通过光高光谱技术与机器学习相结合,快速非破坏性地区分不同品种的水

科学领域:

• 农业科学 农业科学
• 频谱学是一种光谱学.
• 数据科学数据科学数据科学

背景情况:

• 准确的水品种分类对于农业研究和质量控制至关重要.
• 目前用于区分相似的水品种的现有方法可能耗时且具有破坏性.

研究的目的:

• 开发一种快速而非破坏性的方法来分类五种大米品种.
• 评估光高光谱技术与机器学习相结合的米分化的有效性.

主要方法:

• 收集了五种大米品种的光高光谱数据 (475-1000 nm).
• 预处理的数据使用一级衍生 (FD) 和使用主要组件分析 (PCA) 和t分布式随机邻里嵌入 (t-SNE) 进行特征缩小.
• 开发并优化了分类模型,包括部分最小平方差异分析 (PLS-DA),BP神经网络 (BP) 和随机森林 (RF),RF参数由灰狼算法 (GWO) 调整.

主要成果:

• 优化灰狼算法增强随机森林 (GWO-RF) 模型,结合FD和t-SNE预处理,实现了高分类精度.
• 性能最好的模型 (FD-t-SNE-GWO-RF) 在训练组中显示出99.8%的准确性,在测试组中显示出95.3%的准确性.
• 光超光谱分析证明有效地区分外观相似的米品种.

结论:

• 光超光谱技术与机器学习相结合,为大米品种分类提供了可行且高度准确的方法.
• 开发的FD-t-SNE-GWO-RF模型为快速,非破坏性地识别大米提供了一个强大的工具.
• 这种技术在农业,食品安全和质量保证领域有很大的应用潜力.