用THz光谱和深度支矢量机器识别小麦中的重金属污染物

科学领域:

• 农业科学 农业科学
• 分析化学 分析化学
• 频谱学是一种光谱学.

背景情况:

• 小麦中的重金属污染对人类健康和食品安全构成重大风险.
• 准确有效的检测方法对于监测和控制这些污染物至关重要.
• 传统方法可能耗时,可能缺乏用于微量检测所需的灵敏度.

研究的目的:

• 开发和验证一种用于检测小麦中五种常见重金属污染物 (,,,,,) 的新方法.
• 为了提高污染物检测的分类准确性,使用深度支向量机 (DSVM) 模型与太赫兹 (THz) 光谱学相结合.
• 将拟议的DSVM模型的性能与传统的深度神经网络 (DNN) 和支持矢量机器 (SVM) 模型进行比较.

主要方法:

• 用太赫兹 (THz) 光谱分析小麦样本以获得光谱数据.
• 使用波段无声化预处理THz光谱数据,以减少噪声和提高信号质量.
• 一种深度支持向量机 (DSVM) 模型被开发并使用反向传播算法进行了优化,使用三层隐藏网络被确定为最佳.
• 评估了DSVM模型的性能,并与DNN和SVM模型进行了比较.

主要成果:

• 拟议的DSVM模型,优化了三层隐藏网络和反向传播,在检测小麦中的重金属污染物方面达到最高准确率91.3%.
• 波形无声化有效预处理了THz光谱数据,提高了后续分类的准确性.
• 与传统的DNN和SVM模型相比,DSVM模型在综合评估指数方面表现优越.

结论:

• 太赫兹光谱学和深度支向量机器 (DSVM) 的整合提供了一个非常准确和有效的方法来检测小麦中的重金属污染物.
• 优化的DSVM模型显著提高了分类准确性,为食品安全监测和质量控制提供了有价值的工具.
• 这项研究证明了先进的光谱和机器学习技术在解决农产品安全方面的关键挑战方面的潜力.