Dried tangerine peel is a Chinese medicine with high medicinal value. The storage age is an important indicator of its medicinal value, so it is very significant to accurately identify the storage age of dried tangerine peel. Traditional physical and chemical analysis methods can be used to achieve this goal, but these methods are limited by their operability and convenience. Near infrared (NIR) spectroscopy and machine learning have excellent performance in the rapid detection of food and pharmaceutical samples. This study investigated the novel application of integrating a hand-held NIR spectrometer combined with machine learning to rapidly and accurately identify the storage age of Xinhui dried tangerine peel. Savitzky–Golay convolution smoothing, standard normal variate (SNV), first derivative, and second derivative pretreatments were employed to preprocess spectral data. Principal component analysis (PCA) was used to reduce the spectral data dimensions and obtain the characteristic spectral variables of each sample. Support vector machine (SVM) and k-nearest neighbor were applied to establish the qualitative discriminant models. The SNV-PCA-SVM model discriminant accuracy was 99.60% in the validation set and was 96.50% in the test set, showing excellent generalization performance. The results indicated that the method of using a hand-held NIR spectrometer combined with machine learning could be applied to rapidly identify the storage age of Xinhui dried tangerine peel. This is a promising and economical hand-held NIR spectroscopic method for assuring the dried tangerine peel age on-site.

陈皮是一种具有很高药用价值的中药。贮藏年限是衡量其药用价值的重要指标，因此准确鉴别陈皮贮藏年限具有十分重要的意义。传统的物理和化学分析方法可以实现这一目标，但这些方法受到其可操作性和便利性的限制。近红外 (NIR) 光谱和机器学习在快速检测食品和药品样品方面具有出色的性能。本研究探讨了将手持式近红外光谱仪与机器学习相结合的新型应用，以快速准确地识别新会陈皮的贮藏年龄。Savitzky–Golay 卷积平滑、​​标准正态变量 (SNV)、一阶导数、和二阶导数预处理用于预处理光谱数据。主成分分析（PCA）用于减少光谱数据维度并获得每个样品的特征光谱变量。应用支持向量机（SVM）和k最近邻建立定性判别模型。SNV-PCA-SVM模型判别准确率在验证集为99.60%，在测试集为96.50%，表现出优异的泛化性能。结果表明，手持近红外光谱仪结合机器学习的方法可用于快速识别新会陈皮的贮藏年龄。这是一种有前途且经济的手持式近红外光谱方法，可用于现场确保陈皮老化。主成分分析（PCA）用于减少光谱数据维度并获得每个样品的特征光谱变量。应用支持向量机（SVM）和k最近邻建立定性判别模型。SNV-PCA-SVM模型判别准确率在验证集为99.60%，在测试集为96.50%，表现出优异的泛化性能。结果表明，手持近红外光谱仪结合机器学习的方法可用于快速识别新会陈皮的贮藏年龄。这是一种有前途且经济的手持式近红外光谱方法，可用于现场确保陈皮老化。主成分分析（PCA）用于减少光谱数据维度并获得每个样品的特征光谱变量。应用支持向量机（SVM）和k最近邻建立定性判别模型。SNV-PCA-SVM模型判别准确率在验证集为99.60%，在测试集为96.50%，表现出优异的泛化性能。结果表明，手持近红外光谱仪结合机器学习的方法可用于快速识别新会陈皮的贮藏年龄。这是一种有前途且经济的手持式近红外光谱方法，可用于现场确保陈皮老化。应用支持向量机（SVM）和k最近邻建立定性判别模型。SNV-PCA-SVM模型判别准确率在验证集为99.60%，在测试集为96.50%，表现出优异的泛化性能。结果表明，手持近红外光谱仪结合机器学习的方法可用于快速识别新会陈皮的贮藏年龄。这是一种有前途且经济的手持式近红外光谱方法，可用于现场确保陈皮老化。应用支持向量机（SVM）和k最近邻建立定性判别模型。SNV-PCA-SVM模型判别准确率在验证集为99.60%，在测试集为96.50%，表现出优异的泛化性能。结果表明，手持近红外光谱仪结合机器学习的方法可用于快速识别新会陈皮的贮藏年龄。这是一种有前途且经济的手持式近红外光谱方法，可用于现场确保陈皮老化。结果表明，手持近红外光谱仪结合机器学习的方法可用于快速识别新会陈皮的贮藏年龄。这是一种有前途且经济的手持式近红外光谱方法，可用于现场确保陈皮老化。结果表明，手持近红外光谱仪结合机器学习的方法可用于快速识别新会陈皮的贮藏年龄。这是一种有前途且经济的手持式近红外光谱方法，可用于现场确保陈皮老化。