绒柄牛肝菌(Boletus tomentipes Earle)是一种健康食品, 受广大消费者的青睐, 其子实体营养物质积累量受生长环境(海拔、 气候等)影响, 不同产地间营养物质含量差异显著, 为去劣存优, 急需建立一种准确、 快速、 廉价的产地鉴别技术。 采用数据融合策略结合随机森林算法(RF)对绒柄牛肝菌的产地进行鉴别, 比较了多种特征值提取方法对RF模型分类效果的影响。 扫描来自4个产地(北亚热带、 北温带、 南亚热带、 中亚热带)87个样品不同部位的傅里叶变换近红外光谱和傅里叶变换中红外光谱, 分析其光谱特征。 通过Kennard-Stone算法将所有样品划分为2/3的训练集(58)和1/3的验证集(29), 基于4种红外光谱(近红外的菌柄(N-b)、 近红外的菌盖(N-g)、 中红外的菌柄(M-b)、 中红外的菌盖(M-g))与三种数据融合策略(低级融合、 中级融合、 高级融合)的数据, 结合RF建立产地鉴别模型, 比较了不同方法提取的特征值(投影重要性指标值、 Boruta、 潜在变量)对模型分类效果的影响。 其中, 根据袋外错误率(oob)选择最优ntree和mtry; 以特异性、 灵敏度、 训练集正确率和验证集正确率评价模型分类性能, 综合多种评价指标, 找出绒柄牛肝菌产地鉴别的最佳方法。 结果表明: (1)近红外和中红外光谱均能反映不同产地绒柄牛肝菌间存在的细微差异。 (2)单一光谱结合RF建立判别模型效果不理想。 (3)三种融合策略均可提高绒柄牛肝菌的产地鉴定效果, 产地鉴别效果优劣依次为高级融合、 中级融合、 低级融合。 通过扫描绒柄牛肝菌近红外和中红外光谱, 采用基于特征值LV的高级融合策略, 结合RF建立不同产地绒柄牛肝菌鉴别模型, 有高验证集正确率(99.6%), 高灵敏度(0.969), 高特异性(0.986), 实现了绒柄牛肝菌产地的准确、 快速、 廉价鉴别, 可以作为绒柄牛肝菌产地溯源的一种可靠方法。

近年来食品安全问题频发, 消费者愈加重视食品原产地的环境安全, 导致地理标志产品的需求增加。 美味牛肝菌(Boletus edulis)作为一种健康食品, 其产品品质受原产地环境影响较大, 为保护消费者的身体健康, 防止假冒伪劣产品进入市场, 急需一种高效、 廉价的美味牛肝菌产地鉴别技术。 采用数据融合策略结合偏最小二乘判别(PLS-DA)模型对美味牛肝菌的产地进行鉴别。 扫描来自8个产地(昆明、 楚雄、 玉溪、 迪庆、 大理、 保山、 文山和曲靖)141个样品的傅里叶变换近红外光谱和傅里叶变换中红外光谱。 使用Kennard-Stone算法将所有样品划分为2/3的训练集和1/3的预测集, 利用三种融合策略(低级、 中级和高级)对4个单一光谱矩阵: 近红外的菌柄(N-b)、 近红外的菌盖(N-g)、 中红外的菌柄(M-b)、 中红外的菌盖(M-g), 建立偏最小二乘判别(PLS-DA)模型。 用交叉验证均方根误差(RMSECV)和预测均方根误差(RMSEP)评价模型稳定性, 非错误率(NER)、 训练集正确率和预测集正确率评价模型分类性能, 综合多种评价指标, 找出美味牛肝菌产地鉴别的最佳方法。 结果表明: (1)近红外和中红外光谱均能鉴别美味牛肝菌产地; (2)中红外光谱所建立的模型优于近红外光谱所建立的模型; (3)三种融合策略均可提高美味牛肝菌的产地鉴别效果, 产地鉴别效果优劣依次为中级融合、 高级融合、 低级融合、 单一光谱模型。 通过融合近红外和中红外光谱使用PLS-DA进行基于特征值LV的中级融合策略, 建立不同产地美味牛肝菌鉴别模型, 有最少的变量数(49), 最高的产地训练集正确率(100%), 最高的产地预测集正确率(100%), 最低的RMSEP(0.133), 实现了美味牛肝菌产地的快速、 准确鉴别, 可以作为美味牛肝菌产地溯源的一种可靠方法。

