基于机器学习的非破坏性太赫兹检测花生种子质量
Weibin Jiang1,2, Jun Wang1, Ruiquan Lin1
1College of Electrical Engineering and Automation, Fuzhou University, Fuzhou 350108, China.
Food chemistry: X
|August 19, 2024
概括
这项研究引入了一个带有卷积神经网络 (CNN) 机器学习的太赫兹波成像系统,用于快速,非破坏性的花生种子质量识别. 该系统在几秒钟内检测到各种种子品质时达到98.7%的准确性.
科学领域:
- 农业科学 农业科学
- 物理 物理学 物理
- 计算机科学 计算机科学
背景情况:
- 准确的花生种子质量评估对于公共卫生和农业完整性至关重要.
- 目前用于种子质量测试的方法可能耗时,破坏性,或需要大量的样本准备.
研究的目的:
- 开发和验证一种快速,非破坏性的方法,使用太赫兹波成像和机器学习来识别花生种子质量.
- 为了研究与不同花生种子质量相对应的太赫兹波图像的特征.
主要方法:
- 一个太赫兹波成像系统被用来捕捉花生种子的图像.
- 卷积神经网络 (CNN) 被训练并使用数字化太赫兹波图像进行测试.
- 该系统被评估为其在分类五种不同种子品质的准确性和速度.
主要成果:
- 太赫兹波成像成功地穿透了花生种子,揭示了质量特定的特征.
- 经过训练的CNN模型在识别标准种子,菌种子,有缺陷的种子,干燥种子和发芽种子时,达到98.7%的高精度.
- 太赫兹波-CNN (THz-CNNs) 系统显示每个样本的平均检测时间为2.2秒,不需要样本准备.
结论:
- 太赫兹波成像与CNN机器学习相结合,为花生种子质量评估提供了快速,准确和非破坏性的解决方案.
- 这项技术有可能通过快速质量控制来显著改善食品安全和农业实践.
更多相关视频
11:37RGB and Spectral Root Imaging for Plant Phenotyping and Physiological Research: Experimental Setup and Imaging Protocols
Published on: August 8, 2017
16.2K
10:24Author Spotlight: Quantification of Aflatoxins and Phytoalexins in Peanut Seeds to Identify Genetic Resistance Against Aspergillus
Published on: April 19, 2024
1.1K
