这篇研究给菊花产地溯源装上了“高光谱火眼金睛”！不同产地的菊花（亳菊、贡菊、杭白菊、怀菊）外观相似，但因生长环境差异，活性成分和品质天差地别，传统靠经验鉴别易出错。研究团队用高光谱成像技术给菊花“拍特殊 X 光片”，捕捉肉眼看不见的光谱信息。更聪明的是，他们设计了“类别信息引导的进化多任务算法”，能根据不同产地菊花的鉴别难度，精准挑选关键光谱波长，避免有用信息遗漏。同时还提取了菊花的纹理和颜色空间特征，就像既看“内在基因”又看“外在颜值”。最终光谱+空间特征融合后，用随机森林模型鉴别产地的准确率高达98.86%，几乎零失误。这个方法不仅无损、快速，还能批量检测，解决了市场上菊花产地造假的痛点，未来有望做成便携检测设备，让消费者买菊花时能轻松辨真伪、选好货。
菊花作为广受欢迎的花茶，富含对健康有益的生物活性成分，其品质和营养价值直接受产地影响。因此，本研究将高光谱成像（HSI）技术与化学计量学相结合，提出一种精准鉴别菊花不同产地的方法。首先，为充分挖掘光谱特征，本研究开发了类别信息引导的多任务粒子群优化（CIMPSO）框架。该框架采用类别信息准则评估类别不确定性，并为每个类别分配合适的变量选择数量，随后将多分类问题分解为多个二分类子任务，同时寻找区分每个特定类别与其他类别的特征波长。实验结果表明，所提出的 CIMPSO在多种机器学习模型上实现了94.16%–96.02%的优异准确率，性能优于多种波长选择方法。此外，为丰富特征信息，本研究还提取了空间纹理和颜色特征。借助更全面的特征信息，融合后的空 - 谱特征在随机森林（RF）模型上达到最优准确率，分类准确率和F1分数分别为98.86%和98.84%。结果表明，空间纹理和颜色特征也包含有助于菊花鉴别的有用信息，而融合光谱和空间信息的特征能更有效地表征产地属性。总体而言，本研究通过充分挖掘关键波长和空间信息，提出了一种新型菊花产地鉴别方法，可为食品工业中的无损质量评估提供有价值的技术参考，同时也将推动农业领域高光谱相关快速在线质量检测设备的发展。
关键词
菊花；产地溯源；高光谱成像；粒子群优化；空-谱特征融合
研究亮点
1、提出类别信息引导的多任务粒子群优化（CIMPSO）波长选择框架，通过评估类别不确定性为不同产地菊花分配最优特征波长数量，解决传统方法忽视类别鉴别难度差异的问题。
2、首次将空间特征（灰度共生矩阵纹理特征和 RGB/HSV颜色特征）与光谱特征融合，丰富了菊花产地鉴别的特征维度，提升了模型泛化能力。
3、CIMPSO框架结合知识迁移机制，实现多子任务间信息共享，在大幅降维（从288个波长降至29个）的同时保持高鉴别准确率（96.02%），优于SPA、iPLS、GA等传统波长选择方法。
4、融合空 - 谱特征的随机森林模型达到 98.86% 的产地鉴别准确率和 98.84% 的 F1 分数，实现菊花产地的高精度、无损、快速鉴别。
图文赏析