由于部分毒菌与野生食用菌形态和生物学特征相似, 农民仅凭经验采集, 难免将两者混淆, 从而导致严重的食品安全事故。 云南省作为国内野生食用菌产量最高、 出口量最大的省份, 野生食用菌产业发展为云南农村经济发展做出了突出贡献, 对不同种类野生食用菌进行快速鉴别, 有利于野生食用菌产业的健康发展; 分析食用菌亲缘关系, 对食用菌育种工作具有积极作用。 七种牛肝菌样品, 采自云南及周边七个产地, 利用FTIR光谱仪分别采集菌柄和菌盖红外指纹图谱, 基于低级与中级数据融合策略, 将预处理后的菌柄和菌盖FTIR光谱数据进行融合, 结合Decision Trees, Discriminant Analysis, Logistic Regression Classifiers, Support Vector Machines, Nearest Neighbor Classifiers和Ensemble Classifiers中的17种算法, 分别建立菌柄、 菌盖、 低级数据融合和中级数据融合模型, 每个分类模型连续进行10次运算, 通过比较训练集分类正确率平均值, 确定牛肝菌种类鉴别最佳分类算法。 中级数据融合数据集进行系统聚类分析(HCA) , 对推测不同种类牛肝菌样品的亲缘关系进行鉴定。 结果显示: (1) 菌柄、 菌盖和低级数据融合模型最佳分类算法均为Linear Discriminant, 训练集分类正确率分别为92.8%, 96.4%和97.6%。 中级数据融合模型最佳分类算法为Subspace Discriminant, 训练集分类正确率为100%; (2) 菌柄、 菌盖、 低级数据融合和中级数据融合最佳分类模型, 全部样品分类正确率平均值分别为93.61%, 95.54%, 96.99%和99.88%, 中级数据融合模型优于其他三种模型, 表明中级数据模型可以将相似度较高的样品区分开, 且减少了产地对种类鉴别的影响; (3) 中级数据融合模型数据集进行HCA, 华丽牛肝菌和美味牛肝菌聚类距离最小, 表明这两种牛肝菌化学信息较相似, 亲缘关系较近; (4) 华丽牛肝菌与皱盖疣柄牛肝菌聚类临界值距离最大, 表明样品化学信息差异较大, 亲缘关系较远。 综上表明, 基于中级融合策略将不同部位FTIR光谱数据融合, 结合Subspace Discriminant与HCA, 可以准确鉴别不同种类牛肝菌和快速推测样品亲缘关系, 可作为野生食用菌种类鉴别与亲缘关系推测的一种新方法。

牛肝菌营养丰富, 味道鲜美, 备受各国消费者青睐。 因种间差异和环境因素的多层次影响, 不同种类及产地牛肝菌品质参差不齐。 目前, 利益驱动导致商家在牛肝菌销售过程中以次充好、 以假乱真的行为扰乱了食用菌市场, 不仅给消费者带来健康风险, 也制约了牛肝菌的国际化贸易。 采用多源异构信息融合策略对牛肝菌种类与产地进行鉴别, 以期为追溯食用菌来源以及正确评价其品质提供一种快速有效的解决方法。 试验样品灰褐牛肝菌(Boletus griseus)、 栗色牛肝菌(B. umbriniporus)、 美味牛肝菌(B. edulis)、 皱盖疣柄牛肝菌(Leccinum rugosicepes)和绒柄牛肝菌(B. tomentipes)五种牛肝菌科(Boletaceae)真菌子实体采于云南省保山市、 昆明市、 玉溪市与红河州。 采用傅里叶变换红外光谱仪(FTIR)和紫外可见分光光度计(UV-Vis)采集样品信息。 Kennard-Stone算法将样品原始数据分为校正集和验证集。 校正集基于FTIR、 UV-Vis、 低级、 中级与高级数据融合建立偏最小二乘判别分析(PLS-DA)模型, 其中决定系数(R2cal)、 预测能力Q2、 校正均方根误差(RMSEE)和交叉验证均方差(RMSECV)用来评价模型鲁棒性。 研究结果显示: (1)不同种类及产地牛肝菌FTIR和UV-Vis吸收峰的峰位置、 峰形和峰数相似, 而吸收强度存有差异, 表明牛肝菌所含化学成分相似, 但含量有一定差别; (2)PLS-DA模型二维散点图可以看出, 中级融合比低级融合能更好的鉴别样品种类及产地; (3)各模型中, 中级融合模型具有更大的Q2和最小RMSECV, 模型鲁棒性最强; (4)验证集样本用来验证模型泛化能力, FTIR、 UV-Vis、 低级融合、 中级融合及高级融合模型样品种类鉴别正确率分别为92.86%, 35.71%, 97.62%, 100%和95.23%; 产地鉴别正确率分别为71.43%, 61.90%, 61.90%, 97.62%和76.19%。 表明多源异构信息融合在一定程度上优于独立模型, 其中, 中级数据融合种类鉴别正确率100%, 产地鉴别正确率97.62%, 模型具有更优的鉴别效果和泛化能力。 FTIR和UV-Vis结合中级数据融合策略能实现牛肝菌种类快速精确鉴别, 产地快速有效鉴别, 可作为食用菌来源追溯以及品质评价的一种新方法。

