一个多变量算法用于识别受污染的花生,使用可见和近红外超光谱成像.

科学领域:

• 机器学习 机器学习
• 食品科学 食品科学 食品科学
• 频谱学是一种光谱学.

背景情况:

• 准确检测食品污染和腐烂对于公共卫生和食品工业至关重要.
• 评估食品质量的传统方法可能耗时,可能无法检测到腐烂或污染的早期迹象.
• 深度学习为快速准确的食品质量评估提供了潜力,但模型优化是复杂的.

研究的目的:

• 引入一种新的算法,即统一多重近似和投影改进的同时优化遗传算法-卷积神经网络 (UMAP-ISOGA-CNN),用于优化深度学习模型.
• 应用此算法来识别被Aspergillus flavus污染的花生,并使用超光谱成像来确定其储存时间.
• 想象和理解开发的深度学习模型的特征空间.

主要方法:

• 开发UMAP-ISOGA-CNN算法,同时优化卷积神经网络 (CNN) 架构,超参数和优化器.
• 利用统一多重近似和投影 (UMAP) 来可视化ISOGA-CNN模型的特征空间.
• 整合可见和近红外高光谱成像,以获取花生的数据.

主要成果:

• UMAP-ISOGA-CNN算法成功优化了CNN模型,用于识别花生核污染和储存时间.
• 超光谱成像与UMAP-ISOGA-CNN算法相结合,在区分新鲜花生和受污染花生方面表现出有效性.
• UMAP为ISOGA-CNN模型学习的特征表示提供了有价值的见解.

结论:

• UMAP-ISOGA-CNN算法是优化食品安全应用中的深度学习模型的强大工具.
• 这种方法提高了监测食品新鲜度和检测像Aspergillus flavus这样的污染物的能力.
• 这项研究有助于更好地了解深度学习机制,并对食品行业产生实际影响.