吉林农业大学学报 2023 年 12 月

Journal of Jilin Agricultural University 2023，December

2. 2　不同制备方法对野山参氨基酸的影响

2. 2. 1 不同制备方法对野山参氨基酸含量及种

类的影响 标准品与不同制备方法下野山参中

16种氨基酸的含量见表2。由表2可知，野山参红

参中16种氨基酸的总量为5.772%~6.371%，且1L

组 和 1D 组 的 氨 基 酸 总 量 显 著 高 于 SS 组（P<

0.05），2L和 2D组的含量与 SS组之间无显著性差

异，各组氨基酸总量均稍低于近年来的文献报

道［21］

。在各组野山参中，精氨酸的含量最高，为

1.347%~1.815%，其次为谷氨酸、天门冬氨酸、亮

氨酸和赖氨酸，蛋氨酸的含量最低。野山参红参

中 精 氨 酸 和 蛋 氨 酸 含 量 均 显 著 高 于 SS 组（P<

0.05）；谷氨酸含量在 SS 组中显著高于其他处理

（P<0.05）；丙氨酸含量各组间均无显著差异；天门

冬氨酸含量 1D 组显著高于 2L 和 SS 组（P<0.05）；

苏氨酸、甘氨酸、缬氨酸和组氨酸含量 1L 组显著

高于 2L、2D和 SS组（P<0.05）；丝氨酸含量在一次

蒸制的 2 组（1L、1D）显著高于 2D 组和 SS 组（P<

0.05）；异亮氨酸含量在 1D 组中显著高于其他组

（P<0.05）；亮氨酸和苯丙氨酸含量在一次蒸制的

1D组显著高于一次蒸制外的其他组（P<0.05）；酪

氨酸含量在 1L组显著高于除 SS组的其他野山参

红参组（P<0.05）；赖氨酸在二次蒸制的 2 组（2L、

2D）中显著低于其他组（P<0.05）；脯氨酸含量 SS

组显著高于1L和2L组（P<0.05）。

2. 2. 2 不同制备方法对野山参中酸碱性及中性

氨基酸的影响 氨基酸具有两性，通常根据氨

基酸分子中所含氨基和羧基的数目，将其分为

酸性氨基酸、碱性氨基酸及中性氨基酸［22］

。测定的

16种氨基酸中，碱性氨基酸有赖氨酸（Lys）、精氨

酸（Arg）和组氨酸（His），酸性氨基酸有天门冬氨

酸（Asp）和谷氨酸（Glu），其他氨基酸均为中性氨

基酸。由表3可知，野山参经蒸制制备成红参后，

其中碱性氨基酸增加，酸性氨基酸减少；1D 组中

碱性氨基酸与酸性氨基酸的比值与SS组相似，而

其他野山参红参组则有相似的比值。

2. 2. 3 不同制备方法对野山参中必需氨基酸和

药用氨基酸比例的影响 由表 4可知，在 16种氨

基酸中，不同制备方法的野山参红参中必需氨基

酸的含量为 3.279%~3.578%，其中 1L 组中含量最

高，与SS组相比至少提高了0.626%，其次是1D组

和 2L 组；而必需氨基酸占总量的比值（E/T）为

55.86%~56.81%，与SS组相比至少提高了 4.51%，

各组含量排序：2D>2L>1L>1D>SS。而野山参红

参中必需氨基酸与非必需氨基酸比值（E/N）的范

围为 126.55%~131.53%，相比于 SS 组至少提高了

21.01%。参考 1973 年 WHO/FAO 提出的理想蛋

白质人体必需氨基酸模式谱，认为食品的营养价

值主要由必需氨基酸的种类、数量和组成比例决

定，其中必需氨基酸的组成越接近人体必需氨基

酸组成比例，营养价值越高，而理想蛋白质标准中

提出的要求则是 E/T 约为 40% 和 E/N 在 60% 以

上［23-24］。而 野 山 参 各 组 的 检 测 结 果 均 远 超 于

FAO/WHO 提出的理想蛋白质的要求，且野山参

红参的营养价值均高于生晒野山参。

检测的 16 种氨基酸中共包含 9 种药用氨基

酸，在不同制备方法的野山参红参中的药用氨基

酸 含 量 为 4.331%~4.751%，其 中 1L 组 的 含 量 最

高，与SS组相比至少提高了0.508%，其次是1D组

和 2L 组；而药用氨基酸占总量的比值（M/T）为

74.39%~75.31%，与 SS 组相比至少提高了 0.59%，

各组含量排序：2L>2D>1L>1D>SS，即野山参红参

的药用价值高于生晒野山参。

表1 不同制备方法下野山参的色度

Table 1 Chromaticity comparison of wild ginseng under different preparation methods

组别

SS

1L

1D

2L

2D

F

P

亮度值L

85.25±0.59a

75.43±3.07b

75.97±1.79b

71.37±1.91c

69.97±1.37c

62.102

<0.000 1

色度值a

1.97±0.10d

3.50±0.29c

3.73±0.23c

5.45±0.86b

6.71±0.51a

105.588

<0.000 1

色度值b

9.32±0.34d

12.69±0.58c

13.42±0.54c

15.77±1.29b

17.53±1.09a

94.169

<0.000 1

总色差值E

85.78±0.56a

76.57±3.05b

77.24±1.82b

73.31±1.65c

72.45±1.56c

48.982

<0.000 1

注：不同小写字母表示不同处理间差异显著（P<0.05）。下表同

784

付育臣，等：不同制备方法对野山参色泽、氨基酸及皂苷含量的影响

吉林农业大学学报 Journal of Jilin Agricultural University

表2　不同制备方法下野山参中氨基酸含量

Table 2 Comparison of amino acid content in wild ginseng with different preparation methods %

氨基酸种类

天门冬氨酸#

苏氨酸*

丝氨酸

谷氨酸#

甘氨酸#

丙氨酸

缬氨酸*

异亮氨酸*

亮氨酸*#

酪氨酸#

苯丙氨酸*#

赖氨酸*#

组氨酸

精氨酸*#

脯氨酸

蛋氨酸#

16种氨基酸总量

组别

SS

0.611±0.014b

0.223±0.009b

0.186±0.006bc

0.956±0.019a

0.201±0.003bc

0.252±0.010a

0.237±0.001b

0.198±0.005b

0.336±0.004b

0.146±0.005ab

0.237±0.007d

0.374±0.014a

0.192±0.005b

1.347±0.034b

0.222±0.007a

0.035±0.001d

5.749±0.112b

1L

0.648±0.002ab

0.259±0.004a

0.216±0.004a

0.837±0.008b

0.219±0.004a

0.251±0.005a

0.273±0.009a

0.201±0.005b

0.380±0.009a

0.149±0.001a

0.284±0.003ab

0.366±0.003a

0.221±0.005a

1.815±0.032a

0.202±0.008b

0.053±0.001a

6.371±0.047a

1D

0.667±0.013a

0.247±0.005ab

0.209±0.010a

0.790±0.017b

0.204±0.008ab

0.240±0.011a

0.248±0.007ab

0.216±0.001a

0.379±0.011a

0.138±0.001b

0.290±0.001a

0.364±0.012a

0.202±0.005ab

1.674±0.061a

0.209±0.003ab

0.046±0.001b

6.119±0.143a

2L

0.607±0.024b

0.232±0.011b

0.196±0.005ab

0.771±0.032bc

0.201±0.002bc

0.230±0.008a

0.234±0.012b

0.176±0.003c

0.335±0.013b

0.115±0.001c

0.258±0.007cd

0.278±0.009b

0.187±0.009b

1.806±0.076a

0.194±0.001b

0.040±0.001c

5.857±0.209b

2D

0.620±0.007ab

0.223±0.002b

0.171±0.003c

0.723±0.007c

0.185±0.003c

0.229±0.001a

0.226±0.006b

0.190±0.001b

0.336±0.007b

0.121±0.001c

0.263±0.009bc

0.250±0.004b

0.195±0.004b

1.791±0.004a

0.211±0.002ab

0.042±0.001c

5.772±0.030b

注：“*”为必需氨基酸；“#”为药用氨基酸；未标记的为非必需氨基酸

表3　不同制备方法下野山参中碱性氨基酸、酸性氨基酸和中性氨基酸的含量

Table 3 Content of alkaline amino acids， acidic amino acids and neutral amino acids in wild ginseng under differ⁃

ent preparation methods

项目

碱性氨基酸/%

酸性氨基酸/%

中性氨基酸/%

碱性∶酸性

组别

SS

1.913

1.567

2.269

19∶16

1L

2.402

1.485

2.484

24∶15

1D

2.240

1.457

2.422

22∶17

2L

2.271

1.378

2.208

23∶14

2D

2.236

1.343

2.193

22∶13

表4　不同制备方法下野山参中必需氨基酸、药用氨基酸的含量及其占氨基酸总量的比例

Table 4 Contents of essential amino acids and medicinal amino acids in wild ginseng by different preparation

