使用NIRSand机器学习算法,快速分析新鲜麻豆根中的化:满足最终用户对低性麻豆的需求
Michael Kanaabi1,2, Fatumah B Namakula2, Ephraim Nuwamanya1,2
1School of Agricultural Sciences, Makerere University, Kampala, Uganda.
The plant genome
|November 8, 2023
概括
近红外光谱法 (NIRS) 和机器学习 (ML) 准确地识别了低原性潜力 (化[HCN]) 的麻豆. 这项技术有助于育种计划为消费者选择更安全的麻豆品种.
科学领域:
- 农业科学 农业科学
- 分析化学 分析化学
- 生物技术是生物技术.
背景情况:
- 大麻 (Manihot esculenta Crantz) 是一种主食,但高性潜力 (HCN) 给健康带来风险.
- 开发低HCN的麻品种对于粮食安全和安全至关重要.
- 近红外谱法 (NIRS) 提供了一种快速而非破坏性的分析方法.
研究的目的:
- 评估NIRS与机器学习 (ML) 算法相结合的有效性,以区分低HCN水平和高HCN水平的麻.
- 确定关键的光谱波长,以准确地对麻根中的HCN进行分类.
- 为此目的,评估后勤回归 (LR),支向量机 (SVM) 和部分最小平方差分分析 (PLS-DA) 的性能.
主要方法:
- 使用NIRS.分析了1164个麻豆根样本.
- 应用六种光谱预处理方法.
- 测试ML算法 (LR,SVM,PLS-DA) 的分类准确性.
- 识别影响歧视的波长.
主要成果:
- 特定的波长 (例如961,1165,1403-1505nm) 对于区分HCN水平至关重要.
- 通过使用选定的波长,LR实现了100%的准确性;PLS-DA实现了99%.
- 最好的整体模型,具有特定光谱预处理的PLS-DA,在全光谱上产生了99.6%的准确性.
结论:
- 与ML算法相结合的NIRS是一个非常有效的工具,用于识别低HCN和高HCN麻的加入.
- 这种方法可以显著加速和改进以减少HCN含量为重点的麻育种计划.
- 这些发现支持开发用于广泛消费的更安全的麻豆品种.


