SG）、一阶导数（first derivative，FD）、多元散射矫正（multiplicative scatter correction，MSC）、标准正态变换（standard normal variate，SNV）及其组合。

1.3.2　提取特征光谱

针对光谱波段冗余的问题，采用竞争自适应重加权采样（competitive adaptive reweighted sampling，CARS）算法和连续投影算法（successive projections algorithm，SPA）提取特征光谱。筛选出对建模性能贡献最大、冗余度最小且代表性强的特征波段组合。

1.3.3　光谱校准

针对不同批次跨年份光谱数据存在的数据偏移问题，采用迁移成分分析（transfer component analysis，TCA）、协方差对齐（CORrelation ALignment，CORAL）以及组合算法对数据进行校准。

1.4　建立北柴胡种子真实性鉴定模型

建模数据集含1 200粒种子的高光谱数据，按7∶3分为训练集（840粒）与测试集（360粒），用于构建北柴胡与非北柴胡的二分类模型。采用Python 3.9对高光谱数据预处理，建立随机森林（random forest，RF）、支持向量机（support vector machine，SVM）、多层感知器（multi-layer perceptron，MLP）、偏最小二乘判别分析（partial least squares-discriminant analysis，PLS-DA）等机器学习模型，以及投票（voting ensemble model，Voting）、堆叠（stacking ensemble model，Stacking）集成模型。通过随机化搜索优化超参数（表2），并采用5折交叉验证，以准确率评估模型性能。采用SHAP（Shapley Additive exPlanations）算法对所建最优模型进行可解释性分析，量化各特征对模型预测的贡献。

1.5　试验流程

首先采集不同批次北柴胡及近缘种柴胡的高光谱图像，提取单粒种子ROI区域 400~1 000 nm共765个波段的平均光谱反射率；对提取的高光谱数据进行预处理后，采用CARS与SPA算法提取特征光谱；基于预处理及特征光谱提取后的数据，构建机器学习与集成学习模型；另取1个批次外部数据集用于模型测试，分析2年的光谱数据差异，通过域适应算法实现数据对齐并对其进行预测；最后对最优模型进行 SHAP可解释性分析，见图3。

2　结果与分析

2.1　基于高光谱数据建立北柴胡种子真实性鉴定模型

由图4可知，10个批次的北柴胡平均光谱曲线趋势相似，均在680 nm 处呈现特征吸收谷，约920 nm处呈现特征吸收峰。其中，河北省第1批次北柴胡（HB₁）光谱反射率最高，中国西南野生生物种质资源库第2批北柴胡（KM₂）最低。非北柴胡样品的平均光谱曲线因种类不同差异较大（图4（b）），680和920 nm处均存在特征吸收谷与吸收峰，但银州柴胡（YZ）吸收谷不明显，竹叶柴胡（ZY）和藏柴胡（Z）的光谱反射率均显著高于其他3个近缘种，且920 nm吸收峰峰形较平缓。

由图5可知，不同预处理方法对北柴胡与非北柴胡样品的平均光谱曲线影响显著。原始光谱经FD、MSC及SNV处理后，曲线形态发生明显改变：FD在680 nm处形成正负双峰，且非北柴胡正峰强度高于北柴胡，920 nm处曲线呈负值；MSC与SNV可消除基线漂移，清晰呈现两类样品光谱曲线的细微差异，且经过处理后仍存在680与920 nm的吸收谷和吸收峰（图5（c））。此外，北柴胡在400~680 nm的光谱曲线较非北柴胡平缓，而680~920 nm波段的光谱反射率增速更快（图5（d））。经SG平滑结合其他预处理得到的平均光谱曲线与单独采用其他预处理的平均光谱曲线相比无显著差异，表明SG平滑对单个样品光谱曲线的降噪作用未在平均光谱曲线中体现。

基于不同预处理的高光谱数据建立机器学习模型，除SG-PLS-DA外，其余模型训练集准确率均高于测试集（表3），其中RF与SVM模型训练集准确率高于测试集5.0%以上，存在过拟合现象。对于RF、SVM和MLP，采用SG平滑与其他预处理组合时，其测试集准确率较单独预处理有部分提升，其中SNV-PLS-DA模型建模准确率最高为85.6%。进一步建立的集成学习模型仍存在过拟合现象（表4），最优模型为SG-MSC-Stacking预测准确率为81.7%。