methods and their proportions in total amino acids

氨基酸

E/%

N/%

M/%

T/%

E/T

E/N

M/T

组别

SS

2.952

2.797

4.243

5.749

51.35

105.54

73.80

1L

3.578

2.793

4.751

6.371

56.16

128.11

74.57

1D

3.418

2.701

4.552

6.119

55.86

126.55

74.39

2L

3.319

2.538

4.411

5.857

56.67

130.77

75.31

2D

3.279

2.493

4.331

5.772

56.81

131.53

75.03

注：E表示必需氨基酸含量；N表示非必需氨基酸含量；M表示药用氨基酸含量；T表示16种氨基酸总量

785

吉林农业大学学报 2023 年 12 月

Journal of Jilin Agricultural University 2023，December

2. 3　不同制备方法对野山参中人参皂苷含量的

影响

2. 3. 1 方法学考察 精密度：精密吸取混标溶

液，按本文“1.2.3”中方法连续测量6次峰面积，结

果表明，相对标准偏差为1.8%~5.2%。

重复性：称取不同制备方法下 SS 组野山参

3 份，精密吸取样品液，按本文“1.2.3”中方法连

续测量 3 次峰面积，结果表明，相对标准偏差为

0.9%~4.3%。

稳定性：称取不同制备方法下 SS 组野山参

3 份，精密吸取样品液，按本文“1.2.3”中方法每隔

6 h 进行测定，结果表明，相对标准偏差为 1.8%~

4.6%。

回收率：称取不同制备方法下 SS 组野山参

3 份，精密吸取样品液，按本文“1.2.3”中方法进

行 测 定，结 果 表 明，人 参 皂 苷 的 平 均 回 收 率 为

91.2%~99.3%。

2. 3. 2 不同制备方法下野山参中人参皂苷的测

定结果 人参皂苷标准品的色谱图见图 2，不同

制备方法下野山参中含量较多和变化较大的8种

稀有人参皂苷和 10 种原型人参皂苷的含量测定

结果见表5。

参考现有的红参标准 GB/T22538—2018，规

定总皂苷含量不得少于2.00%，人参皂苷Rg1和Re

的总量不得少于 0.25%，人参皂苷 Rb1不得少于

0.20%。不同制备方法下野山参红参中总皂苷含

量为 2.63%~4.78%；人参皂苷 Rg1和 Re 的总量为

2.000~3.406 g/kg，即 0.20%~0.34%；人参皂苷 Rb1

含 量 为 4.794~7.179 g/kg，即 0.48%~0.72%，可 见

野山参红参中人参皂苷含量均满足现有标准。由

18种单体人参皂苷结果可以看出，野山参红参中转

化生成了生晒野山参中含量极少的 Rh4，Rh（1 S），

Rh（1 R），Rg6，Rk1，Rg5，Rg（3 S），Rg（3 R）等稀有人参

皂苷，其中Rh（1 S），Rh（1 R），Rg（3 S），Rg（3 R）的含量

在1D组中显著高于其他组（P<0.05），Rh4和Rk1的

含量在 2L 组中显著高于其他组（P<0.05），而 Rg5

和 Rg6则在 1D 和 2L 组中的含量显著高于其他组

（P<0.05）。对于 10种原型人参皂苷，不同制备方

法，野山参红参中生成了生晒野山参中所没有的拟

人参皂苷PF11；在1D组中人参皂苷Rg1

，Re，Ro，Rc，

Rb2

，Rb3的含量显著高于其他野山参红参，但均显

著低于 SS 组（P<0.05）；人参皂 苷 Rf 和 Rb1 的含

量在 1D 组中显著高于其他组（P<0.05）；人参皂苷

Rd的含量在1L组中显著高于其他组（P<0.05）。

图2　人参单体皂苷标准品色谱图

Fig. 2 Chromatogram of ginsenoside monomer standard

786

付育臣，等：不同制备方法对野山参色泽、氨基酸及皂苷含量的影响

吉林农业大学学报 Journal of Jilin Agricultural University

2. 3. 3 主成分分析 人参皂苷被认为是人参中

重要的有效成分，为进一步探究基于人参皂苷含

量的野山参红参和生晒野山参药材品质评价指标，

以不同加工方式生晒野山参和野山参红参中18种人

参皂苷含量为变量，采用SPSS 25.0统计软件进行主

成分分析、因子分析和方差分析，得到主成分载荷

图，用于判断野山参红参药材品质差异和18种人参

皂苷对红参药材品质评价的重要性。主成分载荷

图见图3，图中各点代表18种人参皂苷，其中距离载

荷图原点越远，说明对样品品质差异的贡献度越高。

根据特征根及贡献率可知，其中主成分1的方差贡献

率为62.961%，主成分2的方差贡献率为31.712%，

这2 种主成分的方差累计贡献率为94.673%，说明

这2 个主成分能较全面反映不同制备方法下野山

参整体品质情况，因此选取这2个成分作为评价不

同制备方法下野山参综合品质的主成分。

图3　主成分载荷图

Fig. 3 Load diagram of main components

表5　不同制备方法下野山参中人参皂苷含量

Table 5 Ginsenoside content in wild ginseng under different preparation methods g/kg

皂苷

Rh4

Rh1

(S)

Rh1

(R)

Rg6

Rk1

Rg5

Rg3

(S)

Rg3

(R)

Rg1

Rf

PF11

Rd

Re

Ro

Rc

Rb2

Rb3

Rb1

Re+Rg1

总皂苷含量/%

组别

SS

0.005±0.001e

0.042±0.001d

0.003±0.001d

0.004±0.001d

0.003±0.001e

0.002±0.001c

0.012±0.001e

0.001±0.001e

1.896±0.022a

1.165±0.017b

0e

1.883±0.011c

2.001±0.006a

2.081±0.019a

3.713±0.044a

3.808±0.035a

0.992±0.005a

6.615±0.005b

3.896±0.028a

5.2a

1L

1.218±0.011c

0.220±0.007b

0.139±0.001b

0.201±0.002b

0.198±0.005d

0.133±0.003b

0.257±0.002c

0.163±0.001c

1.698±0.038b

1.151±0.012b

0.022±0.001c

2.194±0.026a

1.709±0.024c

1.583±0.025d

3.133±0.018c

2.993±0.004c

0.695±0.003c

6.658±0.005b

3.406±0.061b

4.16c

1D

1.507±0.020b

0.254±0.001a

0.175±0.003a

0.221±0.005a

0.248±0.002b

0.165±0.002a

0.322±0.002a

0.217±0.001a

1.583±0.101b

1.330±0.007a

0.038±0.001a

2.093±0.061b

1.777±0.003b

2.009±0.025b

3.579±0.054b

3.507±0.103b

0.886±0.022b

7.179±0.088a

3.360±0.097b

4.78b

2L

1.575±0.004a

0.217±0.002b

0.141±0.003b

0.216±0.005a

0.259±0.003a

0.168±0.001a

0.294±0.001b

0.184±0.001b

1.084±0.006c

0.850±0.001c

0.028±0.001b

1.339±0.022e

1.160±0.048d

1.736±0.018c

2.657±0.014d

2.756±0.031d

0.568±0.011d

5.238±0.041c

2.244±0.054c

3.23d

2D

1.136±0.047d

0.156±0.003c

0.096±0.001c

0.163±0.007c

0.210±0.005c

0.136±0.003b

0.235±0.004d

0.144±0.078d

0.945±0.016d

0.732±0.010d

0.016±0.001d

1.627±0.012d

1.055±0.023e

1.256±0.012e

2.475±0.028e

2.453±0.004e

0.522±0.010e

4.794±0.011d

2.000±0.007d

2.63e

787

吉林农业大学学报 2023 年 12 月

Journal of Jilin Agricultural University 2023，December

2. 3. 4　不同方法制备野山参的综合评价　将原

变量标准化后，根据 2 种主成分的得分系数矩阵

见表 6，计算各主成分的得分 F1、F2。以各主成分

的贡献率为权重，由相对应的主成分得分和权重

加 权 求 和 得 到 综 合 评 价 函 数 ，综 合 得 分 Z=

（50.712F1+43.961F2

）/94.673。通 过 函 数 计 算 出

5 种制备方法下野山参红参和生晒野山参的综合

得分和排序结果，综合数值越大，表明该品类野山

参的综合品质越好。由表7中的综合得分和排序

结果可知，5 种方法制备的野山参的排序为 1D>

1L>2L>SS>2D。因此，认为制备1D组中野山参的

品质最好。

3　讨 论

中药材品质主要受外观性状和内在化学成分

的影响，特别是人参。近年来，对园参及其制备红

参的外观性状的研究发现，在蒸制和烘烤干燥的

过程中，人参中的还原糖和氨基酸化合物会发生

美拉德反应，聚合生成类黑精等褐色物质而改变

其外观颜色［25-26］

，颜色作为外观性状的直接表现，

红参颜色的深浅常能反映出人参蒸制程度的评价

标准［27］

；而由于中药材本身内在化学成分具有挥

发性和热敏性，冷冻处理常用于中药材物料的干

燥过程［28］

，其中低温真空干燥和真空冷冻干燥是

常用的低温干燥技术，且真空冷冻干燥的人参中

7种单体皂苷和总皂苷含量略微低于低温真空干

燥，真空冷冻干燥后的人参颜色偏白色，低温真空

干燥的人参与鲜人参颜色接近［29］

。因此，冷冻处

理对干燥后红参品质的影响还有待发掘。试验中

野山参的颜色在蒸制变化规律与园参加工相似，

随蒸制次数和时间的增加，其亮度值L、总色差值

E 逐渐减小，色度值 a、b逐渐增加；一次冷冻对野

山参红参的颜色没有显著影响，而二次冷冻能使

野山参红参颜色出现显著加深。

氨基酸作为人参中的主要成分之一，其中精

氨酸在人参中的含量最高［30］

，此外大量研究表

明，人参中含有丰富必需氨基酸和药用氨基酸，其

种类和含量已成为衡量人参品质的指标之一。必

需氨基酸因人体自身不能合成或合成速度不能满

足人体需求，常作为评价营养价值的关键指标，而

精氨酸、天门冬氨酸、甘氨酸等药用氨基酸因其能

够通过参与机体中的器官或组织的生理代谢活

动［31］

，来有效维持机体中的氮平衡，进而起到提

高免疫力［32］

、抗炎和抗疲劳［33］

作用，近年来多用

于评价中药材的营养和药用价值［34］

，因此人参中

不同类别的氨基酸含量和比例对评价人参的营养

价值具有重要作用，进而推动了人参作为药食同

源中药材在食品中的应用。试验中野山参在加工

成红参过程中，氨基酸含量随着加工的进行和时

间的延长，会参与美拉德反应生成精氨酸双糖苷

和精氨酸果糖苷，因此，精氨酸含量在一次蒸制后

显著高于生晒野山参，这与乔雪［35］

的研究相符，

再随着加工的进行，游离精氨酸也通过参与美拉

德反应不断减少［36］

。不同方法制备的野山参红

参与生晒野山参相比，其氨基酸含量和比例会出

表6 得分系数矩阵

Table 6 Score coefficient matrix

皂苷

Rh4

Rh1

(S)

Rh1

(R)

Rg6

Rk1

Rg5

Rg3

(S)

Rg3

(R)

Rg1

Rf

PF11

Rd

Re

Ro

Rc

Rb2

Rb3

Rb1

主成分

1

0.105

0.122

0.122

0.110

0.100

0.102

0.111

0.115

-0.003

0.056

0.123

0.046

0.002

0.012

0.009

-0.006

-0.008

0.053

2

0.001

0.042

0.042

0.011

-0.009

-0.005

0.013

0.022

0.113

0.145

0.053

0.115

0.120

0.108

0.124

0.112

0.111

0.143

表7　不同制备方法下野山参主成分得分及综合得分

Table 7 Main component scores and comprehensive

scores of wild ginseng under different prepa⁃

ration methods

组别

SS

1L

1D

2L

2D

主成分得分

F1

-1.618

0.383

1.003

0.437

-0.205

F2

0.686

0.351

1.048

-0.787

-1.297

综合得分

-0.548

0.368

1.024

-0.131

-0.712

排名

4

2

1

3

5

788

付育臣，等：不同制备方法对野山参色泽、氨基酸及皂苷含量的影响

吉林农业大学学报 Journal of Jilin Agricultural University

现显著变化，从而提高野山参的营养和药用价值。

此外，野山参在制备成红参后也会使其氨基酸的

酸碱性发生改变。

人参皂苷被认为是人参中重要且具有主要药

用价值的有效成分，其含量直接影响人参的功效

品质。本试验野山参在蒸制过程中，人参中的丙

二酰基人参皂苷 Rb1，Rd 受热水解脱去丙二酸后

会生成大量的人参皂苷 Rb1和 Rd［37］

，因此在野山

参红参中 Rb1含量显著高于生晒野山参；随着蒸

制的进行，人参皂苷中的 C-3 或 C-20 位发生水

解、脱 水 和 异 构 化 等 反 应，使 人 参 二 醇 组 皂 苷

Rb1

，Rb2

，Rb3

，Rc，Rd人参皂苷，进而转化为Rg（3 S），

Rg（3 R），Rg5，Rk1等稀有人参皂苷，人参三醇组皂

苷 Rg1，Re，Rf 转化为人参皂苷 Rh1

（S），Rh1

（R），

Rh4，Rg6

［38-39］

，人参皂苷 Ro 也在加热蒸制的条件

下导致酯苷键不稳定，而水解减少［40］

，说明野山

参红参中人参皂苷 Rg1，Re，Ro，Rc，Rb2，Rb3的含

量应低于生晒野山参，而稀有皂苷含量则有显著

上升。野山参经蒸制后，其人参皂苷成分含量呈

规律性变化，根据结果可以看出，一次冷冻处理能

有效提高野山参红参中人参皂苷的含量，但二次

冷冻处理则会加速人参皂苷的流失。这与食品

在反复冻融过程中易造成细胞破裂，组织结构损

伤，风味物质流失等，最终降低其品质的原理相

似［41］

。为了明确野山参红参的最佳制备方法，本

研究通过对不同方法制备的野山参中人参皂苷进

行主成分分析可知，1D制备组中的野山参红参的

综合评价得分优于其他制备组，且2D制备组的综

合评价得分低于生晒野山参，因此野山参在经一

次蒸制和干燥后，于-20 ℃冷冻后的野山参红参

在人参皂苷方面的品质最好。

基于色差仪和高效液相色谱质谱联用仪建立

了野山参红参蒸制制备工艺感官和有效成分评价

方法。进一步利用主成分分析进行降维处理，优

选出野山参最佳制备工艺为1D制备组，即经一次

蒸制和干燥后于-20 ℃冷冻 7 d。值得注意的是，

野山参红参中总皂苷含量（2.63%~4.78%）远高于

红参标准GB/T 22538—2018（≥2.00%），且在加工

过程中转化生成了生晒野山参中含量极少或没有

的稀有人参皂苷 Rh4，Rh1

（S），Rh1

（R），Rg6，Rk1，

Rg5，Rg（3 S），Rg（3 R），而原人参皂苷 Rg1，Re，Ro，

Rc，Rb2，Rb3的含量相比生晒野山参则显著下降

（P<0.05），这可能是野山参制备成红参后其药效

价值有所增加的主要原因。本试验结果对于野山

参的品质提升、功效发挥和产品开发等研究具有

推动作用。

参考文献：

［1］ 国家药典委员会 . 中华人民共和国药典-四部：2020 年

版［M］. 北京：中国医药科技出版社，2020.

