使用高光谱数据分析和机器学习技术,对泰国圣的含量进行歧视
Apichat Suratanee1,2, Panita Chutimanukul3, Tanapon Saelao4
1Department of Mathematics, Faculty of Applied Science, King Mongkut's University of Technology North Bangkok, Bangkok, Thailand.
PloS one
|October 2, 2024
概括
超光谱成像与机器学习相结合,准确地预测了圣中的含量. 这种非破坏性方法为植物研究提供了传统抗氧化剂分析的快速替代方案.
科学领域:
- 农业科学 农业科学
- 植物生物化学 植物生物化学
- 频谱学是一种光谱学.
背景情况:
- 传统的圣抗氧化剂分析是耗时的.
- 超光谱成像为植物属性评估提供了一种快速,非破坏性的方法.
- 植物化学量化,包括含量,对于理解植物性质至关重要.
研究的目的:
- 开发一种快速,非破坏性的方法,以使用高光谱成像和机器学习来确定泰国圣的总含量.
- 将含量水平分为"低"和"正常至高"类别.
- 评估神经网络模型与其他机器学习技术的性能.
主要方法:
- 获得了来自不同生长阶段的26种圣品种的超光谱数据.
- 从光谱数据中提取了时间和频率领域的22个统计特征.
- 开发并验证了一个神经网络模型用于含量分类.
主要成果:
- 神经网络模型实现了接收器操作特征曲线下的面积为0.8113.3.
- 与其他机器学习技术相比,该模型表现出了卓越的性能.
- 该模型在预测老旧圣样本中的含量方面表现出更高的信心.
结论:
- 综合特征提取和机器学习的高光谱成像提供了一种有效的工具,用于快速,非破坏性的评估圣中的含量.
- 这种方法有可能简化对植物抗氧化物质的选.
- 该研究通过全面的光谱数据分析,为研究人员提供了有效的决策.
更多相关视频
07:29HPLC Coupled with Chemical Fingerprinting for Multi-Pattern Recognition for Identifying the Authenticity of Clematidis Armandii Caulis
Published on: November 11, 2022
1.9K
11:14Rapid High-throughput Species Identification of Botanical Material Using Direct Analysis in Real Time High Resolution Mass Spectrometry
Published on: October 2, 2016
11.5K
