تعیین چندین جزء زیست‌فعال در گیاه گل داوودی (Chrysanthemum morifolium) (هانگ‌بای‌جو) با استفاده از تصویربرداری ابرطیفی و یادگیری افزایشی وظیفه

گیاه گل داوودی (Chrysanthemum morifolium) (هانگ‌بای‌جو)، به عنوان یک چای گل، حاوی ترکیبات زیست‌فعال متنوعی است که اثرات دارویی متعددی را از خود نشان می‌دهند. ایجاد یک مدل با قابلیت انطباق سریع برای تعیین مقدار چندین جزء به طور همزمان، امری چالش‌برانگیز است. این مطالعه با بهره‌گیری از تصویربرداری ابرطیفی (HSI) و یادگیری ماشین (ML)، به تعیین مقدار ۲۸ ترکیب هانگ‌بای‌جو پرداخت.

هنگامی که مدل‌سازی بر روی تک‌تک ترکیبات زیست‌فعال انجام شد، روش رگرسیون حداقل مربعات جزئی (PLSR) پیش‌بینی کلی برتری را نشان داد، در حالی که یادگیری عمیق (DL) در مورد ترکیبات خاصی عملکرد متمایز و برتری داشت. در برخی از ترکیبات، مقادیر انحراف پیش‌بینی باقی‌مانده (RPD) در مجموعه آزمون، بیش از ۶ واحد تغییر یافت. برای دستیابی به یادگیری مستمر در وظایف مختلف رگرسیون، از روش «یادگیری افزایشی وظیفه» (Task-incremental learning) استفاده شد. این مدل با افزودن و آموزش تنها ماژول‌های مختص به هر وظیفه در یک شبکه پایه از پیش آموزش‌دیده، به‌سرعت با وظایف جدید سازگار شد و در عین حال، عملکرد خود را در وظایف پیش‌بینی قبلی حفظ کرد.

یک رابطه خطی میان عملکرد مدل یادگیری افزایشی وظیفه و شبکه پایه آن وجود دارد که نشان‌دهنده اهمیت استخراج ویژگی و توانایی تعمیم‌پذیری بین‌وظیفه‌ای (cross-task generalization) در شبکه پایه برای این نوع یادگیری است. این مطالعه پتانسیل یادگیری عمیق را در حوزه تشخیص کیفیت چای‌های گل نشان داده و چارچوبی را برای ادغام تصویربرداری ابرطیفی و یادگیری عمیق در مدیریت سناریوهای دنیای واقعی در حوزه‌های مختلف ارائه می‌دهد.

Chrysanthemum morifolium (Hangbaiju), as a flower tea, contains various bioactive components, exhibiting numerous pharmacological effects. Establishing a rapid-adaptation model for multiple components quantification is challenging. This study utilized hyperspectral imaging (HSI) and machine learning (ML) to quantify 28 Hangbaiju components. When modeled on individual bioactive components, Partial Least Squares Regression (PLSR) showed superior overall prediction, whereas deep learning (DL) excels on specific components. For some components, Residual Predictive Deviation (RPD) values of testing set shifted by more than 6. Task-incremental learning (task-IL) was applied to achieve continual learning for various regression tasks. The model rapidly adapted to new tasks by adding and training only task-specific modules within an already trained base network, while maintaining performance on previous prediction tasks. A linear relationship exists between the performance of the task-IL model and its base network, highlighting the importance of the feature extraction and cross-task generalization capabilities of base network in task-IL. This study demonstrates the potential of DL in the field of quality detection of flower teas and provides a framework for integrating HSI and DL in handling real-world scenarios across various fields.