［2］ 孙 海，张 亚 玉，宋 晓 霞 . 山 参 研 究 进 展［J］. 特 产 研 究，

2009，31（3）：69-73.

［3］ Li M J， Guan Y M， Liu N， et al. Brain concentration of gin⁃

senosides and pharmacokinetics after oral administration of

mountain-cultivated ginseng ［J］. Journal of the Chinese

Chemical Society，2017，64（4）：395-403.

［4］ Shin I S， Kim D H， Jang E Y， et al. Anti-fatigue properties of

cultivated wild ginseng distilled extract and its active compo⁃

nent panaxydol in rats［J］. Journal of Pharmacopuncture，

2019，22（2）：68-74.

［5］ 郑超楠，南极星，郭建鹏，等. 林下山参水提液缓解运动性

疲劳的研究［J］. 食品工业科技，2012，33（18）：352-354.

［6］ Moon J N， Kim J K， Lee S， et al. Antihypertensive effects of

Korean wild simulated ginseng （Sanyangsam） extracts in spon⁃

taneously hypertensive rats［J］. Food Science and Biotechnol⁃

ogy，2019，28（5）：1563-1569.

［7］ 范圣东，黄冬冬，马兵伟，等. 野山参和园参对术后疲劳综

合征大鼠骨骼肌炎症反应的影响［J］. 中成药，2019，41

（5）：1147-1150.

［8］ Jang H Y， Park H S， Kwon K R， et al. A study on the com⁃

parison of antioxidant effects among wild ginseng， cultivated

wild ginseng， and cultivated ginseng extracts［J］. Journal of

Pharmacopuncture，2008，11（3）：67-78.

［9］ Hwang J W， Oh J H， Yoo H S， et al. Mountain ginseng ex⁃

tract exhibits anti-lung cancer activity by inhibiting the

nuclear translocation of NF- κB［J］. The American Journal of

Chinese Medicine，2012，40（1）：187-202.

［10］ 綦占文，马伟才，石宏，等 . 红参加工工艺技术［J］. 食品

安全导刊，2020（33）：138-139.

［11］ 刘伟，刘永博，王梓，等 . 人参的化学成分与转化机理研

究进展［J/OL］. 吉林农业大学学报：1-11［2023-03-30］.

http：//kns. cnki. net/kcms/detail/22.1100. S. 20221111.093

8.002.html.

［12］ 李向高，郑毅男，刘墨祥，等 . 红参加工中梅拉德反应及

其 产 物 的 研 究［J］. 中 国 中 药 杂 志，1999，24（5）：18-

22，62.

［13］ 张单丽，李梦瑶，王东升，等 . 不同加热方式对丙二酰基

人参皂苷降解的影响及抗氧化活性的变化［J/OL］. 吉林农

业大学学报：1-10［2023-03-30］.https：//doi.org/10.13327/

j.jjlau.2022.5604.

［14］ Xu X F， Gao Y， Xu S Y， et al. Remarkable impact of steam

temperature on ginsenosides transformation from fresh gin⁃

seng to red ginseng［J］. Journal of Ginseng Research，2018，

42（3）：277-287.

［15］ 楚楚，陈岑，李行诺，等 . 红参炮制对质量影响的研究进

789

吉林农业大学学报 2023 年 12 月

Journal of Jilin Agricultural University 2023，December

展［J］. 中药材，2014，37（5）：901-905.

［16］ Yuan Z G， Jiang H， Zhu X H， et al. Ginsenoside Rg3 pro⁃

motes cytotoxicity of Paclitaxel through inhibiting NF-κB sig⁃

naling and regulating Bax

/Bcl-2 expression on triplenegative breast cancer［J］. Biomedicine & Pharmacotherapy，

2017，89：227-232.

［17］ 范洁，张磊，王啸 . 人参皂苷 Rk3对肝癌 HepG2细胞凋亡

的 影 响［J］. 安 徽 医 科 大 学 学 报，2016，51（11）：1604-

1608.

［18］ 曾露露，丁传波，刘文丛，等 . 人参稀有皂苷药理活性的

研究进展［J］. 时珍国医国药，2018，29（3）：680-682.

［19］ Wang C Z， Aung H H， Ni M， et al. Red American ginseng：

ginsenoside constituents and antiproliferative activities of

heat-processed Panax quinquefolius roots ［J］. Planta

Medica，2007，73（7）：669-674.

［20］ 刘伟，李伟 . 我国人参加工炮制和产业化发展现状与展

望［J/OL］. 吉林农业大学学报：1-11［2023-10-07］.http：//

kns.cnki.net/kcms/detail/22.1100.S.20220409.1049.003.html.

［21］ 常思佳，宁雪，王日明，等 . 日光温室栽培模式下不同种

质来源人参单体皂苷及氨基酸对比分析［J］. 人参研究，

2019，31（3）：18-24.

［22］ 丁晨红，王英，王威利，等 . 鱼粉中酸碱性氨基酸及呈味

氨 基 酸 含 量 特 点 研 究［J］. 饲 料 工 业 ，2018，39（16）：

49-52.

［23］ 孙娟娟，阿拉木斯，赵金梅，等. 6个紫花苜蓿品种氨基酸

组成分析及营养价值评价［J］. 中国农业科学，2019，52

（13）：2359-2367.

［24］ 温立香，袁冬寅，欧淑琼，等 . 广西三个产区虫茶主要茶

特征成分、挥发性成分分析及氨基酸营养评价［J］. 食品工

业科技，2022，43（20）：329-336.

［25］ 陈立彪，朱凤妹，李军 . 干燥温度对黑参加工过程中美拉

德反应主要指标成分变化的影响［J］. 保鲜与加工，2020，

20（6）：120-125.

［26］ 宫瑞泽，霍晓慧，张磊，等 . 美拉德反应对中药品质的影

响及调控研究进展［J］. 中草药，2019，50（1）：243-251.

［27］ 屈文佳，贾天颖，王海丽，等 . 不同蒸制时间下红参颜色

及 3 种常见人参皂苷的转化规律研究［J］. 北京中医药大

学学报，2020，43（9）：769-775.

［28］ 王学成，伍振峰，李远辉，等 . 低温干燥技术在中药领域

的 应 用 现 状 与 展 望［J］. 中 国 医 药 工 业 杂 志，2019，50

（1）：42-47.

［29］ 王美钧 . 人参、枸杞的低温真空干燥实验研究［D］. 天津：

天津商业大学，2018.

［30］ 刘敏 . 纤维素、淀粉、氨基酸对人参皂苷转化的影响［D］.

北京：中国农业科学院，2013.

［31］ Paulusma C C， Lamers W H， Broer S， et al. Amino acid me⁃

tabolism， transport and signalling in the liver revisited［J］.

Biochemical Pharmacology，2022，201：115074.

［32］ Muller S， Radic M. Citrullinated autoantigens： from diagnos⁃

tic markers to pathogenetic mechanisms［J］. Clinical Reviews

in Allergy & Immunology，2015，49（2）：232-239.

［33］ Liu D， Chen Y Q， Xiao X W， et al. Nutrient properties and

nuclear magnetic resonance-based metabonomic analysis of

macrofungi［J］. Foods，2019，8（9）：397.

［34］ 王艳，王燕萍，崔方，等. 3种党参药材氨基酸组成与营养

评价分析及品种分类研究［J］. 时珍国医国药，2021，32

（10）：2421-2425.

［35］ 乔雪. 黑参中化学成分的研究及与生晒参和红参的比较［D］.

长春：吉林农业大学，2012.

［36］ 曹国军，郑毅男，许传莲，等 . 红参加工过程中精氨酸及

其衍生物的含量变化［J］. 吉林农业大学学报，2001，23

（3）：69-71.

［37］ 孙光芝，刘志，李向高，等 . 鲜人参中 2 种丙二酰基人参

皂 苷 的 分 离 鉴 定［J］. 分 析 化 学，2005，33（12）：1783-

1786.

［38］ Liu L， Zhu X M， Wang Q J， et al. Enzymatic preparation of

20（S， R）-protopanaxadiol by transformation of 20（S， R）-Rg3

from black ginseng［J］. Phytochemistry，2010，71（13）：

1514-1520.

［39］ Zhu L L， Luan X N， Dou D Q， et al. Comparative analysis of

ginsenosides and oligosaccharides in white ginseng （WG），

red ginseng （RG） and black ginseng （BG）［J］. Journal of

Chromatographic Science，2019，57（5）：403-410.

［40］ 李向高，富力，鲁歧，等 . 红参炮制加工中的皂苷水解反

应 及 其 产 物 的 研 究［J］. 吉 林 农 业 大 学 学 报，2000，22

（2）：1-9.

［41］ 芮李彤，刘畅，夏秀芳. 水-冰-水动态变化引起冷冻肉类

食品品质变化机理及控制技术研究进展［J］. 食品科学，

2023，44（5）：187-196.

（责任编辑：林海涛）

790

吉林农业大学学报 2023，45（6）：791-802 http : // xuebao.jlau.edu.cn

Journal of Jilin Agricultural University E⁃mail : jlndxb @ vip.sina.com

基于改进ConvNeXt网络的人参分级模型*

翟梦婷1

，张丽娟2

，朴欣茹1

，李 伟3

，李东明1，2**

1. 吉林农业大学信息技术学院，长春 130118；2. 无锡学院物联网工程学院，无锡 214105；

3. 吉林农业大学中药材学院，长春 130118

摘 要：为了解决人参分级特征差异性小、严重依赖专业人员的问题，建立了一个包含 5 116张图像，不同背

景下的3种级别的人参数据集，提出了一种基于改进ConvNeXt框架的人参分级模型。首先，在主干网络下采

样后嵌入通道混洗（Channel Shuffle）模块，使通道特征充分融合以提升分级精确度；其次，对ConvNeXt Block模

块进行优化改进，将结构重参数化（Re-parameterization）模块与其进行融合，提高模型的表征能力，丰富卷积

块的特征空间，进一步提升模型准确率；最后，将原激活函数GELU替换为 PReLU激活函数，以增加神经网络

模型的非线性变异性，提高了模型精度和效率。结果表明：该方法对人参分级的准确率、精确率、召回率以及

特异度分别达到了94. 44%，91. 58%，91. 04%和95. 82%，损失率降低至0. 24%，验证了其在人参质量评估中的

准确性和可靠性，为人参质量分级的智能化提供了技术支持。

关键词：ConvNeXt；人参分级；通道混洗；结构重参数化；激活函数；深度学习

中图分类号：S567. 51 文献标志码：A 文章编号：1000-5684（2023）06-0791-12

DOI：10.13327/j.jjlau.2023.20259

引用格式：翟梦婷，张丽娟，朴欣茹，等 . 基于改进 ConvNeXt 网络的人参分级模型［J］. 吉林农业大学学报，

2023，45（6）：791-802.

