应用色度传感器阵列与机器学习方法相结合,以根据新鲜度区分谷物
Yue Liang1, Hao Lin1, Wencui Kang1
1School of Food and Biological Engineering, Jiangsu University, Jiangsu, China.
Journal of the science of food and agriculture
|June 12, 2023
概括
一个新的色度传感器阵列 (CSA) 有效量化谷物中的挥发性有机化合物 (VOC). 这种非破坏性方法使用机器学习模型和光谱学准确检测谷物的新鲜度.
科学领域:
- 农业科学 农业科学
- 分析化学 分析化学
- 传感器技术 传感器技术
背景情况:
- 谷物中的挥发性有机化合物 (VOC) 随新鲜度而变化.
- 开发了一种新的色度传感器阵列 (CSA) 来量化谷物VOCs.
- 监测VOC的变化是评估谷物质量的关键.
研究的目的:
- 开发一种非破坏性的检测谷物新鲜度的方法.
- 使用CSA.量化谷物中的挥发性有机化合物 (VOCs).
- 为了比较用于VOC分析的光谱数据采集和图像处理.
主要方法:
- 可见近红外光谱和基于计算机的图像处理用于CSA数据采集.
- 机器学习算法包括协同的间隔部分最小方程,遗传算法,竞争性适应性重权取样 (CARS) 和群优化 (ACO) 进行变量选择.
- 主要组件分析 (PCA),线性判别分析 (LDA) 和K-最近邻居 (KNN) 用于分类和定量模型开发.
主要成果:
- 可见近红外光谱学提供了与PCA图像处理相比更好的谷物新鲜度水平的分离.
- LDA模型实现了高预测准确度:大米100%;米96.88%;大豆97.9%.
- 基于遗传算法的LDA和KNN模型显示出卓越的预测性能,正确识别了100%的米和米,以及95.83%的大豆样本.
结论:
- 开发的方法提供了一种非破坏性的方法来评估谷物新鲜度.
- CSA,光谱和机器学习的结合为谷物质量监测提供了一个强大的工具.
- 这种技术在农业行业有潜在的应用,用于质量控制.