野生食用菌产地溯源研究中, 采用单一有机成分或矿质元素指纹存在一定局限性。 利用不同指纹分析技术的互补性与协同性, 将不同部位与类型的化学信息进行融合, 探讨此方法对野生食用菌产地溯源的可行性, 以期为野生食用菌溯源提供新的思路与科学依据。 通过测定云南7个产地、 124个美味牛肝菌(菌柄、 菌盖)中15种矿质元素的含量, 以及子实体傅里叶变换红外光谱(FTIR)。 标准正态变换(SNV)、 二阶导数(2D)等算法对原始光谱进行预处理。 基于低级与中级数据融合策略, 将预处理后的FTIR光谱与菌柄、 菌盖矿质元素数据进行融合, 结合支持向量机(SVM)分别建立菌柄、 菌盖、 FTIR、 低级数据融合(菌柄+菌盖, 菌柄+菌盖+FTIR)与中级数据融合(菌柄+菌盖+FTIR)判别模型; 分析比较模型参数, 确定快速甄别美味牛肝菌产地的可靠方法。 结果显示: (1)菌盖中Cd, Cr, Cu, Li, Mg, Na, P和Zn元素平均含量高于菌柄, Ba, Ca, Co, Ni, Rb, Sr和V元素在菌柄中平均含量高于菌盖。 美味牛肝菌中人体必需矿质元素Ca, Cu, Mg, P和Zn平均含量远高于小麦、 水稻干品和新鲜蔬菜, 与动物干制品含量相似; (2)FTIR光谱数据最佳预处理方法为3D+SNV, 其Q2和R2Y分别为76.64%, 88.91%; (3)菌柄、 菌盖、 FTIR、 低级数据融合与中级数据融合SVM模型, c值分别为8 192, 4 096, 1.414 2, 11.313 7, 1和0.7071 1, 菌柄和菌盖模型c值较大, 表明采用单一菌柄或菌盖矿质元素含量数据, SVM训练存在过拟合风险, 判别效果较差; (4)FTIR、 低级数据融合和中级数据融合SVM模型, 样品分类错误总数分别为7, 9, 7和0, 中级数据融合(菌柄+菌盖+FTIR)模型样品分类正确率最高。 表明基于中级融合策略将不同部位矿物元素和子实体FTIR光谱数据融合, 可作为野生食用菌产地溯源的一种有效方法。

由于国内外食品市场准入制度和溯源体系不完善， 销售商乱用虚假标签等现象的发生， 使得食品安全形势愈发严峻。 为了保障野生食用菌的安全性， 保护云南高原特色农业品牌战略， 亟需建立快速准确的产地溯源方法。 通过采集云南及其周边8个产地、 79个绒柄牛肝菌子实体的紫外-可见吸收光谱（UV-Vis）与傅里叶变换红外光谱（FTIR）， 采用多元散射校正（MSC）、 标准正态变换（SNV）、 二阶导数（2D）、 平滑（SG）等算法对原始光谱进行预处理。 基于低级与中级数据融合策略， 将预处理后的UV-Vis与FTIR光谱信息进行融合， 结合偏最小二乘判别分析（PLS-DA）与支持向量机（SVM）， 建立牛肝菌产地鉴别模型， 确定最佳产地溯源方法。 对光谱融合数据进行系统聚类分析（HCA）， 探讨不同产地样品整体化学信息的差异性与相关性。 结果显示： （1）采用MSC+2D和SNV+2D对UV-Vis与FTIR光谱进行预处理， R2Y与Q2最大， 分别为61.58%， 95.09%和50.85%， 82.16%， 表明MSC+2D与SNV+2D为UV-Vis与FTIR光谱的最佳预处理方法； （2）基于UV-Vis， FTIR， 低级与中级数据融合建立的PLS-DA与SVM模型， 样品分类错误总数分别为24， 6， 2， 2和6， 1， 1， 0， 表明数据融合模型分类效果优于单一UV-Vis与FTIR模型； （3）中级数据融合模型中， SVM对所有样品的分类全部正确， PLS-DA的分类错误总数为2， 表明基于SVM的中级数据融合策略分类效果优于PLS-DA； （4）低级和中级数据融合HCA模型， 分别有4和1个样品不能与同一类区域样品聚为一类， 表明中级数据融合优于低级数据融合； 由中级数据融合HCA图可知， 同一产地样品聚类距离小于不同产地之间聚类距离， 表明同一产地样品整体化学成分类较相似， 且同一产地不同采集地点的差异小于不同产地之间的差异。 采用UV-Vis与FTIR光谱中级数据融合策略结合SVM， 能够对不同产地来源牛肝菌样品进行准确鉴别， 为野生食用菌产地溯源研究提供一种新方法。

