基于高光谱成像技术结合深度学习的Coix种子存储年数的识别和分类
Ruibin Bai1, Junhui Zhou1, Siman Wang1
1State Key Laboratory for Quality Ensurance and Sustainable Use of Dao-di Herbs, National Resource Center for Chinese Materia Medica, China Academy of Chinese Medical Sciences, Beijing 100700, China.
Foods (Basel, Switzerland)
|February 10, 2024
概括
识别Coix种子储存年份对于消费者安全至关重要. 超光谱成像与深度学习相结合,特别是ResNet模型,提供了一种快速,非破坏性的方法,在区分存储持续时间方面达到超过85%的准确性.
科学领域:
- 农业科学 农业科学
- 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:
- 确保储存的Coix种子的质量和安全性对于消费者福祉至关重要.
- 需要一种快速,非破坏性的方法来确定Coix种子的储存时间.
- 评估种子质量的传统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确定Coix种子的储存年份.
- 为了评估高光谱成像 (HSI) 与各种机器学习模型相结合的有效性.
- 建立基于储存时间的Coix种子准确的识别模型.
主要方法:
- 在可见到近红外 (VNIR) 和短波红外 (SWIR) 光谱范围中利用过光谱成像 (HSI).
- 应用常规机器学习算法:支持矢量机器 (SVM),k-最近邻居 (KNN),随机森林 (RF) 和极端梯度提升 (XGBoost).
- 实施了一个深度学习模型,剩余神经网络 (ResNet),并使用具有特征的波长选,使用竞争性自适应重量化采样.
主要成果:
- 基于融合的建模,集成VNIR和SWIR,优于单个光谱建模.
- 与其他传统机器学习模型相比,ResNet和SVM模型显示出更高的分类准确性.
- 特性波长选对模型准确度的影响最小,同时减少冗余变量.
- 经过验证的ResNet模型在外部数据集上实现了超过85%的识别准确性.
结论:
- 深度学习与HSI的整合提供了一种有效的方法,可以根据储存年来区分Coix种子样本.
- 这种方法提供了一个有前途的非破坏性工具,用于Coix种子行业的质量控制.
- 开发的模型通过确保种子质量,有助于保护消费者健康.