Ginseng Grading Model Based on Improved ConvNeXt Network *

ZHAI Mengting1

，ZHANG Lijuan2

，PIAO Xinru1

，LI Wei3

，LI Dongming1，2**

1. College of Information Technology， Jilin Agricultural University， Changchun 130118， China；

2. College of Internet of Things Engineering， Wuxi University， Wuxi 214105， China；3. College of

Chinese Herbal Medicine， Jilin Agricultural University， Changchun 130118， China

Abstract：In order to solve the problem of small feature variability among ginseng grading classes

and heavy reliance on professionals, a ginseng data set containing 5 116 images with three classes in

different contexts was established, and a ginseng grading model based on an improved ConvNeXt

framework was proposed. Firstly, the channel shuffle module was embedded in the backbone network

after down-sampling to fully fuse the channel features to improve the grading accuracy; secondly, the

ConvNeXt Block module was optimized and improved, and the Re-parameterization module was

fused with it to improve the characterization ability of the model, enrich the feature space of the con⁃

volutional blocks, and further improve the model's accuracy; finally, the original activation function

GELU was replaced by the PReLU activation function to increase the nonlinear variability of the neu⁃

ral network model, which improved the model's accuracy and efficiency. The experimental results

* 基金项目：国家自然科学基金青年科学基金项目（61801439），吉林省重点研发项目（20210204050YY），吉林省教育厅

项目（JJKH20210747KJ），吉林省环保厅项目（202107），吉林省中青年领军团队及创新人才支持计划项目

（20200301037RQ）

作者简介：翟梦婷，女，在读硕士，研究方向：计算机视觉和图像处理等。

收稿日期：2023-05-21

** 通信作者：李东明，E-mail：ldm0214@163.com

吉林农业大学学报 2023 年 12 月

Journal of Jilin Agricultural University 2023，December

showed that the accuracy, precision, recall and specificity of ginseng classification reach 94.44%,

91.58%, 91.04%, and 95.82%, and the loss rate has been reduced to 0.24%, which proves the valid⁃

ity of this study and can provide reference for ginseng quality classification.

Key words：ConvNeXt； ginseng grading； channel shuffle； structural reparameterization； activa⁃