2.2　基于特征光谱数据建立北柴胡种子真实性鉴定模型

由表5可知，经CARS、SPA及CARS-SPA筛选后，分别得到97、15和24个关键特征波段，筛选率依次为12.7%、2.0%和3.1%。基于特征波段构建的SNV-CARS-PLS-DA模型测试集准确率达91.4%，较全波段建模提升5.8%。CARS筛除了87.3%的特征波段，但模型性能提升，表明基于全波段构建的北柴胡真实性鉴定模型中存在冗余信息；而SPA筛除95.0%以上波段，可能同时去除了部分与目标预测相关的波段。基于CARS提取的特征波段利用已建立的SNV-PLS-DA模型预测万荣柴胡于2024年11月和2025年5月采集的高光谱数据预测准确率分别为79.7%和89.5%。可能由于同一批次种子不同时间采集的高光谱数据发生偏移导致了模型预测准确率下降。

2.3　跨年份万荣柴胡种子光谱数据差异分析

由图6可知，2024和2025年光谱曲线总体趋势基本一致，但在400~420、810~890及940~1 000 nm存在明显差异。全波段反射率变化方向不一致：2024年400~450与750~900 nm光谱反射率均高于2025年，930~1 000 nm附近则相反，且不同区域光谱形状变化不同，表明2年的光谱存在非线性差异（图6（b））。独立样本t检验显示，随时间变化部分波段光谱数据存在显著差异，其中400、830~900及1 000 nm波段反射率差异显著，CARS算法亦提取到该范围的19个波段（图6（c））。PCA与t-SNE得分图中，数据点分散且无明显聚集区域，整体呈高维度复杂性，线性主成分与非线性成分均无法区分2年的数据（图7）。2年的数据经PCA和t-SNE降维后的质心距离分别为0.28和0.08，表明数据随时间发生了混合偏移，且线性偏移程度大于非线性偏移。

鉴于2年的光谱数据存在以线性偏移为主导的混合偏移，采用TCA与CORAL算法进行校正。2种算法均未导致模型过拟合（表6），其中CORAL算法性能最优，训练集与测试集准确率均超90.0%；而2种算法的组合未进一步提升模型性能，推测因CORAL已通过对齐协方差矩阵实现良好预测效果，此时引入TCA最小化MMD会与已对齐的数据分布产生目标冗余，且TCA降维可能丢失部分光谱信息。针对2年的光谱数据，CORAL算法对2024年采集数据的预测准确率达94.3%，对2025年与建模样品同时期采集的光谱数据预测准确率达100.0%。可见，该算法适用于校准年份间的数据差异。

2.4　SHAP解释PLS-DA模型

由图8可知，基于SHAP可解释性分析显示，重要性排前十的波段集中于红光与近红外区域，其中810.6 nm对模型决策的重要性最大，平均∣SHAP∣>0.12，显著高于其他特征，推测该波段可能是区分北柴胡与非北柴胡种子的主要差异波段，且与种子中的特异性化学成分相关；而924.6、842.7、733.1、616.9和907.8 nm的平均∣SHAP∣均<0.1。SHAP蜂群图显示810.6、984.7、924.6及907.8 nm对模型预测为正效应，即这些波段反射率较高时更易预测为北柴胡种子；其余波段则呈现负效应（图8（b））。

由图9可知，5个波段对模型预测的影响均呈现近似线性关系，推测因PLS-DA为线性模型，所以提取的均为线性特征。其中810.6 nm与模型预测呈近似正相关，与其交互作用最大的波段为821.1 nm，同样为对模型预测有重要贡献的波段。除984.7 nm外，其余4个波段交互作用最大的波段均集中在820~860 nm。相较于其他4个波段，821.1 nm多数样本的特征值范围为-4~2，SHAP的变化范围为-0.25~0.30，变化率0.09，小于另4个波段。810.6、821.1和984.7 nm与其交互作用最强的波段呈现协同变换，即随着该波段反射率增加，对应波段特征值亦同步增加。

3　讨 论

为提高不同批次北柴胡种子跨年份真实性鉴定模型高光谱数据的鲁棒性，在种子高光谱数据因存在偏移而导致模型预测准确率下降的背景下，本研究通过结合CARS特征筛选与CORAL域适应算法构建鉴定模型，将SNV-PLS-DA模型预测不同批次跨年份采集的高光谱数据准确率提升了14.6%（表6）。CORAL算法可有效对齐种子2年高光谱数据中以线性偏移为主的混合偏移。

