优化BP神经网络算法对Pericarpium Citri Reticulatae (Chenpi) 的来源可追溯性,基于计算机视觉和超快气相电子鼻子数据融合

科学领域:

• 食品科学 食品科学 食品科学
• 分析化学 分析化学
• 人工智能的人工智能

背景情况:

• 佩里卡尔皮乌姆树网膜 (PCR) 的质量受其来源的影响.
• 精确的PCR可追溯性对于质量控制和认证至关重要.
• 目前的可追溯性方法可能缺乏效率和全面性.

研究的目的:

• 开发和优化一个人工智能 (AI) 算法,以快速追溯Pericarpium Citri Reticulatae (PCR) 的原产地.
• 整合来自多种智能传感技术的数据,以提高可追溯性.
• 建立一个可靠的方法来区分PCR与不同地理来源.

主要方法:

• 计算机视觉被用来提取PCR的颜色和纹理特征.
• 一个超快的气相电子鼻子 (UF-GC-E-nose) 确定了98个有助于PCR风味的挥发性成分.
• 多变量统计分析从118个特征中确定了57个显著标记特征因子,并将BP神经网络算法集成到AI开发中.

主要成果:

• 在UF-GC-E鼻子成功地识别了关键的挥发性成分,如烯酸,酒精和.
• 多变量分析揭示了显著的颜色,纹理和气味特征,区分PCR起源.
• 集成的AI算法实现了来自不同来源的PCR样本100%的歧视率.

结论:

• 开发的AI算法利用计算机视觉和电子鼻子的数据融合,使PCR起源的高度准确和快速可追溯性成为可能.
• 这项研究为应用智能感官技术和人工智能在食品可追溯性方面提供了有价值的框架.
• 这些发现支持基于原产地特征的农产品认证先进系统的开发.