快速识别Lanxangia tsaoko原产地和水果形状的方法:FT-NIR结合化学测量和图像识别

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:

• 根据原产地和水果形状准确分类Lanxangia tsaoko (L. tsaoko) 对育种,种植和市场管理至关重要.
• 了解L. tsaoko的光谱特征是区分起源和物种的关键.

研究的目的:

• 为了研究L. tsaoko的光谱特征,使用福里埃变换近红外 (FT-NIR) 光谱学.
• 开发和比较分类模型,以区分L. tsaoko的来源和水果形状.

主要方法:

• 采用FT-NIR光谱法,将数据转化为2D和3D相关性光谱.
• Spectra经过了预处理 (乘法散射校正,第二导数) 和特征提取 (PCA,SPA,C4.5).
• 分类模型包括PLS-DA,SVM,决策树和ResNet,ResNet使用图像识别.

主要成果:

• 部分最小平方差异分析 (PLS-DA) 和支持向量机 (SVM) 模型在原始分类中实现了100%的准确性,尽管优化是复杂的.
• 剩余网络 (ResNet) 图像识别模型也在原产地和水果形状分类方面实现了100%的准确性.
• 通过消除复杂的预处理和特征提取的需要,ResNet证明了效率.

结论:

• 该ResNet模型提供了一种快速,准确和高效的方法来识别L. tsaoko的起源和水果形状.
• 这种方法与需要大量预处理的传统方法相比,简化了分类过程.
• 这些发现支持改善L. tsaoko.的品种育种,种植和市场管理.