Es wurde die Fourier-Transformations-Nahinfrarotspektroskopie (FT-NIR) und die zweidimensionale Korrelationsspektralanalyse (2DCOS) in Kombination mit chemometrischen Methoden und Deep-Learning-Algorithmen verwendet, um Partial-Least-Squares-Discriminanzanalyse-Modelle (PLS-DA) und Residual Convolutional Neural Network-Modelle (ResNet) zu erstellen, die schnell und genau drei kultivierte Sorten von Gastrodia elata Blum (insgesamt 447 Proben) identifizieren. Die Ergebnisse zeigen, dass das PLS-DA-Modell basierend auf FT-NIR-Daten nach Vorverarbeitung mit der ersten Ableitung (1st Der) und multipler Streukorrektur (MSC) die beste Gesamtleistung aufweist (Genauigkeit 99,00%). Gleichzeitig ermöglicht die auf synchronen 2DCOS-FT-NIR-Bildern basierende Erkennung in Kombination mit dem ResNet-Modell eine schnelle und präzise Identifikation der verschiedenen kultivierten Gastrodia-Sorten ohne Auswahl der besten Vorverarbeitung oder komplexe Datenumwandlungen (Genauigkeit 100,00%). Diese Studie bietet eine neue schnelle und genaue Methode zur Unterscheidung verschiedener kultivierter Gastrodia-Sorten und legt damit eine Grundlage für die weitere Forschung an genetischen Ressourcen und Züchtung neuer Sorten.

Fourier-Transformations-Nahinfrarotspektroskopie;Chemometrie;Maschinelles Lernen;Gastrodia elata;kultivierte Sorten