通过基于语网络的对比学习,通过光谱智能检测亚毒素B1

科学领域:

• 农业科学 农业科学
• 食品安全 食品安全
• 机器学习 机器学习

背景情况:

• 毒素是真菌产生的有毒代谢物,通常在像花生和玉米这样的主食中发现.
• 暴露于亚毒素会带来严重的健康风险,包括肝损伤和癌症.
• 准确和快速检测亚毒素对于食品安全和公共卫生至关重要.

研究的目的:

• 开发一种创新的模型,用于在花生和玉米中精确检测青毒素.
• 增强特征歧视,以提高检测准确度.
• 建立一种用于持续实时监测非洲毒素污染的方法.

主要方法:

• 该研究介绍了MSGhostDNN模型,将对比式学习与多尺度卷积网络集成在一起.
• 应用Grad-CAM来确定用于检测的关键波长,重点关注416nm和40个最佳波长.
• 对于持续学习和频谱监测,采用了任务维度缩小方法.

主要成果:

• 在MSGhostDNN模型中,预训练模型的检测准确率达到97.87%.
• 使用Grad-CAM和专注于40个关键波长的精细化结果为97.46%的精度.
• 通过减小维度的方法,可以有效地持续监测亚毒素的频谱.

结论:

• 该MSGhostDNN模型提供了一个高度准确和高效的方法,用于农产品中检测亚毒素.
• 确定了关键波长和缩小维度的方法,有助于快速在线监控.
• 这项研究为在线检测类似的食源毒素提供了先例,增强了食品安全协议.