光谱变压器:基于变压器结构的谷物光谱定性分析的深度学习模型.
Zhuo Chen1,2, Rigui Zhou1,2, Pengju Ren1,2
1School of Information Engineering, Shanghai Maritime University Shanghai 201306 China rgzhou@shmtu.edu.cn.
紧型近红外光谱 (NIRS) 仪器和变压器模型可以准确地识别作物品种. 这项技术有助于农业生产率和粮食安全,通过精确分类大麦,小和.
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:
- 精确的作物品种识别对于优化农业生产率和确保粮食安全至关重要.
- 传统的作物识别方法可能是耗时和劳动密集的.
- 近红外光谱学 (NIRS) 提供了一种快速而非破坏性的分析技术.
研究的目的:
- 评估紧的近红外光谱仪器 (NIRS) 的有效性,以区分作物品种.
- 探索变压器模型在NIRS中的应用,以提高分类准确度.
- 评估数据预处理和机器学习算法的对品种识别的影响.
主要方法:
- 使用紧的近红外光谱 (NIRS) 仪器来获取光谱数据.
- 开发并应用了一种基于变压器架构的新型"光谱变压器"多分类模型.
- 研究了各种数据预处理技术和传统机器学习算法的影响.
主要成果:
- 通过使用光谱变换器模型,成功区分了24种大麦,19种小和10种.
- 实现了高分类准确度:大麦85%,小95%,86%.
- 展示了数据预处理对深度学习和传统机器学习模型性能的影响.
结论:
- 紧型NIRS仪器是作物品种识别的经济有效和高效工具.
- 变压器模型显示了在NIRS应用中提高分类准确性的显著前景.
- 该研究为优化基于NIRS的作物识别数据预处理策略提供了有价值的见解.
更多相关视频
08:49Author Spotlight: Unveiling the Potential of VSFG Microscopy in Studying Mesoscopically Heterogeneous Self-Assembled Structures
Published on: December 1, 2023
10:25Construction of Models for Nondestructive Prediction of Ingredient Contents in Blueberries by Near-infrared Spectroscopy Based on HPLC Measurements
Published on: June 28, 2016
相关概念视频
IR Frequency Region: Fingerprint Region
¹³C NMR: Distortionless Enhancement by Polarization Transfer (DEPT)
Atomic Spectroscopy: Absorption, Emission, and Fluorescence
Mass Spectrometers
Discrete Fourier Transform
