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。

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。