基于近红外光谱学和机器学习算法对米味的非破坏性质量分类
Edenio Olivares Díaz1, Haruka Iino1, Kento Koyama1
1Graduate School of Agricultural Science, Hokkaido University, Kita-9 Nishi-9 Kita-Ku, Sapporo 060-8589, Japan.
机器学习模型使用近红外光谱准确地对米味质量进行了分类. 这种非破坏性方法提高了对大米和其他农产品的质量控制.
科学领域:
- 农业科学 农业科学
- 食品科学 食品科学 食品科学
- 数据科学数据科学数据科学
背景情况:
- 米的味道质量对于消费者接受至关重要,并受到蛋白质和粉含量的影响.
- 为了提高行业标准,需要准确的,非破坏性的评估大米味道质量的方法.
- 目前的质量评估方法可能耗时,并且对于大规模选可能不具有成本效益.
研究的目的:
- 开发和验证机器学习模型,用于对米味质量进行非破坏性分类.
- 调查近红外 (NIR) 光谱在预测大米质量参数方面的有效性.
- 为了比较不同机器学习算法的性能,用于此分类任务.
主要方法:
- 利用近红外 (NIR) 谱学从日本北海道收集796个米样本 (2008-2016) 和278个验证样本 (2017-2019) 的光谱数据.
- 训练并优化了三种机器学习模型:逻辑回归 (LR),支持矢量机 (SVM) 和部分最小平方差分分析 (PLSDA).
- 使用准确度,f1分数,平均精度和分类错误等指标评估模型性能.
主要成果:
- 与PLSDA相比,物流回归和支持矢量机器模型表现出更高的性能.
- 实现了高分类准确度 (94%),f1得分 (90%),平均精度 (0.94),分类误差低 (4%).
- 成功实现了基于NIR光谱的米味品质的准确,非破坏性分类.
结论:
- 机器学习模型与NIR光谱学相结合,为非破坏性大米质量评估提供了强大而准确的解决方案.
- 这种方法可以显著改善日本的水质量控制,收获后技术和生产者成果.
- 该方法有可能用于全球其他农业和食品商品的质量控制.
更多相关视频
06:50O-cresol Concentration Online Measurement Based On Near Infrared Spectroscopy Via Partial Least Square Regression
Published on: November 8, 2019
11:37RGB and Spectral Root Imaging for Plant Phenotyping and Physiological Research: Experimental Setup and Imaging Protocols
Published on: August 8, 2017
相关概念视频
Applications of IR Spectroscopy: Overview
Infrared (IR) Spectroscopy: Overview
Different compounds display unique properties due to their...
Classification of Titrimetric Analysis Based on Reaction Types
Titrations between an acid and a base lead to neutralization reactions that form...
IR Frequency Region: Fingerprint Region
IR and UV–Vis Spectroscopy of Aldehydes and Ketones