tion function；deep learning

人参（Panax ginseng C. A. Meyer）是我国传统

名贵药用植物，被称为“百草之王”，因此其监测手

段和质量控制尤为重要。一直以来，人参的外观

和质量主要由人工监测［1］

，主要缺点首先是浪费

了大量人力，严重依赖专业人员，分级速度慢，准

确率低；其次，分级标准难以统一，缺乏现代管理

手段，难以保证人参产品的质量［2］

。根据人参鹿

茸商品标准［3］

、人参鉴别要点［4］

，基于中药材市

场商品规格分类的现状调查［5］

、人参红参质量

（等级）标准研究［6］

指出，虽然同一产地的人参形

态极易发生变化，但人参的颜色以及质地受影响

的程度较小。2022 年，Li 等［7］

给出的证明强调，

人参根的形态是评价人参质量的决定因素。这

一发现为本研究提供了明确分级特征指标，即人

参的分级主要是根据根的颜色和纹理特征进行

提取。

近年来，计算机视觉技术在植物表型识别中

发挥了重要作用，Grinblat 等［8］

利用卷积神经网络

对植物叶片纹理模式进行识别，实现对 3 种不同

豆科植物，即白豆、红豆和大豆的识别和分类。

Kadir等［9］

提出了一种植物识别方法，该方法利用

形态学开口提取叶片的纹理、形状和颜色特征，并

利用概率神经网络对植物进行分类，平均准确率

为 93.75%。Carranza-Rojas 等［10］使 用 GoogLeNet

网络处理植物标本，对原始模型进行了微调，并在

几个数据库的不同数据集上进行了试验，结果良

好。马文浩［11］

提出了一种基于深度学习的方法，

利用CNN来区分黄芪的产地，在保证预测精度和

准确性的同时，简化了数据预处理过程，所提出的

方法为人参的非破坏性质量分级提供了理论基

础。2022 年，Li 等［12］

通过替换传统的 ReLU 激活

函数和自建的数据集，用数据增强的方式改进了

人参的质量，模型的预测能力比原模型提高了

3.02%，该方法证明了深度学习可以有效地对中

药材的外观质量进行分类，该试验在中药材外观

质量鉴定领域具有重要价值。Sun等［13］

提出了卷

积神经网络用于草药识别和检索，并训练了基于

VGGNet 的网络模型，提高了杂乱背景下草药识

别的准确性，使草药识别技术更适合实际应用，但

平均识别精度为71%，平均检索精度为53%，草药

识别的精度仍有待提高。初步试验表明，深度卷

积神经网络（CNN）技术可以应用于中药材的分级

过程，但出现了处理速度慢、分级精度低、损失率

不稳定等问题，这也是神经网络技术应用于人参

分级生产的主要困难。

目前，国内外研究者设计了多种精度高、性能

强 的 深 度 学 习 应 用 模 块。其 中，Zhang 等［14］于

2018年，采用高效的 CNN 架构 ShuffleNet，利用信

道洗牌帮助降低计算复杂度和信息流，与当时的

模型相比，有效的提升了精度。2021 年，Wight⁃

man 等［15］

提出了一种基于结构的再参数化（Reparameterization）方法，对每个分支结构进行再参

数化，在很大程度上提高了模型的精度，节省了计

算时间。2021年，冀常鹏等［16］

采用结构重参数化

等技术，提高了模型的准确率和推理效率，准确率

达到 98.53%，对农业智能病害识别具有重要意

义。2022年，陈浩楠［17］

通过结构重参数化方法分

割网络的训练阶段与推理阶段，在推理网络中合

并多支路卷积与 BN 层，实现多支路训练的高性

能与单支路推理的高速度。2021年，Bello等［18］

通

过将改进的模块与设计的骨干网络 ConvNeXt 相

结合，使原本只能局部学习特征图相邻空间位置

的卷积结构能够更好地结合图像的全局信息，有

效提高了网络学习能力。除了提高 CNN 的深度

外，在图像中也取得了更好的分类效果，并证明

通 道 间 融 合 高 级 特 征 信 息 可 以 提高网络学习

能力。

通过前期大量试验表明，深度卷积神经网络

（Convolutional neural networks，CNN）技术可以应

用于中药材分级过程中，但是传统的人工监测方

式存在着浪费人力、专业依赖、速度慢和准确率低

等问题。因此，通过上述高性能模块的启发，本研

究旨在应用改进的深度学习框架，解决如何设计

一个高性能的人参分级模型的核心问题，以实现

792

翟梦婷，等：基于改进ConvNeXt网络的人参分级模型

吉林农业大学学报 Journal of Jilin Agricultural University

对人参外观质量的准确评估。为此，提出了基于

改进ConvNeXt框架的人参分级模型，该模型将被

应用于生晒参的细粒度分类任务，以提高分级过

程的速度和准确度，为生晒参产业的质量控制提

供有效的解决方案。

1　材料与方法

1. 1　图像数据集采集

原始的人参数据集于 2020 年和 2021 年期间

在吉林农业大学中药材学院从同一批生晒参（由

新鲜的园子里的人参经过清洗和干燥或在阳光下

晒干后制成的产品）中收集，共包括 367 颗人参。

通过小型专业摄影棚（Sutefoto，中国广东）多方

位、不同背景（白板背景、黑色皮质背景、红棕色木

纹背景）、固定高度（40 cm）拍摄的生晒参，高清彩

色图像见图 1。本次分级以《吉林省道地药材人

参发布版》［19］

中的人参分级标准为依据（表1），并

由吉林农业大学中药材学院李伟教授对人参进

行分级确认。本试验分级包含多角度拍摄的生

晒参 1 668 张图片，经鉴定后按照表 1 中规则分

级，分为3个等级，其中特等人参549张、一等人参

830张、二等人参289张。

1. 2　数据处理

由于本次试验使用的人参数据集中存在两大

问题：一是类别不均衡问题，特等人参以及二等人

参 2 个类别的数量较少，而一等人参的数据量占

了很大比例；二是人参分类的专业环境具有背景

单一性，模型的适用性范围较窄。因此，为了解决

人参等级之间数据集不均衡的问题，在进行模型

训练前首先对数据量较少的特等人参以及二等人

参2个等级使用随机旋转、随机翻转，通过多种角

度进行随机旋转结合数据增强策略进行扩充，将

单一化人参图片进行高斯模糊和水平翻转处理，

提高模型的识别能力，并对一等人参类别的图片

进行少量增强和图片清洗，使最终用于训练的数

据集类别均衡；为适应模型的鲁棒性和泛化能力，

本试验建立数据集时使用了不同的背景，可以使

模型更好地识别各种不同的场景下的物体，能够

更好地处理新的测试数据。并且本试验还采取

了 在 线 增 强 方 法，使 用 Python 图 像 库中 的 PIL

（Python Image Library）模块，随机旋转图像（旋转

角度在-15°~+15°）、随机水平翻转图像，从中心

位置裁剪图像（大小为 72×72 像素），将图像转

换为张量形式，并对图像进行归一化处理（均值

为 0.485，0.456，0.406，标 准 差 为 0.229，0.224，

0.225）。通过增加训练过程中使用的图像样本的

多样性来间接增加训练数据量。对数据集进行数

据增强的图像信息见图 1。通过对数据进行预处

理操作提高了数据样本图像的多样性，提高了模

型的鲁棒性和泛化能力，并可以抑制网络训练过

程中过拟合现象的发生。

表1 人参分级标准

Table 1 Ginseng grading standards

项目

主根

支根

芦须

沟纹

表面

断面颜色

质地

破损、疤痕

虫蛀、霉变、杂质

根型

断面形

单根质量

特等人参

类圆柱形

有明显支根 2~3个，且粗细较均匀

芦头和人参须根齐全

清晰、明显

黄白色或灰黄色，无水锈，无抽沟

断面淡黄白色，呈粉性，树脂道可见

较硬、有粉性、无空心

无

无明显损伤

正方形或长方形

断面整齐，清晰

≥500 g

一等人参

芦头和人参须根较齐全

不明显

黄白色或灰黄色，轻度水锈，或有抽沟

轻度

损伤轻微

呈圆锥形或圆柱形

断面明显

250~500 g

二等人参

分支1~4个，粗细较均匀

芦头和人参须根不全

无沟纹

黄白色或灰黄色，水锈稍多，有抽沟

有

较为严重

不规则形状

断面不明显

100~250 g

793

吉林农业大学学报 2023 年 12 月

Journal of Jilin Agricultural University 2023，December

1. 3　训练集和验证集的划分

本试验对各个网络所训练的模型都使用5折

交叉的验证方法，目的是保证训练的稳定性，排除

训练结果的偶然性，将训练集和验证集图片按照

8∶2的比例进行划分，见表2。采用Python脚本程

序进行随机近均等化划分为5部分，其中4部分的

数据集为各个模型的训练，另外的一部分作为验

证，并且保证每次训练划分都按照 4∶1 的比例进

行训练和验证。本研究最终的试验结果为5 次试

验的平均值。

人参图像具有复杂的形状、大小和颜色，同时

还受到照明、方向和背景等因素的影响，因此传统

的计算机视觉技术难以对人参图像进行准确分

级。但 2022年 Crnjanski等［20］

提出的 ConvNeXt网

络，通过结合卷积层和跨通道参数化层，更大程度

进行通道间信息融合，解决了细粒度图像特征问

题，这对于准确捕捉生晒参图像的细粒度特征非常

重要，因此选用ConvNeXt作为本研究的主干网络。

2　改进的ConvNeXt模型

2. 1　人参外观质量分级模型的构建

人参外观质量分级使用 ConvNeXt 作为主干

网络，将改进的结构重参数化模块和通道清洗方

法引进到该网络中。主干网络含4个比例为3∶3∶

27∶3 的 Stage，每 个 Stage 通 道 数 C 为（128，256，

512，1 024），特征图大小为（56×56，28×28，14×14，

7×7）。

本研究提出了一种基于改进 ConvNeXt 的网

络结构见图2。该网络分为A~D 4个阶段：A 部分

为输入图像，使用线上线下相结合的 数 据 增 强

方 法 ，得 到 224 × 224 大 小 的 特 征 图 ，经 卷 积

运 算 减 小 图 像 高 宽 并 增 加 通 道 大 小 ，得 到特

征 图 F₁ ∈R56×56×128；B 部 分 为 特 征 图 进 入 改 进的

ConvNeXt 结 构 ，先 经 结 构 重 参 数 化 模 块（Reparameterization），此 模 块 是 将 一 个 相 对 较 小的

5×5 的内核通过线性变换添加到一个大的 13×13

的内核中，然后进入深度卷积（DW），采用 Layer⁃

Norm （LN）归一化代替 Batch Normalization （BN）

归一化，然后通过1×1卷积增加通道大小与PRelu

激活函数进入 1×1 卷积还原输入通道大小，并通

过 LayerScale［21］

层 DropPath 层［22］

与 F1融合输出得

到 Fc-out；C 部分为 Fc-out经 LayerNorm （LN）归一化

通过 2×2 卷积减小特征图尺寸，增加通道大小。

再次进入 Channel Shuffle 模块和 ConvNeXt Block，

经 4 个 Stage 提 取 特 征 信 息 后，最 终 获 得 输 出

Fout∈R7×7×1 024，其中 Channel Shuffle、ConvNeXt Block

部分 Stage 的比例为3∶3∶27∶3；D部分为Fout经平均

池化层，再经 LN 归一化，特征图空间稠密性信息得

到进一步重利用并传递到全连接层，最终完成分类。

2. 2　通道混洗（Channel Shuffle）

为加强不同尺度下多层特征之间的跨通道信

息交互，在 ConvNeXt 模块前融合了通道混洗操

作，使模型能适应数据集各等级之间表型差别性

小的人参细粒度图像分级任务。

图1　人参数据集

Fig. 1 Ginseng data set

表2 数据集划分

Table 2 Data set partitioning

人参等级

特等人参

一等人参

二等人参

原训练集

数目

412

672

217

增强后训

练集数目

1 436

1 334

1 322

原验证集

数目

137

158

72

增强后验

证集数目

359

334

331

794

翟梦婷，等：基于改进ConvNeXt网络的人参分级模型

吉林农业大学学报 Journal of Jilin Agricultural University

通道混洗操作见图3。在图中，A组表示将输

入特征图按通道分组并进行卷积操作，降低了特

征图的表达能力。而通道混洗操作（B组和 C组）

则将每个组的特征与其他组的特征混合。使用

通道混洗方法可以保证接下来采用的分组卷积

输入来自不同的组，并且信息可以在不同组之间

流转。

2. 3 改进的结构重参数模块

结构重参数化［21-26］

是一种通过转换参数来等

效转换模型结构，从而提高模型的表征能力，进而

实现高效而不降低精度地对人参细粒度进行分

级。Conv通过将输入特征转换为输出O，即：

O=o（I）=I×F+b∈RC×H×W

，

其中，C、H 和 W 分别为输入的通道、高度和宽度。

b∈RC×H×W中，b∈RC

是卷积算子的参数。式中，H 和

W 是由几个因素决定的，如内核大小、填充、步距

等。本研究遵循表 3 中的原则，分支中涉及的操

作将按照表格参数执行，可减少清晰度丢失的

情况。

由图 4 可见，改进后的重新参数化模块由大

小为 5×5和 13×13的内核组成。通过大的内核捕

获小范围的模式，提高了模型的性能。卷积层上

的 BN，使用相似权重共享策略，将整个特征图作

为神经元来处理。经试验证明，优化后模块的精

度比传统ConvNeXt网络高约5%。

Conv K=7,s=1,p=3，group=channels中“K”.卷积核尺寸，“s”.步长，“p”.填充像素，“group”.分组卷机数，“channels”.网络通道数；CONV .卷

积操作；DWConv.深度可分离卷积；LayerNorm .批量归一化；BN .批标准化；Add .叠加操作；Optimization Re-parameterization.优化后的结

构重参数化模块； Channel Shuffle.通道清洗；Global Avg Pooling.平均池化层；Drop Path.正则化；PRelu .激活函数

图2　改进的ConvNeXt 网络模型总框架

Fig. 2 Overall framework of the improved ConvNeXt network model

图3　通道混洗的操作

Fig. 3 Operation of channel washing

795

吉林农业大学学报 2023 年 12 月

Journal of Jilin Agricultural University 2023，December

2. 4　使用PReLU激活函数

原 ConvNeXt 网络使用 GELU［23］

作为激活函

数，是 ReLU［24］

的一种更平滑的变体，一般情况下

其激活函数的形式：

GELU ( x) = x ×

1

2

é

ë ù

û 1 + erf ( x/ 2 ) ，

其中，x 作为神经元输入，x 越大，激活输出 x 越

有可能保留，x 越小则有可能使激活结果为 0。

GELU 函数在 硬 饱 和 区 影 响 收 敛，因此本研究

使 用 PReLU 激 活 函 数。其定义：y = max (ax，x)

(0 < a < 1)。

图 5 为 GELU 和 PReLU 激 活 函 数 曲 线 。

PReLU 更有效率地传递了人参信息，增加了 Con⁃

vNeXt 网络模型的非线性变异性。

3　试验验证与分析

3. 1　试验装置

试验配置环境为 GPU 并行计算工作站，处理

器 为 Xeon（R）CPU E5-2680v4、显 卡 为 GeForce

GTX 1080Ti、采用 Ubuntu16.04LTS 操作系统、软

件配装 Anaconda3-5.2.0-Linux 版本，并基于 Py⁃

thon 3.7.0 编程语言搭建 Pytorch 的深度学习框架。

3. 2　试验过程

数据训练除了网络架构的设计外，训练过程

也影响最终的性能。原始网络架构中的 Vision

Transformers 方法不仅带来了一套新的模块和架

构设计决策，而且还为试验引入了不同的训练方

法（如AdamW优化器）。此方法主要涉及优化策

略和相关的超参数设置。因此，试验的第一步是

使用Vision Transformer的训练过程来训练基础模

型，在本例中为 ConvNeXt _base。经研究［25-26］

表

明，使用现代训练技术可以显著提高 ResNet-50

模 型的 性 能。在 本 研 究 中，使 用 的 训 练 参 数

接近于 Swin Transformer，学习率调整为 6×10-4

，

权重衰减设置为 8×10-2

。ConvNeXt 训练轮次为

150 轮。优化后的 ConvNeXt 网络模型训练参数

见表4。

关于训练方法使用AdamW［27］

优化器，数据增

强技术，如随机旋转、翻转；随机翻转结合锐化效

果；水平翻转结合高斯模糊。

图5 GELU和PReLU激活函数曲线

Fig. 5 GELU and PReLU activation function curve

表3 RepVGG， DBB， RepNAS 和 ConvNeXt的操作空间

Table 3 Operation spaces for RepVGG， DBB， RepNAS， and ConvNeXt

模型

RepVGG

DBB

RepNAS

ConvNeXt (ours)

