根据多源异质光谱信息的融合,可追溯和识别大的来源

科学领域:

• 农业科学 农业科学
• 分析化学 分析化学
• 机器学习 机器学习

背景情况:

• 大的化学成分,营养价值和感官特性因地理来源而异.
• 这些变化影响消费者偏好和不同大品种的接受.
• 确定大的来源对于质量控制和真实性至关重要.

研究的目的:

• 开发一种可靠的方法来确定紫皮大的地理来源.
• 评估光谱技术与化学测量和机器学习相结合的有效性.
• 建立农产品原产地识别的理论基础.

主要方法:

• 收集了来自中国五个不同地区的紫色皮肤样本.
• 使用中红外 (MIR) 和紫外 (UV) 光谱分析了大细胞成分.
• 应用预处理方法 (MSC,SG Smoothing,SNV),用于特征提取的遗传算法 (GA),以及机器学习算法 (XGboost,SVC,RF,ANN).

主要成果:

• 单个光谱模型实现了高精度 (UV:SNV-GA-ANN的99.73%;MIR:SNV-GA-RF的97.34%).
• 紫外线和MIR光谱数据与化学测量的融合显著提高了来源识别的准确性.
• 使用融合光谱数据 (SNV-GA-SVC,SNV-GA-RF,SNV-GA-ANN,SNV-GA-XGboost) 的模型在训练和测试集上实现了100%的准确性.

结论:

• 紫外线和中红外光谱数据的融合,加上化学测量和机器学习,为识别大的地理来源提供了一个非常准确的方法.
• 这种综合方法提供了一种可靠的策略,用于追踪大和其他农产品的来源.
• 该研究表明,将光谱数据融合与农产品认证的先进分析技术相结合,具有很大的力量.