在估计果干物质含量时,对1D卷积神经网络的评估
Jeremy Walsh1, Arjun Neupane1, Michael Li1
1Central Queensland University, Rockhampton 4702, Queensland, Australia.
Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
|February 14, 2024
概括
卷积神经网络 (CNN) 模型使用近红外 (NIR) 光谱显著改善了果干物质含量 (DMC) 估计. 这种先进的CNN方法为水果质量分析的准确性和稳定性设定了新的基准.
科学领域:
- 农业科学 农业科学
- 频谱学是一种光谱学.
- 机器学习 机器学习
背景情况:
- 准确估计果干物质含量 (DMC) 对于质量评估至关重要.
- 近红外 (NIR) 光谱为果实分析提供了一种非破坏性的方法.
- 之前的研究表明,卷积神经网络 (CNN) 的表现优于其他DMC估计模型.
研究的目的:
- 用NIR光谱学实证果DMC估计CNN模型的优异性能.
- 在相同的条件下,将CNN与部分最小平方 (PLS) 和人工神经网络 (ANN) 模型进行比较.
- 调查数据预处理和增强技术对模型性能的影响.
主要方法:
- 在相同的培训和测试数据集上使用CNN,ANN和PLS模型.
- 标准化实践包括异常值去除,数据分区,样本排序,光谱预处理和增强.
- 使用根平均平方预测误差 (RMSEP) 和偏差评估模型性能.
主要成果:
- 实现了0.77%FW的新基准RMSEP,在统计学上优于之前的发现.
- 与ANN (2.62%) 和PLS (1.87%) 相比,CNN模型在新季的水果 (RMSEP 1.18%FW) 上表现出更大的稳定性.
- 模型性能受到模型类型和数据增强的组合的显著影响,强调了化学计量输入的必要性.
结论:
- 通过NIR光谱,CNN模型为估计果DMC提供了统计学上显著和强大的改进.
- 仔细考虑光谱预处理和数据增强对于优化神经网络性能至关重要.
- 为了提高可靠性,建议对神经网络训练对随机种子变异的敏感性进行进一步的研究.