方法

3

4

7

5

方法

K × K, 1 × 1, residual connection

K × K, 1 × 1-K × K, 1 × 1-AVG, 1 × 1

K × K, 1 × 1-K × K, 1 × 1-AVG, 1 × 1, 1 × K, K × 1, residual connection

K × K, 13×13, residual connection

图4　改进的结构重参数化模块

Fig. 4 Improved structure re-parameterization module

796

翟梦婷，等：基于改进ConvNeXt网络的人参分级模型

吉林农业大学学报 Journal of Jilin Agricultural University

3. 3　模型评价标准

为了全面衡量所提出 ConvNeXt 网络的有效

性，试验采用准确率（Accuracy）、召回率（Recall）、

精确率（Precision）和特异度（Specificity）作为评价

指标，计算公式：

准确率 = TP + TN

TP + FN + FP + TN

× 100%,

召回率 = TP

TP + FN

× 100%,

精确率 = TP

TP + FP

× 100%,

特异度 = TN

TN + FP

× 100%,

其中，TP 为正确预测为正样本的样本数，即准确

鉴定的人参标本数量；TN为正确预测为负样本的

样本数，即为准确鉴定的其他人参的样本数目；

FP为错误预测为正样本，即为鉴定错误的人参的

样本数目；FN 为错误预测为负样本，即为鉴定为

其他品种的人参的样本数目。

3. 4　激活函数对模型性能的影响

激活函数在神经网络中至关重要，对模型表

现有重大影响。本试验将原始的GELU激活函数

替换为 Sigmoid［28］

、ReLU 和 PReLU 3 种激活函数

进行比较。结果显示，GELU函数训练时间较长，

而 Sigmoid 和 ReLU 与 PReLU 相 比 有 显 著 差 异。

ReLU 会导致负值神经元坏死，Sigmoid 无法处理

训练数据中的特征差异问题。

为解决这些问题并提高效率，本研究采用

PReLU替代GELU激活函数。相比原模型，PReLU

提高了 2.77% 的准确性，降低了 0.033 的损失值，

节省了 3.08 s 的训练时间，PReLU 直接训练深度

神经网络，缓解了梯度消失问题，提高了训练效

率。同时，PReLU 能够传递更多细节信息，将等

级间差异最大化，如纹理、线条、颜色等，快速提取

难以捕捉的特征细节信息，获得了更好的识别效

果，显著提升了模型性能。

3. 5　数据增强对模型性能的影响

由于专业背景下，人参的数据集背景过于单

一，为更好提高新网络模型的识别性能，本研究对

数据集进行数据扩充，包括 5 种方式：（1）随机旋

转、翻转；（2）随机翻转结合锐化效果；（3）水平翻

转结合高斯模糊；（4）增加黑色皮革背景和红褐色

木纹背景；（5）使用Python图像库中的PIL（Python

Image Library）模块的在线增强方法。以新网络

为试验模型，在其他参数相同的条件下，分别对扩

充前数据集（1 680张）和扩充后数据集（5 116张）

进 行 对 比 试 验 ，其 试 验 结 果 分 别 是 78.67%，

85.97%，提升了7.3%。

3. 6　不同模块组合对试验结果的影响

各不同方法组合在测试集上的识别结果见

表 6。NUM 3、NUM 5、NUM 6 和 NUM 8 模型的识

别精度分别为90.12%，92.59%，91.76%和 94.44%。

与其他 4 类模型相比，NUM 8 模型能够更准确地

定位和识别人参特征，有效提高ConvNeXt模型的

表4 新模型训练参数

Table 4 New model training parameters

参数

训练轮数

样本数量

学习率

优化器

权值衰减

输入尺寸

数值或名称

150

32

0.000 6

AdamW

0.08

256×256

表5 不同激活函数对模型性能的影响

Table 5 Effects of different activation functions on

model performance

激活函数

GELU

Sigmoid

ReLU

PReLU

准确率/%

91.67

88.88

90.74

94.44

损失率/%

0.303

0.336

0.390

0.270

每轮耗时/s

27.02

24.24

24.63

23.94

图6　数据增强前后准确率曲线

Fig. 6 Data enhancement before and after the accu⁃

racy curve

797

吉林农业大学学报 2023 年 12 月

Journal of Jilin Agricultural University 2023，December

准确度，更好地平衡不同等级人参的分级结果，实

现对人参等级的准确识别。表 6 中的细节显示，

Channel Shuffle 模块、Re-parameterization 模块和

PReLU 模块的加入，都可以在一定程度上缓解

ConvNeXt 模型存在的准确度和精确度较低等问

题，使模型更适用于人参的等级分类。其中，在单

个模块作用下，引入 Re-parameterization 模块对

ConvNeXt 模型整体识别效果最好，模型的精确

率、召 回 率 和 特 异 度 分 别 为 85.09%，85.23%，

92.55%。 因 此 ，相 比 于 其 他 功 能 模 块 ，在 模

块 融 合 方 面 引 入 Re-parameterization 模 块 对

ConvNeXt 模 型的识别 性 能 提 升 效 果 更 好。在

2 个 模 块 融 合 情 况 下 ，Channel Shuffle 模 块 和

Re-parameterization模块共同作用效果最好，相比于

原模块提升了7.4%，PReLU和Re-parameterization

模 块 结 合 对 准 确 率 作 用 效 果 最 低，仅 提 升 了

3.7%，验 证 了 Channel Shuffle 模 块 的 竞 争 优 势。

对ConvNeXt模型的识别性能提升效果更好。

在2个模块融合情况下，Channel Shuffle模块和

Re-parameterization模块共同作用效果最好，相比于

原模块提升了7.4%，PReLU和Re-parameterization

模 块 结 合 对 准 确 率 作 用 效 果 最 低，仅 提 升 了

3.7%，验证了Channel Shuffle模块的竞争优势。

表6对应的混淆矩阵见图7。混淆矩阵显示，

原模型对特等人参和二等人参的识别精确率较

低 ，仅 为 75%。 引 入 PReLU 激 活 函 数 模 块

（NUM4）提高了二等人参的分级效果，但对特等

和一等人参没有改善，反而增加了特等人参的错

分 率 。 引 入 PReLU 激 活 函 数 模 块 和 Reparameterization 模块（NUM7）相较于嵌入 PReLU

激活函数模块和 Channel Shuffle 模块（NUM6），导

致模型性能下降，特等和二等人参的准确率分别

下降了 0.03% 和 0.08%，一等人参的准确率没有

提升。引入 3 种改进模块（NUM8）明显提高了特

等和二等人参的分级效果，降低了错分率，并且各

类人参的识别精确度均>90%，实现了更好的识别

效果。

为了直观展示试验结果和性能，绘制了改进

后 的 ConvNeXt 网 络 的 准 确 率 和 损 失 变 化 曲 线

（图 8）。训练过程中，前 75 轮模型的损失率下降

和准确率上升速度较快，之后曲线逐渐趋于稳定，

速度变慢。在训练约 110 轮，模型的准确率和损

失曲线基本平缓，表明改进后的ConvNeXt模型已

经处于饱和状态，达到了最高的识别准确率。损

失率和准确率曲线的趋势一致，说明模型整体收

敛 良 好，没 有 出 现 过 拟 合 现 象，验 证 了 改 进 后

ConvNeXt模型的有效性。

3. 7　试验模型与主流网络的对比

改进后的 ConvNeXt 网络与主流算法的对比

见表 7，按照对应原论文中原型框架和参数设置

方式，分别选择经典网络与人参数据集进行对比

试验，结合表中的4种类别性能指标，展示了改进

后 的 ConvNeXt 网 络 在 人 参 数 据 集 上 取 得 的 良

好分类性能。整体上来看，改进前的 ConvNeXt

网 络 与 ResNet-50［29］、ResNet-101［30］、DenseNet121［31］、InceptionV3

［32］相比，分别提升了 2.47%，

表6 不同模块组合的ConvNeXt 试验模型对比

Table 6 Comparison of ConvNeXt experimental models with different module combinations %

序号

1

2

3

4

5

6

7

8

方法

ConvNeXt

ConvNeXt +Channel Shuffle

ConvNeXt +Re-parameterization

ConvNeXt +PReLU

ConvNeXt +Channel Shuffle +Re-parameterization

ConvNeXt +Channel Shuffle +PReLU

ConvNeXt +PReLU+Re-parameterization

ConvNeXt +Channel Shuffle +Re-parameterization+PReLU（Our model）

准确率

85.19

89.51

90.12

86.42

92.59

91.36

88.89

94.44

精确度

77.72

84.21

85.09

79.47

88.77

87.04

83.33

91.58

召回率

78.06

84.80

85.23

79.60

89.31

87.28

83.73

91.04

特异度

88.80

91.98

92.55

89.76

94.33

93.42

91.58

95.82

准确率波

动δ

-

↑3.70

↑4.93

↑1.23

↑7.40

↑6.48

↑3.70

↑9.25

798

翟梦婷，等：基于改进ConvNeXt网络的人参分级模型

吉林农业大学学报 Journal of Jilin Agricultural University

1.86%，0.62% 和 4.94%，且召回率为 78.06%，说明

了原ConvNeXt网络结果较为稳定，且相比于传统

网络性能较优。改进后的 ConvNeXt 网络相较于

原基础 ConvNeXt 模型其准确率、精确率、召回率

以及特异度分别提高了9.25%，13.86%，12.98%和

7.02%，且 多 项 指 标 优 于 Vision Transformer［33］和

Swim Transformer 网络，平均准确率达到 94.44%，

其取得较好的效果有以下3个原因：首先，在主干

网络下采样后加入通道混洗，使通道特征充分

融合，提升了网络运行精度；其次，在 ConvNeXt

Block中加入重新参数化模块，保持了网络的高精

度；最后，PReLU 激活函数增加了神经网络模型

的非线性变异性，提升网络运行速率［34］

。该模型

能够为后续在人参外观质量识别中的应用提供有

价值的参考。各网络模型识别分类准确率及曲线

见图8。

图8　改进后ConvNeXt 准确率与损失率变化

Fig. 8 Variation curve of ConvNeXt accuracy and loss rate after improvement

图7　与表中方法相对应的可视化混淆矩阵

Fig. 7 Visual confusion matrix corresponding to the methods in the table

799

吉林农业大学学报 2023 年 12 月

Journal of Jilin Agricultural University 2023，December

3. 8　试验模型与专家鉴定结果的比较

研究重视对专家鉴定准确率的获取方法。为

了达到这一目的，本试验由吉林农业大学中药材

学院李伟教授进行鉴定。专家按照预先确定的评

估指标（表 1）对样本进行仔细地观察和分析，并

作出了鉴定结果。通过提供明确的鉴定指南，使

用适当的统计方法对鉴定结果进行了汇总和分

析，例如计算平均值、方差或置信区间等，以获取

更全面的结果，确保鉴定过程的可靠性和一致性。

专家鉴定与 ConvNeXt 模型的准确率比较见

表8，由表可知，ConvNeXt模型在所有等级人参分

级任务上都实现了较高的准确率。与专家鉴定结

果相比，模型在特等人参的鉴定准确度上提升了

7.86%，在一等人参上提升了 8.71%，在二等人参

上提升了 3.30%。证明了 ConvNeXt 模型在人参

分级准确性方面具有明显的优势，能够更好地捕

捉人参图像的特征并进行有效分级。

试验模型在人参分级任务中的高准确率表

现，表明了其在实际应用中的必要性。通过使用

ConvNeXt模型，可以实现对不同等级人参的精准

分级，避免了依赖专家鉴定的主观性和人为偏差。

同时，该模型的高效性使得人参分级识别可以快

速进行，提高了工作效率。这证明了该模型在解

决人参分级困难问题上的必要性和有效性，为人

参分级任务提供了一种精准、高效的解决方法。

表8　专家鉴定与ConvNeXt模型准确率比较

Table 8 Comparison of expert assessment and Con⁃

vNeXt model accuracy %

人参等级

特等人参

一等人参

二等人参

专家鉴定准确率

82.50

83.70

88.90

ConvNeXt模型准确率

90.36

92.41

92.20

表7 不同卷积神经网络模型试验结果对比

Table 7 Comparison of experimental results of different convolutional neural network models %

模型

ResNet-50

ResNet-101

DenseNet-121

InceptionV3

ConvNeXt

Vision Transformer

Swim Transformer

ConvNeXt +Channel Shuffle +Re-parameterization(ours)

准确率

82.72

83.33

84.57

80.25

85.19

91.98

90.12

94.44

精确度

74.08

74.96

83.31

70.42

77.72

88.14

85.11

91.58

召回率

74.12

75.58

77.15

70.58

78.06

87.94

84.98

91.04

特异度

86.94

87.31

88.28

85.10

88.80

93.95

92.61

95.82

图9　各模型的准确率与损失率变化

Fig. 9 Changes in accuracy and loss rate of each model

800

翟梦婷，等：基于改进ConvNeXt网络的人参分级模型

吉林农业大学学报 Journal of Jilin Agricultural University

4　讨论与结论

本研究提出了一种基于融合通道混洗与重参

数化改进的 ConvNeXt 模型，用于人参分级任务。

该模型在解决不同等级人参分级困难问题上表现

良好，实现了精准、高效的人参分级识别。通过对

数据增强、通道混洗模块、结构重参数化模块、激

活函数和改进后的ConvNeXt模型进行分析，得出

以下结果：（1）数据增强方法对数据集进行处理，

扩增前后的数据集分别为 1 480张和 5 116张，经

试验结果显示，扩增后数据集的准确率提升了

7.3%，证明了数据增强的有效性；（2）在下采样层

后嵌入通道清洗模块，证明了跨通道信息交互的

增强对提高模型精度的有效性；（3）增加优化后的

结构重参数化模块，证明了增大模型特征提取能

力的优越性；（4）使用PReLU函数替代GELU激活

函数，准确性提高了 2.77%，损失值减少了 0.033，

平均耗时为 23.94 s/epoch，速度提升了 3.08 s，证

明了合适的激活函数能够解决消失梯度问题，提

取特征细节信息，提高了网络运行精度；（5）改

进 后 的 ConvNeXt 模 型 在 测 试 集 上 的 准 确 率 为

94.44%，相 较 于 常 见 分 类 模 型 ResNet-50、

ResNet-101、DenseNet-121 和 InceptionV3 分别高

出 11.41%，11.41%，9.62% 和 13.89%，在先进网络

Vision Transformer 和 Swim Transformer 上 提 高 了

2.71% 和 4.4%，平 均 召 回 率 和 特 异 度 分 别 为

97.11%和94.40%，能够准确识别人参等级。

本研究以吉林农业大学中药材学院专家李伟

教授合作收集的人参质量标签作为参考，将模型

的预测结果与专家鉴定结果进行对比，观察到模

型在人参分级任务中能够准确地对人参进行等级

识 别，并 优 于 专 家 鉴 定 结 果，验 证 了 改 进 后 的

ConvNeXt 模型能够高效定位并提取不同等级人

参图片中的微小特征差异。为进一步验证该模型

的可靠性和适应性，希望在未来的工作研究中，可

以增加更多的数据样本，覆盖更广泛的人参品种

和外观特征，并结合其他相关信息进一步提升模

型的预测能力，为人参等级的智能化分级提供一

定的技术支持。

参考文献：

［1］ 吕晓波，杨明，迟丽华，等. 人参产业标准现状分析［J］. 人

参研究，2015，27（4）：55-57.

［2］ 张崇禧，郑友兰，孙立诚，等. 吉林人参产业及科研的现状

和特点［J］. 人参研究，2001，13（2）：5-8.

［3］ Dai Q， Li L， Xu G， et al. Study on the correlation between

morphological characteristics and chemical constituents of gar⁃

den ginseng， mountain transplanted ginseng and mountaingrown ginseng based on “Evaluating quality from morphologi⁃

cal characteristics”［J］. China Pharmacy，2020：650-655.

［4］ 杨光，曾燕，郭兰萍，等. 中药材商品规格等级标准研究现

状及几个关键问题的商榷［J］. 中国中药杂志，2014，39

（9）：1733-1738.

