基于基本光谱像素的UMAP改进,分类超光谱成像数据以识别食品矩阵中的小化合物

科学领域:

• 频谱学是一种光谱学.
• 化学测量 化学测量 化学测量
• 数据科学数据科学数据科学

背景情况:

• 在高光谱成像 (HSI) 中对大数据进行分类是具有挑战性的,特别是对于低度化合物,如食品染剂.
• 在复杂的食物矩阵中准确识别小化合物需要先进的分析策略.

研究的目的:

• 引入一种新的策略来对HSI数据进行分类,以识别食品材料中的杂质.
• 开发一种有效处理小组件的大型HSI数据集的方法.

主要方法:

• 从完整的HSI数据中选择基本光谱像素 (ESP).
• 使用统一的多重近似和投影 (UMAP) 来构建特征空间.
• 通过对减少数据 (ESPs-UMAP-HCA) 的层次聚类分析 (HCA) 进行数据聚类.

主要成果:

• 根据ESP-UMAP-HCA战略,主要和次要化合物的集群分离得很好.
• 能够准确地识别出伪造剂是次要化合物,并通过光谱匹配证实了这一点.
• 在贡献地图上确定了奸地点,即使只有最小的像素存在.

结论:

• 拟议的ESPs-UMAP-HCA方法在区分HSI数据中的小化合物方面表现出卓越的性能.
• 这种方法为食品改检测提供了一个潜在的解决方案,而不需要先前的数据知识.
• 该方法有效地减少了分析大型HSI数据集的复杂性和确认偏差.