一个轻量级的卷积神经网络,用于通过近红外光谱学预测烟草中的尼古丁

科学领域:

• 农业科学 农业科学
• 分析化学 分析化学
• 机器学习 机器学习

背景情况:

• 烟草的质量受到尼古丁含量的影响.
• 近红外光谱 (NIR) 提供了一种快速,非破坏性的烟草分析方法.
• 准确的尼古丁量化对于烟草行业的质量控制至关重要.

研究的目的:

• 开发和评估一种新的轻量1D-CNN回归模型,用于预测烟叶中的尼古丁含量.
• 将轻量1D-CNN模型的性能与使用NIR光谱数据的其他回归方法进行比较.
• 展示深度学习在提高烟草质量评估方面的潜力.

主要方法:

• 使用了来自烟草叶的近红外 (NIR) 光谱数据.
• 萨维茨基-戈莱 (SG) 平滑用于光谱预处理.
• 为了尼古丁含量预测,开发了一种具有批量正常化的轻量级1D-CNN模型.
• 该模型的性能与支向量回归 (SVR) 和部分最小平方回归 (PLSR) 进行了比较.

主要成果:

• 轻量级1D-CNN模型实现了0.14.4的根平均平方误差 (RMSE).
• 获得了0.95的确定系数 (R2) 和5.09的剩余预测偏差 (RPD).
• 与SVR和PLSR相比,轻量级1D-CNN模型表现出卓越的准确性和稳定性.

结论:

• 轻量级1D-CNN模型为准确分析烟草中的尼古丁含量提供了一个客观而强大的方法.
• 这种深度学习方法显著优于现有的NIR光谱数据分析方法.
• 开发的模型有可能大大改善烟草行业的质量控制过程.