开发一个机器学习模型,用于系统化Aspergillus部分Nigri使用基于同步子辐射的里埃变换红外光谱学
Salilaporn Nuankaew1,2, Nattawut Boonyuen2, Kanjana Thumanu3
1Department of Biochemistry and Microbiology, Faculty of Pharmaceutical Sciences, Chulalongkorn University, Bangkok, 10330, Thailand.
在食品中识别黑色阿斯伯吉利物种是具有挑战性的. 基于同步子辐射的里埃变换红外显微镜 (SR-FTIR) 与深度学习相结合,实现了95.97%的准确性,用于快速的真菌分类.
科学领域:
- 菌类学 菌类学是指菌类学.
- 食品科学 食品科学 食品科学
- 频谱学是一种光谱学方法.
- 机器学习 机器学习
背景情况:
- * *Aspergillus*部分 *Nigri* (黑色阿斯伯吉利) 是重要的食物腐烂真菌.
- * 一些物种产生有害的真菌毒素,对食品安全构成风险.
- * 传统的识别方法缓慢,难以在物种层面上进行分化.
研究的目的:
- * 开发一种快速准确的方法来识别黑色阿斯伯吉利物种.
- * 为此目的评估基于同步子辐射的里埃变换红外显微镜 (SR-FTIR).
- *将深度学习应用到使用SR-FTIR数据进行真菌分类.
主要方法:
- *使用SR-FTIR显微光谱技术收集了22种黑色阿斯伯吉利的光谱数据.
- * 一个卷积神经网络 (CNN) 模型被训练使用SR-FTIR数据进行分类.
- *使用培训,验证和盲目测试数据集评估模型性能.
主要成果:
- *CNN模型在分类黑色阿斯伯吉利物种方面取得了很高的准确性.
- * 在盲目测试数据集上,物种分类准确率达到95.97%.
- * SR-FTIR与CNN相结合,提供了一种强大的真菌识别方法.
结论:
- * SR-FTIR与CNN深度学习相结合,为识别黑色阿斯伯吉利提供了一个快速而准确的替代方案.
- *这种方法可以帮助快速检测食品样本有问题的真菌污染物.
- * 该研究为食品行业提供了一个有前途的工具,以确保产品安全.
更多相关视频
11:30Quantitative Analysis of Aspergillus nidulans Growth Rate using Live Microscopy and Open-Source Software
Published on: July 24, 2021
10:50Detection and Quantification of Plasmodium falciparum in Aqueous Red Blood Cells by Attenuated Total Reflection Infrared Spectroscopy and Multivariate Data Analysis
Published on: November 2, 2018
相关概念视频
Attenuated Total Reflectance (ATR) Infrared Spectroscopy: Overview
The ATR process begins by directing a beam...
Atomic Absorption Spectroscopy: Lab
Solutions containing organic solvents, such as low-molecular-mass alcohols, esters, or ketones, enhance absorbances by increasing...
IR Frequency Region: Fingerprint Region
