同时确定菜 (Spinacia oleracea L.) 叶的颜料,以使用高光谱成像和多任务深度学习回归方法进行质量检查
Mengyu He1, Chen Jin1, Cheng Li1
1School of Information Engineering, Huzhou University, 313000 Huzhou, China.
Food chemistry: X
|June 6, 2024
概括
超光谱成像可以准确预测菜在储存期间的颜料含量,包括叶绿素和胡卜素. 使用可见/近红外光谱的多任务学习模型为食品安全提供了卓越的同时质量检查.
科学领域:
- 农业科学 农业科学
- 食品科学 食品科学 食品科学
- 频谱学是一种光谱学.
背景情况:
- 准确的颜料含量确定对于储存期间的菜质量评估至关重要.
- 菜的质量随着时间的推移而恶化,受储存时间和条件的影响.
- 可见/近红外 (VNIR) 和近红外 (NIR) 光谱学提供非破坏性分析方法.
研究的目的:
- 通过使用超光谱成像,同时预测菜中的颜料含量 (叶绿素a,b,总叶绿素,胡卜素).
- 为了比较不同频谱范围 (VNIR与NIR) 和建模技术 (PLS,BPNN,CNN) 的性能.
- 评估单任务和多任务学习模型对菜质量检查的有效性.
主要方法:
- 在VNIR (400-1000 nm) 和NIR (900-1700 nm) 范围内使用过光谱成像.
- 部分最小平方 (PLS),反向传播神经网络 (BPNN) 和卷积神经网络 (CNN) 模型被开发出来.
- 建立了单任务CNN (STCNN) 和多任务CNN (MTCNN) 回归模型,用于同时进行色素预测.
主要成果:
- 基于CNN的模型,特别是STCNN和MTCNN,表现优于PLS和BPNN模型.
- 使用VNIR光谱数据的模型显示,与NIR数据相比,预测准确度更高.
- 多任务学习模型有效地同时预测多种色素属性.
结论:
- 超谱成像与多任务学习相结合,提供了一种可靠的方法,可以同时预测菜的质量属性.
- 对于菜的颜料含量分析,VNIR光谱范围更有效.
- 这种方法支持在各种储存条件下高效同时检查菜的质量.
