CVAE-DF:基于VIS/NIR光谱的混合深度学习框架,用于检测化前化蛋的受精状态
Dongqiao Wang1, Qiaohua Wang2, Zhuoting Chen1
1College of Engineering, Huazhong Agricultural University, Wuhan 430070, China.
概括
在化之前检测子蛋受精是至关重要的. 一个新的混合深度学习框架,CVAE-DF,使用可见/近红外传输光谱,达到95.94%的精度,优于传统方法.
科学领域:
- 农业科学 农业科学
- 生物技术是生物技术.
- 频谱学是一种光谱学.
背景情况:
- 未受精的蛋存在污染风险,如果在化前不去除,就会受到污染.
- 在蛋中早期检测受精状态是具有挑战性和未被充分探索的.
- 现有的方法往往侧重于蛋,而不是化前的蛋.
研究的目的:
- 开发一种新的混合深度学习框架,用于检测预化蛋的受精状态.
- 在此检测任务中使用可见/近红外 (VIS/NIR) 透射率光谱.
- 为了解决目前蛋分析方法的局限性.
主要方法:
- 收集了255个预化蛋的传导光谱数据 (400-1000 nm).
- 应用于原始光谱数据的乘法散射校正 (MSC),以减少噪声.
- 采用混合框架,将卷积变异自编码器 (CVAE) 结合用于特征提取和改进的深森林 (DF) 模型进行分类.
主要成果:
- 在测试数据集上,CVAE-DF模型实现了95.94%的高整体准确性.
- 提出的方法显著优于传统的检测技术.
- 在农业中,CVAE证明了其作为一种有效的特征提取技术的潜力,用于VIS/NIR光谱分析.
结论:
- 该CVAE-DF框架提供了一个高度准确和高效的解决方案,用于预化蛋受精检测.
- 这种方法为蛋行业和农业应用提供了实际的好处.
- 该研究强调了深度学习和光谱学在分析农产品方面的潜力.
