相关实验视频
Updated: Jul 18, 2025

13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.2K
基于TabNet-GRA的食品安全风险预测和视觉分析
Yi Chen1, Hanqiang Li1, Haifeng Dou1
1Beijing Key Laboratory of Big Data Technology for Food Safety, Beijing Technology and Business University, Beijing 100048, China.
Foods (Basel, Switzerland)
|August 26, 2023
概括
本研究介绍了TabNet-GRA,这是一种结合深度学习 (TabNet) 和灰色关系分析 (GRA) 的新方法,用于准确预测食品安全风险. 这种方法增强了早期危险检测和公共卫生保护.
科学领域:
- 食品科学 食品科学 食品科学
- 数据科学数据科学数据科学
- 公共卫生 公共卫生
背景情况:
- 有效的食品安全风险预测对于积极的危险控制至关重要.
- 现有的方法可能缺乏复杂的食品安全数据所需的精度.
- 及时发现食源性危害对于保护公共健康至关重要.
研究的目的:
- 开发和验证一种新的食品安全风险预测方法,TabNet-GRA.
- 将深度学习 (TabNet) 与灰色关系分析 (GRA) 整合起来,以提高风险评估.
- 创建一个实用的系统,用于食品安全风险预测和可视化.
主要方法:
- 灰色关系分析 (GRA) 用于从合检测数据计算综合风险值.
- 使用检测数据和GRA衍生的风险值来训练TabNet深度学习模型.
- 对其他六种模型进行了比较实验,以评估性能.
主要成果:
- 与传统方法相比,基于TabNet的模型表现出优越的装配能力.
- 成功实施了一个功能性食品安全风险预测和可视化系统 (FSRvis).
- 一个关于肉制品的案例研究证实了该方法的有效性.
结论:
- TabNet-GRA方法为准确的食品安全风险预测提供了一个强大的工具.
- FSRvis系统为有针对性的风险评估提供了有价值的视觉分析.
- 这种方法加强了食品安全和公共卫生保护的决策.

