微波检测技术与深度学习算法相结合,便于对食用油中重金属Pb残留物的定量分析

科学领域:

• 分析化学 分析化学
• 食品科学 食品科学 食品科学
• 机器学习 机器学习

背景情况:

• 食用油中的重金属污染对人类健康构成重大风险.
• 准确量化食用油中的重金属对于食品安全至关重要.
• 传统的重金属分析方法可能耗时且复杂.

研究的目的:

• 开发和验证一种先进的分析方法,用于量化食用油中的重金属.
• 探索基于注意力的深度残留神经网络的应用,用于预测重金属度.
• 评估微波传感与深度学习结合用于食用油分析的有效性.

主要方法:

• 使用微波传感技术从标准大豆油样本收集数据.
• 基于注意力的深度残留神经网络模型被设计和实施用于数据分析.
• 研究了卷积神经网络深度对模型性能的影响.
• 模型性能使用R平方,RPD和RMSE等指标进行评估.

主要成果:

• 拟议的基于注意力的残留网络模型与其他深度学习模型相比,表现优越.
• 该模型实现了0.9605.5的确定系数 (R2).
• 记录了5.0479的相对预测偏差 (RPD) 和3.1654 mg/kg的根平均平方误差 (RMSE).

结论:

• 微波检测技术和化学测量技术的整合,特别是深度学习,为评估食用油中的重金属含量提供了一种强大的方法.
• 开发的基于注意力的残留网络为食品中重金属分析的传统方法提供了可靠和准确的替代方案.
• 这项研究强调了先进的计算模型在确保食用油的安全性和质量的潜力.