在干燥过程中使用超光谱成像和机器学习进行大麻质量的非破坏性评估
Hyo In Yoon1, Su Hyeon Lee1, Dahye Ryu1
1Smart Farm Research Center, Korea Institute of Science and Technology (KIST), Gangneung, Gangwon, Republic of Korea.
Frontiers in plant science
|May 13, 2024
概括
超光谱成像 (HSI) 和机器学习提供了一种非破坏性的方法,可以在干燥过程中监测大麻质量. 这项技术准确预测大麻素水平和最佳干燥终点,确保产品质量的一致性.
科学领域:
- 农业科学 农业科学
- 分析化学 分析化学
- 生物技术是生物技术.
背景情况:
- 大麻sativa L.因其大麻素,CBD和THC而具有工业意义.
- 不一致的干燥工艺挑战了大麻行业的质量控制.
- 在干燥过程中精确监测大麻素配置,对于产品的一致性至关重要.
研究的目的:
- 开发一种非破坏性的方法来评估大麻在干燥过程中的质量,使用HSI和机器学习.
- 研究各种干燥条件对大麻素成分 (CBD,THC,前体) 的影响.
- 建立模型来预测关键质量指标,如干燥度和CBD:THC比率.
主要方法:
- 使用超光谱成像 (HSI) 来捕获大麻花的光谱数据.
- 应用各种机器学习算法 (LR,SVM,KNN,RF,GNB) 来进行数据分析.
- 采用了光谱预处理技术,如MSC和Savitzky-Golay过器,以提高模型的准确性.
主要成果:
- 干燥条件显著影响了CBD,THC和前体水平,即使含水量恒定.
- 后勤回归 (LR) 模型在预测质量指标方面取得了高准确性 (94.7-99.7%).
- 基于HSI的模型准确地预测了干燥度,前体转化和CBD:THC比率.
结论:
- 与机器学习相结合的HSI提供了一个可靠的,非破坏性的大麻质量控制工具.
- 开发的模型可以优化干燥过程,并确保统一的大麻素配置文件.
- 这种方法对于在工业大麻行业实现一致的产品质量至关重要.
