使用AutoML和转移学习的图像数据预测GlutoPeak测试参数的机器学习方法
Takehiro Murai1, Yoshitaka Inoue2, Assey Nambirige1
1Department of Food Science and Nutrition, College of Food, Agricultural and Natural Resource Sciences, University of Minnesota, 1334 Eckles Avenue, St. Paul, MN, 55108, USA.
Heliyon
|October 4, 2023
概括
这项研究使用机器学习和图像分析来预测小麦质量的GlutoPeak测试结果. 这种方法提供了一种更快,更具成本效益的方法来评估面粉在行业的特性.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 食品科学 食品科学 食品科学
背景情况:
- GlutoPeak测试评估了面粉的特性,特别是质强度和弹性,这对于烤至关重要.
- 目前用于评估质量的方法可能耗时且昂贵.
- 开发高效,自动化方法来评估质性质对于行业至关重要.
研究的目的:
- 引入一种新的机器学习方法,用于使用图像数据预测 GlutoPeak 测试参数.
- 开发一种高效,具有成本效益的技术来量化小麦的质性质.
- 探索深度学习和转移学习的应用,以评估质的质量.
主要方法:
- 使用AutoKeras进行自动神经架构搜索和超参数调整.
- 采用卷积神经网络 (CNN) 模型,特别是ResNet101,具有转移学习.
- 训练模型使用图像数据来预测GlutoPeak测试结果.
- 使用Adam和SGD优化器对2类和4类预测进行模型性能评估.
主要成果:
- 带有Adam优化器的ResNet101模型在2类预测中实现了0.5765的最高准确度.
- 使用SGD优化器的ResNet101模型在4类预测中达到0.4362的准确性.
- 使用机器学习从图像数据中预测GlutoPeak参数的可行性.
结论:
- 机器学习和深度学习技术显示出从图像数据中预测GlutoPeak测试参数的巨大潜力.
- 这种人工智能驱动的方法为评估小麦质质量提供了更快,更经济的替代方案.
- 这些发现为改善小麦和面包行业的质量控制铺平了道路.
