초분광 이미징 기술과 딥러닝 알고리즘을 기반으로 한 Puerariae Thomsonii Radix의 성장 연도 식별

Scientific Reports 13권, 기사 번호: 14286(2023) 이 기사 인용

측정항목 세부정보

PTR(Puerariae Thomsonii Radix)은 질병 예방 및 치료에 널리 사용될 뿐만 아니라 전분 및 기타 식품의 공급원으로서 중요한 원료이기도 합니다. PTR의 성장 기간은 품질과 밀접한 관련이 있습니다. 성장 연도를 신속하고 비파괴적으로 식별하는 것은 PTR 및 기타 전통 한약의 품질 관리에 필수적입니다. 본 연구에서는 PTR의 성장 연도를 신속하게 식별하기 위해 HSI(Hyperspectral Imaging) 기술과 결합하여 CNN(Convolutional Neural Network) 기반 분류 프레임워크를 제안했습니다. 기계 학습 알고리즘(예: Random Forest, 로지스틱 회귀, Naive Bayes 및 eXtreme Gradient Boost)과 결합된 기존 처리 방법(예: 곱셈 분산 보정, 표준 정규 변량 및 Savitzky-Golay 평활화)이 기본 모델로 사용되었습니다. 이 중 PTR의 외부 표면을 기반으로 한 CNN 기반 모델의 F1 점수는 90% 이상으로 다른 모든 기본 모델을 능가했습니다. 이러한 결과는 PTR의 성장 연도를 식별하기 위해 HSI 기술과 결합된 딥러닝 알고리즘을 사용하는 것이 타당함을 보여주었습니다. 이 방법은 PTR의 성장 연도를 식별하는 빠르고 비파괴적이며 간단한 방법을 제공합니다. 이는 다른 전통 중국 약초의 지역성 또는 성장 연도 식별과 같은 다른 시나리오에 쉽게 적용될 수 있습니다.

PTB(Pueraria Thomsonii Benth)는 다년생 포도나무의 일종으로, 그 뿌리는 Puerariae Thomsonii Radix(PTR)로 명명된 중국 약전에 포함되어 있습니다. PTR에는 이소플라본, 테르페노이드, 쿠마린과 같은 다양한 화학 성분이 풍부합니다. PTR은 오랫동안 한약의 일종으로 사용되어 왔습니다. 이는 명백한 치료 효과가 있으며 심혈관 질환 개선, 항염증 및 진통, 항당뇨병 효과, 알코올 효과 감소, 간 보호, 피부 미백, 유방 확대1,2,3,4, 5,6. 중국과 동남아시아에서도 건강에 좋고 유명한 음식 중 하나입니다. PTR은 경제적 가치와 시장 수요가 높습니다.

중국 약전에 따르면 푸에라린 함량(C21H20O9)은 PTR의 품질과 약용 가치에 영향을 미칩니다. PTR의 푸에라린 함량이 높을수록 PTR의 품질이 높아집니다. 성장 연령이 다른 PTR의 푸에라린 함량은 다양합니다. PTR의 푸에라린 함량은 성장 연수와 직접적인 관련이 있습니다. Xiong 등7은 1년생 PTB가 약전 기준보다 훨씬 낮은 푸에라린 수준을 가지고 있다는 사실을 발견했습니다. 이는 식품이나 원료로만 사용할 수 있음을 의미합니다. 대조적으로, 2년 이상 된 PTB는 일반적으로 표준 푸에라린 함량 수준에 도달하며 한의학에서 사용될 수 있습니다. 이러한 연구 결과는 성장 연도가 PTR의 품질, 경제적, 약리적 가치와 직접적인 관련이 있기 때문에 PTR의 성장 연도를 식별하는 것이 중요함을 나타냅니다.

PTR의 성장 연도는 일반적으로 객관적인 경험이나 물리적, 화학적 테스트를 통해 식별됩니다. 그러나 성장 연령이 다른 PTR은 비슷한 모습을 보입니다. 따라서 객관적인 판단으로 특성과 색상을 구별하기가 어렵습니다. 과거에는 PTR의 화학적 식별이 주로 HPLC(고성능 액체 크로마토그래피)8,9를 사용하여 수행되었는데, 이는 시간이 많이 걸리고, 힘들고, 비용이 많이 들고, 파괴적입니다. 따라서 위에서 언급한 두 가지 방법은 높은 정확성과 효율성으로 PTR의 성장 연도를 식별하는 데 사용할 수 없으며 산업 생산의 요구를 충족시킬 수 없는 것으로 보입니다.

기존 스펙트럼 기술과 비교하여 초분광 이미징(HSI) 기술을 사용하면 테스트된 샘플에서 표면 이미지 정보와 스펙트럼 정보를 동시에 수집할 수 있습니다. 많은 연구자들이 HSI를 사용하여 성장 연도를 식별하고 전통 한약의 품질을 관리했습니다. 지난 몇 년 동안 Glycyrrhizae Radix et Rhizoma10, Ophiopogonis Radix11, Ziziphi Spinosae Semen12 및 Atractylodis Rhizoma13의 생장 연도 식별 정확도는 각각 97.53%, 99.1%, 99.14%, 97.3%에 달했습니다. Zheng et al.14은 HSI 기술을 기반으로 Armeniacae Semen Amarum 및 Persicae Semen의 인증을 탐색했습니다. 연구진은 여러 가지 전처리 방법과 식별 모델의 비교 분석을 바탕으로 2차 미분 전처리 모델과 부분 최소 제곱 판별 분석이 가장 좋은 모델 조합이라는 것을 발견했습니다. 분류 정확도가 100%에 도달했습니다. Cheng et al.15은 연속 투영 알고리즘을 사용하여 20개의 특징적인 파장을 스크리닝하고 유향의 기원을 식별하기 위한 여러 모델을 확립했습니다. 그 결과, 극한학습머신과 선형판별분석의 정확도는 100%인 것으로 나타났다. 우리가 아는 한, PTR의 성장 연도 식별에 HSI 기술 적용에 초점을 맞춘 보고서는 없습니다. 기존의 신경망(CNN)과 같은 딥러닝 방법은 이미지 분류16, 콘텐츠 예측17 등 많은 분야에서 널리 사용되어 높은 성능과 좋은 일반화를 보여줍니다. 본 연구에서는 초분광 영상을 기반으로 PTR의 성장 연도를 식별하기 위한 CNN 기반 분류 프레임워크를 제안했습니다. 여기에서는 여러 가지 최첨단 기계 학습 모델과 함께 전통적인 치료 방법(즉, 곱셈 산란 보정(MSC), 표준 정규 변량(SNV) 및 Savitzky-Golay 평활화(SG))이 기본 방법으로 사용되었습니다. 제안된 방법의 효율성과 우수성을 입증합니다.