使用太赫兹时域光谱学与卷积神经网络相结合,区分来自不同来源的 pericarpium citri reticulatae

科学领域:

• 农业科学 农业科学
• 频谱学是一种光谱学.
• 机器学习 机器学习

背景情况:

• 地理来源对Pericarpium Citri Reticulatae (PCR) 的质量和定价产生重大影响.
• 需要准确和非破坏性方法来确定PCR的来源,以确保质量控制和公平贸易.

研究的目的:

• 开发一种非破坏性的方法来区分Pericarpium Citri Reticulatae (PCR) 和不同的地理来源.
• 评估太赫兹时域光谱学 (THz-TDS) 与卷积神经网络 (CNN) 结合用于PCR来源识别的有效性.

主要方法:

• 使用太赫兹时域光谱 (THz-TDS) 来从PCR样本中收集光谱数据.
• 一维CNN (1D-CNN) 和二维CNN (2D-CNN) 模型是使用光谱和图像转换数据 (GAF,MTF,RP) 开发的.
• 研究了融合方法,包括Add-CNN模型,以结合光谱和图像数据以提高准确性.

主要成果:

• 1D-CNN模型使用SNV处理的光谱数据实现了82.99%的准确性.
• 2D-CNN模型利用格拉米安角场,马尔科夫过渡场和重复图形转换,达到78.33%的准确性.
• 综合光谱和图像数据的Add-CNN模型表现出卓越的性能,准确度为86.17%.
• 转换的重要性确定了Add-CNN模型的关键频率,使得准确的来源识别.

结论:

• THz-TDS和CNN的组合,特别是Add-CNN模型,为确定PCR的地理来源提供了一个强大的,非破坏性的方法.
• 这种方法在确保Pericarpium Citri Reticulatae产品的可追溯性和质量控制方面具有重大潜力.