花生原产地可追溯性:一个混合神经网络,结合了电子鼻子系统和高光谱系统

科学领域:

• 农业科学 农业科学
• 食品科学 食品科学 食品科学
• 分析化学 分析化学

背景情况:

• 根据地理来源和环境因素,花生质量有很大差异.
• 准确和快速的质量评估对于食品工业和市场监督至关重要.
• 现有的花生质量评估方法可能耗时或破坏性.

研究的目的:

• 开发一种快速,非破坏性的方法来识别花生质量差异.
• 整合来自电子鼻子和高光谱系统的数据进行增强分析.
• 创建一个先进的深度学习模型,用于准确地分类花生质量.

主要方法:

• 利用电子鼻子和高光谱成像系统从花生收集气体和光谱数据.
• 开发了一个信息提取模块,结合了轻量级的多头转移注意力机制 (LMTA) 和卷积计算.
• 使用矩阵组合和轻质卷积的化气体和光谱数据,输入到混合神经网络 (UnitFormer).

主要成果:

• UnitFormer模型实现了高性能指标:准确率为99.06%,精度为99.12%,回忆率为99.05%.
• 综合方法有效地捕获和分析了结合的气体和光谱信息.
• 证明了区分来自不同来源的花生质量变化的能力.

结论:

• UnitFormer模型为监督食品市场花生质量的有效技术解决方案.
• 结合电子鼻子和高光谱系统,为非破坏性质量评估提供了强大的方法.
• 该方法支持准确的质量控制和农产品的可追溯性.