相关实验视频
Updated: Jul 16, 2025

Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
使用紫外线光谱和一维卷积神经网络对食品添加剂进行分类
Ioana-Adriana Potărniche1, Codruța Saroși2, Romulus Mircea Terebeș3
1Basis of Electronics Department, Faculty of Electronics, Telecommunication and Information Technology, Technical University of Cluj-Napoca, 400114 Cluj-Napoca, Romania.
这项研究引入了一个自动化系统,使用其独特的紫外线吸收光谱来分类五种食品添加剂. 深度学习,特别是卷积神经网络 (CNN),在识别这些常见的食品成分方面取得了超过92%的准确性.
科学领域:
- 分析化学 分析化学
- 频谱学是一种光谱学.
- 食品科学 食品科学 食品科学
背景情况:
- 食品添加剂是现代食品不可或缺的组成部分,影响口味,质地和保质期.
- 准确识别和定量食品添加剂对于质量控制和监管合规至关重要.
研究的目的:
- 开发五种不同的食品添加剂的自动分类系统.
- 为了利用紫外线 (UV) 吸收光谱和深度学习来进行添加物识别.
主要方法:
- 制备不同度的五种食品添加剂的简单和混合溶液.
- 测量每个样本在190-360nm之间的紫外线吸收光谱.
- 使用深度学习模型,主要是卷积神经网络 (CNN),对光谱数据进行分类.
主要成果:
- 每种食品添加剂在紫外线光谱 (190-360 nm) 中都表现出特有的吸收峰值.
- 美国有线电视新闻网 (CNN) 模型在分类添加光谱方面表现出高准确度.
- 具有三个卷积层的CNN实现了92.38%的平均测试准确率和93.43%的验证准确率.
结论:
- 紫外线吸收光谱为识别食品添加剂提供了独特的光谱指纹.
- 深度学习,特别是CNN,为基于光谱数据的食品添加剂的自动分类提供了强大而准确的方法.
更多相关视频
06:19Integration of Animal Behavioral Assessment and Convolutional Neural Network to Study Wasabi-Alcohol Taste-Smell Interaction
Published on: August 16, 2024
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
Ultraviolet and Visible (UV–Vis) Spectroscopy: Overview
Chromatographic Methods: Classification
Chromatographic techniques are typically named by...
Classification of Titrimetric Analysis Based on Reaction Types
Titrations between an acid and a base lead to neutralization reactions that form...
UV–Vis Spectroscopy of Conjugated Systems
One of the factors influencing λmax is the extent...
UV–Vis Spectroscopy: Woodward–Fieser Rules
Classification of Neurotransmitters