［5］ 祝之友 . 人参的鉴别要点［J］. 中国中医药现代远程教育，

2017，15（22）：83.

［6］ 杨光，王诺，詹志来，等. 中药材市场商品规格等级划分依

据现状调查［J］. 中国中药杂志，2016，41（5）：761-763.

［7］ Li M， Zhang X， Liu S， et al. Partly interpretable machine

learning method of ginseng geographical origins recognition

and analysis by hyperspectral measurements［J］. Spectroscopy

and Spectral an Alysis，2022，42（4）：1217-1221.

［8］ Grinblat G L， Uzal L C， Larese M G， et al. Deep learning for

plant identification using vein morphological patterns［J］. Com⁃

puters and Electronics in Agriculture， 2016， 127（9）：

418-424.

［9］ Kadir A ， Nugroho L E ， Susanto A ，et al.Leaf classification

using shape， color， and texture features［J］. International

Journal of Computer Trends and Technology，2011：225-230.

［10］ Carranza-Rojas J， Goeau H， Bonnet P. Going deeper in the

automated identification of herbarium specimens［J］. BMC

Computers and Electronics in Agriculture， 2017， 17

（1）：181.

［11］ 马文浩. 基于卷积神经网络和 CTGAN 数据增强的中药材

产地溯源研究［D］. 杭州：浙江工商大学，2023.

［12］ Li D， Piao X， Lei Y， et al. A grading method of ginseng

（Panax ginseng C. A. Meyer） appearance quality based on

an improved ResNet50 model［J］. Agronomy，2022，12（12）：

2925.

［13］ Sun X， Qian H. Chinese herbal medicine image recognition

and retrieval by convolutional neural network［J］. PLoS One，

2016，11（6）： e0156327.

［14］ Zhang X Y， Zhou X Y， Lin M X，et al. ShuffleNet： An ex⁃

tremely efficient convolutional neural network for mobile de⁃

vices［C］. Salt Lake City： IEEE/CVF Conference on Com⁃

puter Vision and Pattern Recognition，2018.

［15］ Wightman R， Touvron H，Jégou Hervé.ResNet strikes back：

An improved training procedure in timm［J］. Computer Vi⁃

sion and Pattern Recognition， 2021， DOI：10.48550/

arXiv.2110.00476.

［16］ 冀常鹏，陈浩楠，代巍 . 基于 GSNet的番茄叶面病害识别

研究［J］. 沈阳农业大学学报，2021，52（6）：751-757.

［17］ 陈浩楠. 基于深度学习的阔叶型作物叶面病虫害辨识［D］.

阜新：辽宁工程技术大学，2022.

［18］ Bello I， Fedus W， Du X， et al. Revisiting ResNets： Im⁃

proved training and scaling strategies［J］. Advances in Neural

Information Processing Systems，2021，34：22614-22627.

［19］ 越皓 . 吉林道地药材人参： T/TH202［S］. 长春：长春中医

药大学出版社，2021.

［20］ Crnjanski J， Krstić M， Totović A. Adaptive sigmoid-like and

801

吉林农业大学学报 2023 年 12 月

Journal of Jilin Agricultural University 2023，December

PReLU activation functions for all-optical perceptron［J］. Op⁃

tics Letters， Optica Publishing Group，2021，46（9）：2003-

2006.

［21］ Yang Yukang， Hao Xu，Lu Lu. ASD-ISSPA： Adaptive sto⁃

chastic droppath and interactive slowsemi-polarized attention

based on FPN for object detection［C］. Italy：2022 Interna⁃

tional Joint Conference on Neural Networks （IJCNN），2022.

［22］ Virginia G D，Andrea T，Jun U， et al. Novel yeast taxa from

the cold： Description of Cryolevonia giraudoae sp. nov. and

Camptobasidium gelus sp. nov.［J］. International Journal of

Systematic and Evolutionary Microbiology，2020，70（6）：

3711-3717.

［23］ Wen Jinming. A ReLU-based hard-thresholding algorithm

for non-negative sparse signal recovery［R］. Guangzhou：

Guangzhou Jinan University，2023.

［24］ Wan W， Zhang G， Chen M，et al.Medical image segmenta⁃

tion with wavelet transform and information fusion［J］. Pro⁃

ceedings of SPIE - The International Society for Optical Engi⁃

neering，2005，5637：118-126.

［25］ 韩兵，李东明 .基于混合云技术的农业信息化平台架构的

研究［J］.吉林农业大学学报，2020，42（6）：693-698.

［26］ Wen Y F， Lin Y S.Energy-efficient data aggregation routing

and duty-cycle scheduling in cluster-based sensor networks

［C］. Salt Lake City： IEEE Consumer Communications & Net⁃

working Conference，2007.

［27］ Yin X Y， Goudriaan J， Lantinga E A， et al. A flexible sig⁃

moid function of determinate growth［J］. Annals of Botany，

2003，91（3）：361-371.

［28］ Lecun Y， Bengio Y， Hinton G. Deep learning［J］. Nature，

2015，521（7553）：436.

［29］ Wen L， Li X， Gao L. A transfer convolutional neural network

for fault diagnosis based on ResNet-50［J］. Neural Comput⁃

ing and Applications，2020，32（10）：6111-6124.

［30］ Sachin K，Saurabh P，Pratap V S， et al. Performance evaluation

of ResNet model for classification of tomato plant disease［J］.

Epidemiologic Methods，2023，12（1）：20210044.

［31］ Sheng V S. Multi-resolution image segmentation based on a

cascaded U-ADenseNet for the liver and tumors［J］.Journal

of Personalized Medicine，2020，11（10）：1044.

［32］ Liu Z， Yang C， Huang J. Deep learning framework based on

integration of S-Mask R-CNN and Inception-v3 for ultra⁃

sound image-aided diagnosis of prostate cancer［J］. Future

Generation Computer Systems，2021，114：358-367.

［33］ Sha H， Wang Z Y， Wang X Q， et al. A lightweight hybrid vi⁃

sion transformer network for radar-based human activity rec⁃

ognition［J］. Scientific Reports，2023，13（1）：17996.

［34］ 黄巍，唐友 . 物联网+区块链的饲料供应链金融信息服务

平台［J］. 吉林农业大学学报，2021，43（2）：218-223.