本研究发现，同一批次北柴胡种子经半年常温贮藏后，贮藏前后采集的光谱数据发生了以线性偏移为主的混合偏移，差异波段主要集中于近红外830~890 nm（图6）。由于近红外区域对水分含量高度敏感^［19］，本试验中万荣柴胡种子采集于2024年10月，首组光谱数据采集于2024年11月，第二组采集于2025年5月，推测半年贮藏期内种子水分含量的改变导致近红外区域反射率显著变化，可能是该波段偏移的主要原因。此外，仪器老化也可能引发光谱数据偏移^［20］；而种子贮藏过程中蛋白质、脂质等成分的变化，则可能导致光谱非线性偏移^［21］。这种偏移可使模型预测准确率从89.5%降至79.7%。对于同一批次万荣柴胡种子，在排除品种混杂因素后，时间因素成为导致模型性能下降的根本原因。

PLS-DA作为线性模型，通过线性变换以最小的误差将数据转换到低维空间^［22］。中药材种子个体间差异大，PLS-DA模型更适用于组内差异较大的情况^［23］。贮藏和仪器原因引起的偏移会改变特征的均值与方差^［21］，而CORAL算法通过对齐2年数据的协方差矩阵，将模型预测准确率提升至94.3%，推测其可使校正后的数据在特征空间中类内分布更紧凑、类间分离度更高，进而优化了分类边界。

对比2种域适应方法可知，CORAL算法更适用于北柴胡光谱随时间产生的偏移（表6）。TCA作为子空间学习算法，对源域和目标域采用相同变换并降维至同一子空间^［17］，但因不同批次种子偏移程度存在差异，维度选择难以统一，校准后需重新建立鉴定模型。由于PLS-DA的关键判别信息依赖特征间的线性协方差模式^［22］，TCA侧重的全局分布对齐，因此TCA对模型性能提升有限。而CORAL算法不会改变目标域特征的数据结构，能够完整保留原始特征，无需通过降维压缩信息^［18］。同时，该算法直接对齐源域与目标域的协方差矩阵，可进行无监督处理跨域数据^［18］，适用于数据分布差异主要由协方差偏移主导的场景。需注意的是，当特征数量大于样本数量时，样本协方差难以准确评估2批数据差异，易受异常值影响^［17］，因此使用CORAL算法时需关注特征数量与样本量的匹配关系。

SHAP算法提取到重要性前十波段集中在红光和近红外的区域（图8（a））。其中673.5、733.1和746.6 nm主要与叶绿素a的吸收有关，叶绿素a和叶绿素b在红光波段吸收光能用于光合作用，叶绿素在630~680 nm内有强吸收峰，尤其是在670 nm附近^［24］；810.6、821.1和842.7 nm与蛋白质等含氮化合物中N-H键的吸收有关^［25］；984.7，924.6和907.8 nm与水分的O-H键震动有关^［26］。说明种子中叶绿素和其他相关色素以及蛋白质等物质是PLS-DA模型区分北柴胡和非北柴胡的关键信息。赵昕等^［27］基于1DCNN和PLS-DA鉴别酸枣仁真伪时，通过CARS和自定义选择层共同选择出了位于670、721和850 nm附近的波段。Zhu等^［28］基于高光谱数据鉴定大豆种子时，利用CARS算法筛选出21个特征波段，其中也筛选到了680 nm附近的波段。810.6和821.1 nm属于830~900 nm敏感区边缘，可能是由于这些波段反射率的变化导致模型预测准确率下降。

本研究基于10个批次北柴胡及5个近缘种的光谱数据，构建了北柴胡真实性SNV-CARS-PLS-DA模型。同一批次收获的万荣柴胡种子2024和2025年采集的光谱数据存在以线性偏移为主的混合偏移。为此采用CARS-CORAL联用策略，通过对齐协方差矩阵可有效校正2年份的数据偏移，将预测准确率提升14.3%。基于SHAP算法揭示模型通过水分（907.8~984.7 nm）、蛋白质（810.6~842.7 nm）及色素（673.5~746.6 nm）三大类生物标志物实现判别，其中关键波段与偏移敏感区存在重合。未来应该进一步扩大建模样本量，包含更多不同来源、不同贮藏时间的样本，以提高模型在复杂场景的泛化性。

4　结 论

通过高光谱成像技术结合域适应算法，对于北柴胡种源混杂的问题基于高光谱数据建立了北柴胡真实性鉴定模型，SNV-CARS-PLS-DA为最优模型，测试集准确率为91.4%。同一批次收获的万荣柴胡2024和2025年高光谱数据存在以线性偏移为主的混合偏移，其中400、830~900及1 000 nm附近波段反射率差异显著，经过CORAL算法的校准，模型预测2024年万荣柴胡光谱数据准确率从79.7%提升到94.3%，CORAL算法能校准该偏移模式。可见，所构建的SNV-CARS-PLS-DA模型结合CORAL算法，可对不同批次北柴胡种子跨年份的真实性进行快速无损鉴定。

