一个基于多层优化器的CNN-BiLSTM像素级检测模型用于花生 aflatoxins
Cong Wang1, Hongfei Zhu2, Yifan Zhao3
1College of Science and Information, Qingdao Agricultural University, Qingdao 266109, China.
Food chemistry
|September 29, 2024
概括
一个新的深度学习模型使用高光谱成像精确检测花生中的 aflatoxins. 这种优化的CNN-BiLSTM方法提高了安全食品的精度.
科学领域:
- 农业科学 农业科学
- 食品科学 食品科学 食品科学
- 计算科学 计算科学
背景情况:
- 花生容易受到亚拉托克辛的污染,这对健康构成严重风险.
- 准确,实时检测亚毒素对于食品安全至关重要.
研究的目的:
- 为了提高像素水平的偏素检测在高光谱图像中的准确性.
- 开发一个优化的深度学习模型,以精确识别亚毒素.
主要方法:
- 开发了一个卷积神经网络-双向长短记忆 (CNN-BiLSTM) 融合模型.
- 该模型使用多节优化器 (MVO) 算法进行了优化.
- 微调是使用各种度的亚毒素的高光谱数据进行的.
主要成果:
- 针对MVO优化的CNN-BiLSTM模型实现了94.92%的验证准确性和95.59%的回忆.
- 这种模型的性能优于传统的机器学习 (SVM,AdaBoost) 和其他深度学习方法 (CNN,CNN-LSTM).
- 与现有方法相比,精度的提高范围从3.08%到6.93%不等.
结论:
- 该MVO-CNN-BiLSTM模型显著提高了像素级的 aflatoxin检测准确度.
- 这一进步支持开发有效的线上监测系统对亚毒素.
- 这些发现有助于改善食品安全和公共卫生,通过更好地检测花生污染.