（责任编辑：王希）

802

吉林农业大学学报 2023，45（6）：Ⅰ-Ⅵ http : // xuebao.jlau.edu.cn

Journal of Jilin Agricultural University E⁃mail : jlndxb@vip.sina.com

2023年第45卷总目次

第 1 期

寄生蜂细胞色素P450s研究进展 ………………………………………………… 任炳忠，纪若云，陈琪（1）

利用籼粳交RIL群体进行水稻耐冷性鉴定及QTL定位

……………………………………………… 吴娴，瞿岩俨，王倩，王忠妮，冉茂胜，张玉珊，朱速松（9）

大豆磷转运蛋白GmPHO1；7基因克隆、表达分析与功能

………………………………………………………… 刘丽薇，付禹，于人杰，何旭，杨雪，杨美英（14）

毛头鬼伞菌株降解玉米秸秆的效果 ………………………… 苏玉春，李文斌，汪树生，孙菲阳，陈光（22）

长春地区潜叶蝇寄生蜂种类的初步调查…………… 陶淑霞，陆子慧，薛丹，张思远，林显基，范思文（30）

Fourier变换近红外光谱在人参产地溯源中的应用 …………… 邢琳，任谓明，赵丹，汪树理，李月茹（36）

秸秆腐解及其热转化产物对黑土的培肥效果 …… 白月，窦森，孙建华，李双翼，鲁强，段宏美，郑爽（42）

模拟玉米秸秆及其生物炭还田对黑土有机质数量及化学结构特征的影响

………………………………………………………………… 刘瑞雪，耿明昕，窦森，关松，李阳（51）

添加畜禽粪对秸秆田间条带堆腐土壤团聚体特征及有机碳的影响…………………… 李虎，吴景贵（61）

秸秆还田配施锌肥对土壤养分和春玉米产量的影响

………………………………………………… 孟祥齐，王一丁，曹国军，王淑华，张美玲，耿玉辉（69）

茶园土壤交换性钙镁离子含量及其与主要养分相关性………………… 彭赞文，刘茜，瞿小杰，廖恒（77）

褐煤提质废水生物处理系统启动期菌群结构变化……… 邓欢，陆海，张小雨，刘志生，闫博佼，任贺（83）

Smad1在鹅胚胎期皮肤毛囊的表达及分布规律分析

……………………………………… 周宇轩，李晟毅，宋玉朴，冯自强，刘托娅，林广宇，孙永峰（94）

1株多重耐药大肠杆菌噬菌体的分离、鉴定、生物学特性及全基因组分析

…………………………………………………… 魏炳栋，丛聪，于维，徐永平，李纪彬，李淑英（101）

高浓度NEFAs血症通过抑制PGC-1α引起奶牛肝细胞脂质蓄积

………………………………………………… 王兴慧，朱艺玮，李伟，李金霞，李心慰，刘国文（116）

吉林农业大学学报 2023 年 12 月

Journal of Jilin Agricultural University 2023，December

狂犬病病毒感染改变小鼠Toll样受体及相关细胞因子的表达

………………………………………………… 衣惠鑫，张健，张岩，霍明赫，冯烨，涂长春，刘艳（121）

第 2 期

光受体和赤霉素对植物开花协同作用的研究进展

………………………………………………… 关淑艳，张洪琳，蒋振忠，焦鹏，刘思言，马义勇（127）

有机肥替代化肥氮对稻田田面水氮素浓度变化及产量的影响………………… 叶鑫，张鑫，隋世江（137）

水氮耦合效应对玉米产量、干物质积累及氮素吸收分配的影响…… 邹欣，曹国军，耿玉辉，戚昕元（143）

越橘离体茎尖包埋玻璃化超低温保存……… 毛宇金，李娴，张志东，苏原慧，梁杉，孙海悦，李亚东（155）

吉林省3种典型农耕土壤酸碱缓冲性能及影响因素 ……… 赵旋彤，王鸿斌，赵兰坡，赵兴敏，王娇（163）

外源有机物对淡黑钙土碳酸盐的干扰效应 ……… 王韵瑶，王玮瑜，李传松，张亦婷，肖帆，赵兴敏（172）

秸秆还田与生物炭施用影响黑土有机质并缓解土壤酸化 ………… 耿明昕，关松，孟维山，王曦若（178）

Cd在不同盐碱化土壤中的解吸特性 ……………… 颜廷玉，王荣兴，金春玉，马秀兰，孙方圆，韩兴（188）

吉林省镍矿区附近设施蔬菜安全生产与风险评价

………………………………………… 龙振华，李想，丁乙航，赵子郡，DO HoaiThuong，李明堂（195）

吉林省畜禽粪便耕地负荷量估算及预警分析………………… 车晓翠，郭聃，张春燕，李洪丽，赵玲（204）

刺五加苷E对脂多糖介导的仔猪小肠上皮细胞屏障功能基因表达的影响

…………………………………………………………………… 胡枭偲，赵宝，范越蠡，车东升（213）

基于RNA-Seq数据分析油酸对牛前体脂肪细胞分化及PPAR信号通路的影响

………………………………………………………………… 金哲勇，张军芳，唐琳，李强，金鑫（221）

直投式护色食窦魏斯氏菌产品的制备…………………… 曲红叶，刘超然，董雨露，胡瑞峰，刘学军（228）

蘑菇-玉米秸秆缓冲材料的制备及其性能 ………………… 张洁婧，赵婕，庞英楠，何佩佩，张建峰（237）

内置轮式气吸排种器设计与试验 ………………………………… 毛世维，李洪刚，黄东岩，袁洪印（243）

第 3 期

寄生蜂外周嗅觉识别系统的研究进展………………………………………… 任炳忠，纪若冰，陈琪（253）

中国大豆害虫发生为害动态及其影响因素……………………………………… 高宇，崔娟，史树森（264）

Ⅱ

2023年第45卷总目次

吉林农业大学学报 Journal of Jilin Agricultural University

苏打盐碱地水稻秆腐菌核病危害特征及其防治关键技术

…………………………………………… 张佳环，王贺，金哲宇，高明瑞，杨福，李景鹏，张治安（272）

莠去津胁迫下外源谷胱甘肽对黄瓜幼苗生长发育的影响

………………………………………………… 张露文，宋述尧，陈姗姗，苏丽影，孙凯，苏雪娇（279）

SS31菌肥对玫瑰香葡萄土壤微生物代谢及叶片荧光特性的影响

…………………………………………………… 苏宏，田淑芬，商佳胤，王丹，黄建全，王超霞（285）

人参栽培对土壤原核微生物群落结构及其功能的影响

………………………………………………………… 张伟，王威，王丽，郭冰珠，潘静，崔俊涛（298）

磷胁迫对人参植株中营养元素及皂苷的影响 ………… 吕林，张亚玉，孙海，左湘熙，吴晨，钱佳奇（307）

不同产地蒙古黄芪毛蕊异黄酮葡萄糖苷含量与土壤因子的关系 ……… 吴培，孙卓，韩梅，杨利民（316）

加压热水浸提银耳多糖的工艺优化、结构鉴定及抗氧化活性分析

………………………………………………………… 张闪闪，杨嘉丹，赵文婷，刘鸿铖，刘婷婷（324）

淫羊藿叶多糖提取纯化及其对小鼠酒精性肝损伤的预防作用………………… 潘佳，邱悦，沈明浩（332）

不同改良剂及组合对苏打盐碱土改良效果 ………… 肖帆，王韵瑶，王鸿斌，赵兰坡，赵兴敏，隋标（340）

添加秸秆对不同有机含量土壤腐质化特征及酸度的影响

………………………………………… 王娇，王鸿斌，赵兰坡，赵兴敏，赵旋彤，高江伟，田俊奇（346）

乙草胺在玉米田黑土中的沉积与土壤微生物和酶活性的关系

…………………………………………………… 霍云雷，郑丽宁，翟乾行，张金鹏，林杨，张浩（354）

自然降雨条件下不同水土保持措施对坡耕地土壤侵蚀的影响

……………………………………………………………… 王识然，张琪，崔佳慧，刘健，王宇（359）

SETD2在猪卵母细胞体外成熟中的作用………………………… 高乐鹏，余思聪，刘双，马馨，李所（365）

水貂犬瘟热Vero细胞活疫苗对北极狐安全性和免疫效力评价

…… 冯二凯，施鹏飞，罗国良，张淼，易立，孙娜，陈立志，程世鹏，尹茉莉，任飞，王振军，程悦宁（372）

第 4 期

吉林省肉牛产业发展现状及对策……………………………………………………………… 吕文发（379）

华西牛新品种培育及对我国肉牛育种的启示

…………………………… 张天留，王泽昭，朱波，陈燕，张路培，徐凌洋，高会江，高雪，李俊雅（385）

Ⅲ

吉林农业大学学报 2023 年 12 月

Journal of Jilin Agricultural University 2023，December

吉林省肉牛良种扩繁技术与瓶颈 ……………………… 于淞，郑毅，郭海祥，王皓琪，张嘉保，袁宝（391）

延边黄牛保种工作现状、存在问题与对策…………………………… 侯丽娜，武泽文，张魁，高会江（396）

中国北方节粮型肉牛生产的背景及其策略 ………… 杨连玉，耿春银，刘博，冯鑫，吕文发，秦贵信（402）

粮食产区秸秆变肉的实现模式 …………………………………… 曹建民，李典潼，赵一鸣，王云霞（410）

农作物秸秆饲料化技术分析及在动物生产中的应用进展

…………………………………………………………… 高晶，尹相明，王东成，王德辉，魏大勇（414）

不同藜麦营养成分变化及饲用价值……………………………… 孔祥芬，陈欢，孙春玉，孙旸，陈光（420）

我国肉牛屠宰加工产业发展现状及对策研究 ……… 魏萌，张丽，张一敏，李善珍，赵改名，孙宝忠（429）

宰前补饲维生素D3调控牛肉嫩度的研究进展

…………………………………… 郝贝贝，宋霁轩，白锦蕙，张聪聪，张馨心，司马胜雪，夏广军（437）

延边牛基因组的遗传变异与受选择分析 …………………………………………… 王文祥，雷初朝（444）

延边黄牛臀肉与眼肉组织非靶向代谢组学比较分析

…………………………………………………… 孙斌，崔岩，王伟利，唐琳，王英，李强，李香子（451）

菌酶协同对肉牛膨化玉米秸秆型发酵全混合日粮品质的影响

………………………………………………… 萨如拉，徐均钊，包呼格吉乐图，朱全胜，牛化欣（461）

不同添加剂量的3-硝基酯-1-丙醇对体外瘤胃发酵参数及细菌多样性的影响

…………………………………… 包文君，李倜宇，吴白乙拉，郑廷钫，玄天宝，李泰霖，秦炜赜（467）

佐剂对IBRVΔgG/ΔTK双基因缺失活疫苗牛体攻毒保护效果的影响

…………………………………… 王琛，张一，李庆妮，陈建国，陈颖钰，陈曦，胡长敏，郭爱珍（476）

基于物联网的肉牛智能养殖系统设计与研究 ………… 李健，徐帆，谢易宸，刘烁，王新鹏，付海涛（485）

北方冬季肉牛舍环境控制技术的发展与应用

…………………………… 李胤知，赵贺，贺腾飞，易广，刘天旭，王汐琳，孙芳，李建功，陈昭辉（497）

物理吸附剂联合SBR处理养殖废水的效果 ………… 朱彦宾，张敬一，许湘竹，巴桑旺堆，高云航（505）

第 5 期

益生菌在维护宠物健康及疾病防治中的应用及作用研究进展…………… 李虹晔，王春凤，杨桂连（513）

Ⅳ

2023年第45卷总目次

吉林农业大学学报 Journal of Jilin Agricultural University

玉米百粒重及单株产量遗传改良效果 …………… 马文宇，杨巍，任雪娇，王英百，姜良宇，杨伟光（523）

玉米种子特异启动子GBSSⅠ的克隆及其功能分析

……………………………………… 张国珍，范杰英，韦正乙，坚伟宁，左朋，郑大浩，邢少辰（531）

烟草2种病害的增长模型及赤星病预测模型研究 …………… 曹哲铭，李北，赵昌洲，高洁，马贵龙（539）

暴马桑黄甲羟戊酸激酶基因的克隆及差异表达分析………… 刘增才，孙婷婷，孙健，马依莎，邹莉（547）

暴马丁香花提取物对辣椒贮藏期间理化指标的影响 ………………… 潘莹，齐军航，谭联，张晓明（553）

软枣猕猴桃枝条越冬抗寒性比较及其生理差异分析…………………………… 曹健冉，赵滢，艾军（558）

不同秸秆还田方式对土壤团聚体稳定性及有机碳含量的影响

……………………………………………… 冯秋苹，刘玉涛，郭勇智，王呈玉，刘世杰，刘淑霞（564）

不同秸秆利用方式对黑土团聚体及其腐殖物质的影响

………………………………………… 林欣欣，刘思佳，关松，张晋京，任军，蔡红光，刘日月（572）

秸秆还田对苏打盐碱稻区土壤团聚体分布及有机碳含量的影响

……………………………… 赵哲萱，冉成，孟祥宇，白天奇，赵明明，郭丽颖，邵玺文，耿艳秋（582）

秸秆还田和氮肥供应对设施番茄土壤肥力与氮素淋溶的影响

…………………………………………………………… 李杨，孙玉禄，刘晓辉，高晓梅，敖静（592）

民猪从头组装（de novo）的基因组序列特征分析 ……………………… 张冬杰，何鑫淼，汪亮，刘娣（600）

绒山羊波形蛋白基因启动子的克隆及活性检测 …… 胡小玉，梁加越，冯娟，王笑冰，王东，肖红梅（609）

粪肠球菌B-8和棒状乳杆菌W-17对鲫鱼非特异性免疫基因表达的影响

………………………………………………… 冯超，邵美玲，王景霖，田佳鑫，王煦童，钱爱东（617）

藜麦淀粉微球的制备及性能表征

……………………………… 丁瑞瑞，宋婉莹，罗阳，李艳丽，陈欢，张斯童，孙科，陈光，王刚（625）

穗茎兼收型玉米联合收割机粉碎装置设计与试验 …………………… 王景立，刘敏，吴瑕，冯伟志（633）

第 6 期

我国人参加工炮制和产业化发展现状与展望 …………………………………………… 刘伟，李伟（639）

吉林省人参产业现状及发展对策研究……………………… 张志财，陈晓林，张恺新，张瑞，王英平（649）

Ⅴ

吉林农业大学学报 2023 年 12 月

Journal of Jilin Agricultural University 2023，December

人参食品开发现状与发展趋势………………………………………………… 李伟，李佳慧，王建强（656）

人参的化学成分与转化机理研究进展 …………………………………… 刘伟，刘永博，王梓，李伟（664）

稀有人参皂苷的生物转化及其降血糖活性研究进展

……………………………………… 孙美，李继文，马金颖，李中玉，李珂珂，鲁明明，弓晓杰（674）

植物激素在人参皂苷生物合成中的作用及调控机制 …………………… 梁浩，孙海，邵财，张亚玉（685）

人参皂苷生物合成相关基因PgRg2BBE克隆及生物信息学分析

………………………………………… 李傲，刘思章，王义，王康宇，朱蕾，李俐，姜悦，王艳芳（693）

人参皂苷Rg1对Fusarium solani诱导作用及相关酶活性的影响

………………………………… 张善铭，陈彦霏，冯时，田义新，许永华，张连学，高洁，卢宝慧（702）

氮素形态对人参氮代谢相关酶活性的影响 ……… 巩金壮，焉学倩，陈艳阳，杨平，代鸣涛，许永华（709）

人参根际PGPR的分离鉴定及其促生效果

……………………………… 关雪梅，刘思雨，王义，刘思章，于靖辉，汪树理，张爱华，王艳芳（716）

人参属植物炭疽病菌致病机制研究进展 ………… 杨一帆，占浩鑫，陈禹彤，卢宝慧，刘丽萍，高洁（725）

土壤元素过量驱动人参红皮病形成的研究进展

………………………………………………… 杨可欣，金桥，刘政波，张淋淋，关一鸣，王秋霞（737）

防治人参菌核病新型高效低毒农药室内筛选

…………………………… 冯时，孙国刚，冯志伟，白洁，宋明海，杨丽娜，王雪，卢宝慧，高洁（747）

人参外部形态特征与小孢子发育时期的相关性研究

……………………………………………………… 王轶晗，张浩，杨鹤，杨玉坤，方平，王英平（756）

人参产地趁鲜切制技术对人参有效成分含量的影响……………… 张昊，刘伟，朱亮亮，任珅，李伟（763）

不同加热方式对丙二酰基人参皂苷降解的影响及抗氧化活性的变化

…………………………………………………… 张单丽，李梦瑶，王东升，温馨，李嘉欣，刘志（773）

不同制备方法对野山参色泽、氨基酸及皂苷含量的影响

……………………………………………………… 付育臣，周季欣，吴灵梅，金梦真，张亚玉（781）

基于改进ConvNeXt网络的人参分级模型 ………………… 翟梦婷，张丽娟，朴欣茹，李伟，李东明（791）

Ⅵ