参考文献

[1] 黄涵签， 王潇晗， 付航， 王妍， 杨世海. 柴胡属药用植物资源研究进展［J］. 中草药， 2017， 48（14）： 2989-2996

[2] Huang H Q， Wang X H， Fu H， Wang Y， Yang S H. Research progress on medicinal plant resources of Bupleurum L［J］. Chinese Traditional and Herbal Drugs， 2017， 48（14）： 2989-2996 （in Chinese）

[3] 丁自勉， 张旭. 柴胡生物学研究进展［J］. 中国野生植物资源， 2005，24（2）： 11-13

[4] Ding Z M， Zhang X. Research advance on Bupleurum biology［J］. Chinese Wild Plant Resources， 2005，24（2）：11-13 （in Chinese）

[5] DB 15/T 1296—2017北柴胡种子质量分级.［S］.呼和浩特：内蒙古自治区质量技术监督局，2018

[6] DB 15/T 1296—2017. Seed quality grading ofBupleurumchinenseDC［S］. Hohhot：Inner Mongolia Autonomous Region Quality and Technical Supervision Bureau，2018（in Chinese）

[7] DB 14/T 1491—2017柴胡种子质量标准.［S］.太原：山西省质量技术监督局，2017

[8] DB 14/T 1491—2017. Quality standard ofBupleurumseed［S］. Taiyuan：Shanxi Provincial Bureau of Quality and Technical Supervision，2017（in Chinese）

[9] 刘志浩， 查良平， 罗丽， 赵玉洋， 李晓琳， 袁媛. 中药材种子鉴别技术研究进展［J］. 中国实验方剂学杂志， 2024， 30（4）：1-11

[10] Liu Z H， Zha L P， Luo L， Zhao Y Y， Li X L， Yuan Y. Methods for identifying seeds of Chinese medicinal materials： A review［J］. Chinese Journal of Experimental Traditional Medical Formulae， 2024， 30（4）：1-11 （in Chinese）

[11] GB/T 3543.5-1995农作物种子检验规程 真实性和品种纯度鉴定.［S］. 北京：中国标准出版社， 1996

[12] GB/T 3543.5-1995：Verification of genuineness and cultivar. Rules for agricultural seed testing［S］. Beijing： Standards Press of China， 1996 （in Chinese）

[13] 赵莎， 郑司浩， 曾燕， 戴玮， 李鹏英， 王继永. 中药材种子种苗真实性鉴定技术研究进展［J］. 中国现代中药， 2021， 23（10）：1831-1836

[14] Zhao S， Zheng S H， Zeng Y， Dai W， Li P Y， Wang J Y. Technology for authenticity identification of seeds and seedlings of Chinese medicinal plants： A review［J］. Modern Chinese Medicine， 2021， 23（10）：1831-1836 （in Chinese）

[15] Lu Y Z， Saeys W， Kim M， Peng Y K， Lu R F. Hyperspectral imaging technology for quality and safety evaluation of horticultural products： A review and celebration of the past 20-year progress ［J/OL］. Postharvest Biology and Technology， （--）. DOI： doi.org/10.1016/j.postharvbio.2020.111318

[16] Wu J X， Zhang Y， Hu P F， Wu Y Y. A review of the application of hyperspectral imaging technology in agricultural crop economics［J/OL］. Coatings， （--）.DOI： doi.org/10.3390/coatings

[17] Zhao Y Y， Zhu S S， Zhang C， Feng X P， Feng L， He Y. Application of hyperspectral imaging and chemometrics for variety classification of maize seeds［J］. Royal Society of Chemistry Advances， 2018， 8（3）：1337-1345

[18] Zhang W D， Li Z X， Li G H， Zhuang P X， Hou G J， Zhang Q， Li C Y. GACNet： Generate adversarial-driven cross-aware network for hyperspectral wheat variety identification ［J］. IEEE Transactions on Geoscience and Remote Sensing， 2024， 62：1-14

[19] Liu Y， Wu T， Yang J J， Tan K Z， Wang S W. Hyperspectral band selection for soybean classification based on information measure in FRS theory［J］. Biosystems Engineering， 2019， 178：219-232

[20] Huang M， Tang J Y， Yang B， Zhu Q B. Classification of maize seeds of different years based on hyperspectral imaging and model updating［J］. Computers and Electronics in Agriculture， 2016， 122：139-145

[21] Wang Y， Song S R. Variety identification of sweet maize seeds based on hyperspectral imaging combined with deep learning［J/OL］. Infrared Physics & Technology， （--）. DOI：doi.org/10.1016/j.infrared.2023.104611

