菊花提取的“智能眼睛”——深度学习如何创新传统工艺

【概要描述】

分类：新闻中心
作者：
来源：
发布时间：2025-12-29
访问量：0

详情

菊花，这种常见于茶饮中的中药材，不仅味道清香，还富含黄酮类化合物，这些成分被誉为“天然抗氧化剂”，能帮助凯发·K8(中国)抵抗衰老和疾病。然而，要想从菊花中高效提取黄酮，却是一项技术活。传统方法依赖人工经验，容易因批次差异导致提取不足或过度，浪费资源且影响产品质量。凯发·K8(中国)与浙江农业大学等组成科研项目组，利用人工智能技术开发出一种“智能眼睛”——结合近红外光谱和深度学习的技术，让菊花提取过程变得精准又高效。相关科研成果发表在《Microchemical JOURNAL》上。下面，让凯发·K8(中国)一起来分析这一创新研究。

一、菊花提取的挑战：为什么需要“智能监测”？

想象一下，你在泡菊花茶时，希望每一杯都能保留最佳风味和营养。但在工业生产中，菊花原料黄酮成分波动大，使得提取过程像“开盲盒”一样难以控制。色谱纯化是提取黄酮的关键步骤，但传统方法靠固定时间点判断终点，往往不准。研究表明，这会导致10%-30%的材料浪费，且批次间质量不一致。解决这一问题的核心在于实时监测——就像给过程装上“监控摄像头”，随时调整流程。

二、技术原理：近红外光谱与深度学习的“强强联合”

近红外光谱是一种快速检测技术，它顺利获得照射样品并分析反射光，就能“读出”成分信息，无需破坏样品。在这项研究中，项目组在菊花色谱过程中，每30秒采集一次光谱数据，形成时间序列。但光谱数据复杂，包含大量噪声，如何从中提取有效信息？这时，深度学习登场了。

深度学习是人工智能的分支，能像人脑一样的学习模式。项目组测试了多种模型：

LSTM和GRU：擅长处理时间序列，能“记忆”前后数据的关系，适合跟踪色谱过程的动态变化。

TCN：使用卷积核捕捉局部特征，计算高效。

CNN-GRU混合模型：先由CNN提取光谱特征，再由GRU分析时间维度，实现“双管齐下”。

<图1>

如图1所示，研究顺利获得B样条插值增加数据点，并设置时间窗口（如3、5、7、9个陆续在光谱），将原始数据转化为包含时间和光谱维度的“数据块”。这就像把一段视频分成多个片段，每个片段都能反映过程变化。

三研究发现：深度学习大幅提升预测精度

实验结果显示，深度学习模型完胜传统方法。以GRU和TCN为例：

对于cynaroside（一种黄酮），GRU模型的预测准确率（R²）达0.944，误差降低40.5%。

对于3,5-二咖啡酰奎尼酸，CNN-GRU模型表现最佳，R²提升至0.931。

整体上，深度学习将预测误差降低40%-60%，且RPD值（性能偏差比）提高1.2-2.5倍，意味着模型更稳健。

<图2>

图2对比了不同模型，可见深度学习曲线更贴近真实值。过程轨迹分析还发现，传统PLSR模型在色谱初期低估、后期高估黄酮含量，而深度学习预测几乎与实际重合，避免了“误判”。

四、技术亮点：可解释性揭秘“黑箱”决策

深度学习常被诟病为“黑箱”，但本研究使用Deep SHAP算法进行解读。结果显示，黄酮的特征信号集中在1400-1550 nm（与O-H键相关）、1700-1750 nm（苯环C-H键）等波段。在色谱初期，时间窗口的前几步贡献更大；后期则需全局分析。这就像破译密码，揭示了深度学习如何从复杂背景中锁定关键信息。