相关实验视频
Updated: Jul 16, 2025

Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
基于深度学习的近红外高光谱成像用于食品营养估计
Tianhao Li1,2, Wensong Wei3,4, Shujuan Xing3,4
1The Key Laboratory of Intelligent Information Processing, Institute of Computing Technology, Chinese Academy of Sciences, Beijing 100190, China.
这项研究将深度学习与近红外高光谱成像 (NIR-HSI) 集成在一起,以准确估计食物营养. 该OptmWave方法同时模拟光谱数据并选择最佳波长,改进营养分析.
科学领域:
- 食品科学 食品科学 食品科学
- 分析化学 分析化学
- 机器学习 机器学习
背景情况:
- 外部食品表示提供有限的营养数据,阻碍了准确的食品营养估计.
- 近红外高光谱成像 (NIR-HSI) 捕捉与营养相关的化学特性,但需要对复杂数据进行高级分析.
- 传统的方法很难模拟光谱数据和营养含量之间的非线性关系.
研究的目的:
- 探索深度学习与NIR-HSI的整合,以提高食品营养估计.
- 开发一种用于同时进行光谱建模和波长选择的新方法.
- 为了验证准确的营养分析所提出的方法的有效性.
主要方法:
- 提出OptmWave,这是一个深度学习方法,灵感来自强化学习.
- 使用NIR-HSI数据实现了同时建模和波长选择.
- 采用蛋与番茄的数据集进行模型培训和验证.
主要成果:
- 在食品营养估计中,OptmWave实现了高准确度.
- 该模型显示了0.9913的确定系数和0.3548.4的根平均平方误差 (RMSE).
- 频谱分析证实了所选波长的可解释性和相关性.
结论:
- 基于深度学习的NIR-HSI可用于准确的食品营养估计.
- 该OptmWave方法为同时光谱建模和波长选择提供了一个有前途的方法.
- 这种整合提高了NIR-HSI在食品分析和营养科学中的潜力.
更多相关视频
11:37RGB and Spectral Root Imaging for Plant Phenotyping and Physiological Research: Experimental Setup and Imaging Protocols
Published on: August 8, 2017
10:25Construction of Models for Nondestructive Prediction of Ingredient Contents in Blueberries by Near-infrared Spectroscopy Based on HPLC Measurements
Published on: June 28, 2016
相关概念视频
Key Elements for Plant Nutrition
Infrared (IR) Spectroscopy: Overview
Different compounds display unique properties due to their...