[22] 李灵巧， 王卓健， 陈江海， 卢丰， 黄殿贵， 杨辉华， 李泉. 迁移成分分析结合直接校正的模型传递方法［J］. 光谱学与光谱分析， 2024， 44（12）：3399-3405

[23] Li L Q， Wang Z J， Chen J H， Lu F， Huang D G， Yang H H， Li Q. A model transfer method based on transfer component analysis and direct correction［J］. Spectroscopy and Spectral Analysis， 2024， 44（12）：3399-3405 （in Chinese）

[24] 王雪， 王子文， 张广月， 马铁民， 陈争光， 衣淑娟， 王长远. 基于迁移成分分析的近红外光谱定量分析通用模型［J］. 光谱学与光谱分析， 2024， 44（11）：3213-3221

[25] Wang X， Wang Z W， Zhang G Y， Ma T M， Ceng Z G， Yi S J， Wang C Y. A universal model for quantitative analysis of near-infrared spectroscopy based on transfer component analysis［J］. Spectroscopy and Spectral Analysis， 2024， 44（11）：3213-3221 （in Chinese）

[26] Cheng Z W， Chen C， Chen Z H， Fang K， Jin X Y. Robust and high-order correlation alignment for unsupervised domain adaptation［J］. Neural Computing and Applications， 2021， 33（12）：6891-6903

[27] Sun B C， Feng J S， Saenko K. Return of frustratingly easy domain adaptation［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2016， 30（1）： 2058-2065

[28] 王冬， 栾云霞， 王欣然， 贾文珅. 近红外光谱无损分析肉类品质的研究进展［J］. 肉类研究， 2024， 38（5）：61-70

[29] Wang D， Luan Y X， Wang X R， Jia W S. Progress in non-destructive analysis of meat quality by near-infrared spectroscopy ［J］. Meat Research， 2024， 38（5）：61-70 （in Chinese）

[30] Zhang Y Q， Chen Z C， Zhang W J， Zhang H. Quantitative effects of the spectral calibration accuracy of the imaging spectrometer on the vegetation red edge［C］. in： 2013 35th International Symposium on Remote Sensing of Environment. Beijing： Institute Remote Sensing & Digital Earth， 2013

[31] Du W， Chen Z P， Zhong L J， Wang S X， Yu R Q， Nordon A， Littlejohn D， Holden M. Maintaining the predictive abilities of multivariate calibration models by spectral space transformation［J］. Analytica Chimica Acta， 2011， 690（1）：64-70

[32] Ruiz-Perez D， Guan H B， Madhivanan P， Mathee K， Narasimhan G. So you think you can PLS-DA？［C］. in： 2018 IEEE 8th International Conference on Computational Advances in Bio and Medical Sciences （ICCABS）. Las Vegas： Institute of Electrical and Electronics Engineers （IEEE）， 2018

[33] Barker M， Rayens W. Partial least squares for discrimination［J］. Journal of Chemometrics， 2003， 17（3）：166-173

[34] Eccher Zerbini P， Vanoli M， Rizzolo A， Grassi M， de Azevedo Pimentel R M， Spinelli L， Torricelli A. Optical properties， ethylene production and softening in mango fruit［J］. Postharvest Biology and Technology， 2015， 101：58-65

[35] Caporaso N， Whitworth M B， Grebby S， Fisk I D. Non-destructive analysis of sucrose， caffeine and trigonelline on single green coffee beans by hyperspectral imaging ［J］. Food Research International， 2018， 106：193-203

[36] Wang L， Sun D W， Pu H B， Zhu Z W. Application of hyperspectral imaging to discriminate the variety of maize seeds［J］. Food Analytical Methods， 2016， 9（1）：225-234

[37] 赵昕， 石玉娜， 刘怡彤， 姜洪喆， 褚璇， 赵志磊， 王宝军， 陈晗. 基于1DCNN和PLSDA酸枣仁真伪高光谱图像鉴别中的关键特征分析［J］. 光谱学与光谱分析， 2025， 45（3）：869-877

[38] Zhao X， Shi Y N， Liu Y T， Jiang H Z， Chu X， Zhao Z L， Wang B J， Chen H. Key Feature analysis in identification and authenticity of ziziphi spinosae semen by using hyperspectral images based on 1DCNN and PLSDA［J］. Spectroscopy and Spectral Analysis， 2025， 45（3）：869-877 （in Chinese）

[39] Zhu S L， Chao M N， Zhang J Y， Xu X J， Song P W， Zhang J L， Huang Z W. Identification of soybean seed varieties based on hyperspectral imaging technology［J/OL］. Sensors， （--）. DOI：doi.org/10.3390/s19235225

基金资助

新疆维吾尔自治区重点研发计划(2024B040039)