CNN-LSTM神经网络用于识别不同物理状态的预煮面食产品,使用红外光谱学

科学领域:

• 分析化学 分析化学
• 食品科学 食品科学 食品科学
• 频谱学是一种光谱学.

背景情况:

• 红外 (IR) 光谱是一种快速,非破坏性的技术,在食品工业中越来越多地使用.
• 使用红外光谱的深度学习模型用于分类制小麦产品,特别是意大利面食,代表性不足.
• 精确分类不同物理状态 (如冷,解) 的意大利面对于质量控制至关重要.

研究的目的:

• 开发和验证基于IR光谱数据的深度学习模型来对意大利意大利面进行分类.
• 评估模型在区分冷和解的意大利面样品方面的表现.
• 解决在意大利面产品识别中现有的模型的局限性.

主要方法:

• 使用红外 (IR) 光谱仪从意大利意大利面样本收集光谱数据.
• 开发了一种混合深度学习模型,将一维卷积神经网络 (1D-CNN) 用于特征提取和长短期记忆 (LSTM) 网络用于序列信息.
• 应用主要组件分析 (PCA) 在模型输入之前预处理光谱数据.

主要成果:

• 在CNN-LSTM模型实现了100%的准确性,在PCA后分类解的意大利意大利面样本.
• 该模型在PCA后对意大利冷意大利面样品进行分类时显示出高准确率 (99.44%).
• 结果证实了该方法强大的分析准确性和概括能力.

结论:

• 拟议的CNN-LSTM神经网络与红外光谱学相结合,提供了一种有效和准确的方法来识别不同的意大利面产品.
• 这种方法为区分意大利面状态提供了可靠的解决方案,增强了食品认证过程.
• 该研究强调了先进的深度学习技术在食品分析中的潜力.