建立红外光谱快速鉴别牛肝菌种类及预测牛肝菌中重金属镉（Cd）含量的方法。 采集11种牛肝菌共98个子实体的红外光谱信息, 解析牛肝菌的红外光谱, 用一阶导数、 标准正态变量和多元散射校正对原始光谱进行预处理, 通过PLS-DA鉴别牛肝菌种类。 采用ICP-AES法测定牛肝菌中有毒重金属Cd含量, 分析牛肝菌对Cd的富集规律并与GB 2762—2012规定的食用菌中Cd限量标准比较, 评价牛肝菌的食用安全性。 以食用菌对重金属Cd的富集机理为切入点, 将牛肝菌红外光谱数据和Cd含量数据进行拟合, 用PLS模型快速预测牛肝菌的Cd含量。 结果显示: （1）牛肝菌红外光谱经过适当的预处理进行PLS-DA, 前三个主成分累积贡献率达到79.3%, PLS-DA的三维得分图能明显区分不同种类牛肝菌; （2）不同产地、 种类牛肝菌对重金属Cd的富集存在差异, 其含量在0.05～23.41 mg·kg-1 dw之间, 除了采自昆明五华区的灰疣柄牛肝菌外, 多数样品的Cd含量超过GB2762－2012的限量标准, 食用有一定的健康风险; （3）牛肝菌红外光谱数据与Cd含量拟合后进行正交信号校正-小波压缩优化处理, 用PLS模型预测牛肝菌的Cd含量; 训练集和验证集的R2分别为0.851 9和0.882 4, RMSEE和RMSEP分别为2.59和2.67, 大部分牛肝菌的Cd含量预测值与真实值较接近, 表明PLS模型可用于牛肝菌Cd含量快速预测。 傅里叶变换红外光谱结合化学计量学能实现牛肝菌种类快速鉴别及Cd含量准确预测, 为牛肝菌种类鉴别和质量控制提供快速、 有效的方法。

采用傅里叶变换红外光谱技术结合多元统计分析建立快速鉴别不同年份、 不同产地美味牛肝菌的方法。 采集2011年—2014年云南26个不同地区152个美味牛肝菌样品的红外光谱, 使用正交信号校正(orthogonal signal correction, OSC)、 微波压缩(wavelet compression)方法对原始光谱进行优化处理, OSCW校正前后的光谱数据进行偏最小二乘判别分析(partial least squares discriminant analysis, PLS-DA), 比较光谱预处理前后PLS-DA的分类效果。 将152个美味牛肝菌随机分为训练集(120个)和验证集(32个), 建立OSCW校正前后的PLS分类预测模型。 结果显示, 经OSCW处理后的PLS-DA分类效果明显优于处理前的结果, 主成分得分图能准确区分不同年份、 不同产地美味牛肝菌样品, 表明OSCW处理能有效滤除光谱中的噪音及与因变量无关的干扰信息, 提高光谱分析的准确性和计算速率。 OSCW处理前PLS模型训练集的R2和RMSEE分别为0.790 1和21.246 5, 验证集的R2和RMSEP分别为0.922 5和14.429 2; OSCW预处理后训练集的R2和RMSEE分别为0.852 3和17.238 1, 验证集的R2和RMSEP分别为0.845 4和20.87, 表明OSCW预处理提高了训练集的预测效果, 但OSCW-PLS出现了过拟合现象降低验证集的预测能力, 因此, OSCW不适宜与PLS结合建立模型。 OSCW结合PLS-DA能滤除光谱中大量的干扰信息, 准确区分不同年份、 不同产地美味牛肝菌样品, 为野生食用菌的鉴别分类提供可靠依据。