较近科学家利用videometerLab多光谱成像系统发表了题为Qualitative Identification and Quantitative Analysis of Maca Adulteration Based on Multispectral Imaging Technology的文章，采用多光谱成像技术,建立了一种玛咖与芜菁真伪的快速无损鉴别的新方法。主要包括玛咖切片和玛咖粉真伪鉴别两部分内容；其一是针对玛咖切片的真伪鉴别，其二是针对玛咖粉的真伪鉴别。

北京博普特科技有限公司是丹麦Videometer公司中国区总代理，全面负责其系列产品在中国市场的推广。
Qualitative Identification and Quantitative Analysis of Maca Adulteration Based on Multispectral Imaging Technology
张宏蕊 刘长虹 张九凯 韩建勋 陈 颖 郑 磊  

摘要

玛咖（Lepidium meyenii Walp.）是生长在高海拔地区的十字花科独行菜属一年生或两年生的草本植物,具有丰富的营养价值和生物保健功效。自2011年被列为新资源食品后,玛咖产业得到了迅速发展,价格不断上涨。由于芜菁（Brassica rapa L.）外形与玛咖较为相似,受经济利益驱使,不法商家常将芜菁冒充玛咖,制成玛咖粉、玛咖片和玛咖饮品等牟取暴利,这给玛咖健康产业的有序发展带来了严重的负面影响。因此玛咖的真伪鉴别是非常必要的,但目前对于玛咖的真伪鉴别多为传统方法,快速检测方法较少。采用多光谱成像技术,建立了一种玛咖与芜菁真伪的快速无损鉴别的新方法。主要包括玛咖切片和玛咖粉真伪鉴别两部分内容；其一是针对玛咖切片的真伪鉴别,通过Videometer A/S多光谱成像仪对240片玛咖和芜菁切片（玛咖和芜菁切片各120片）进行数据采集,波长范围在可见光区域和近红外区域,分别为405,435,450,470,505,525,570,590,630,645,660,700,780,850,870,890,910,940和970nm共19个波段,为了有效鉴别玛咖和芜菁,首先进行了主成分分析（principal component analysis, PCA）,然后结合支持向量机（support vector machines,SVM）,遗传算法优化支持向量机（genetic algorithm and support vector machine, GA-SVM）和反向传播神经网络（back propagation neural network, BPNN）算法建立了分析模型, 校正集与预测集的样品数量比值为3∶1。 研究发现PCA分析可以明显地将玛咖和芜菁区分, SVM模型对于玛咖和芜菁切片的预测正确率分别为98.33%, 100%, GA-SVM和BPNN模型对玛咖和芜菁切片的鉴别正确率均为100%。 其二是针对玛咖粉的真伪鉴别, 选择120份玛咖粉, 向其中掺入20%, 40%, 60%, 80%, 4个不同掺假水平（W/W）的芜菁粉进行多光谱数据采集, 结合偏较小二乘（partial leastsquares, PLS）和较小二乘支持向量机（least squares-support vector machines, LS-SVM）对芜菁的掺假比例进行了定量预测。研究发现,PLS和LS-SVM模型对于玛咖粉中芜菁粉的掺入比例的预测决定系数（R2P）分别为0.992和0.994,预测均方根误差（RMSEP）分别为2.718%和2.675%,相对预测误差（RPD）分别为12.782和12.987。相比较而言, LS-SVM模型具有较高的R2p,RPD较低的RMSEP,对于玛咖粉中掺入芜菁粉比例的预测性能较好。为玛咖真伪的快速无损鉴别提供了一种新方法。

关键词
玛咖 芜菁 真伪鉴别 多光谱成 无损检测 Maca Turnip Authentic Multispec Non-destr 
Abstract
Maca (Lepidium meyenii Walp.), an annual or biennial herb of Brassicaceae family, grows at high altitudes and contains rich nutritional value and bio-health benefits. After being listed as a new resource food in 2011, Maca is gradually becoming familiar to the public, the Maca industry has developed rapidly and price has risen steadily. Due to the fact that the shape of turnip (Brassica rapa L.) is very similar to that of Maca, driven by economic interests, illegal businessmen often pass turnip off as Maca to make Maca powder, slices and drinks in order to make exorbitant profits, which has brought serious negative impact on the orderly development of Maca healthy industry. Therefore, the authenticity identification of Maca is very necessary, but most of methods for the authenticity identification of Maca are traditional, and there are few rapid detection methods. In this study, a new method for rapid and non-destructive identification of Maca and turnip was established by using multispectral imaging technology. The experiment mainly focuses on the authenticity identification of Maca slices and Maca powder. One is to identify the authenticity of Maca slices. A total of 240 Maca and turnip slices (120 Maca slices and 120 turnip slices, respectively) were selected to collect data by the Videometer Lab equipment, which acquired the multispectral images at 19 different wavelengths from the visual region to the lower wavelengths of the NIR region and the detailed information of the measured wavelength were 405, 435, 450, 470, 505, 525, 570, 590, 630, 645, 660, 700, 780, 850, 870, 890, 910, 940 and 970 nm. In order to identify Maca and turnip effectively, the principal component analysis (PCA) was first performed. Then the qualitative analysis model was generated using support vector machine (SVM), genetic algorithm optimization support vector machine (GA-SVM) and back propagation neural network (BPNN) algorithm, and the ratio of the the calibration set to the prediction set is 3∶1. The results demonstrated that clear differences between Maca and turnip could be easily visualized by PCA. The predictive accuracies by SVM model for Maca and turnip slices were 98.33% and 100%, respectively, and the predictive accuracies by GA-SVM and BPNN model could be as high as 100%. The other is the identification of Maca powder. 120 samples of Maca powder were selected and 20%, 40%, 60%, 80%, 4 different adulterated levels (W/W) of turnip powder were mixed for multispectral data acquisition, Combining partial least squares (PLS) and least squares support vector machine (LS-SVM), the adulteration ratio of turnip was quantitatively predicted. The study found that the prediction coefficient (R2P) of PLS and LS-SVM models were 0.992 and 0.994, the predicted root mean square error (RMSEP) were 2.718% and 2.675% and the relative prediction error (RPD) were 12.782 and 12.987, respectively. In comparison, the LS-SVM model had higher R2P, RPD, lower RMSEP, so it was considered to have better predictive performance for the proportion of turnip powder adulterated to Maca powder. In conclusion, the research results provide a method for the rapid and non-destructive identification of Maca authenticity.