整合深度学习和数据融合,以通过机器视觉和Vis/NIR光谱学进行增强的子可溶固体含量预测
Zhizhong Sun1, Hao Tian2, Dong Hu3
1College of Biosystems Engineering and Food Science, Zhejiang University, Hangzhou 310058, PR China; College of Chemistry and Materials Engineering, Zhejiang A&F University, Hangzhou 311300, PR China; Key Laboratory of Intelligent Equipment and Robotics for Agriculture of Zhejiang Province, Hangzhou 310058, PR China.
这项研究引入了一种深度学习模型,该模型对颜色变化进行校正,以准确预测色可溶固体含量 (SSC),使用机器视觉和Vis/NIR光谱数据的组合. 新模型显著提高了水果成分分析的预测准确性.
科学领域:
- 农业科学 农业科学
- 频谱学是一种光谱学.
- 机器学习 机器学习
背景情况:
- 可见/近红外 (Vis/NIR) 光谱数据可能会因样本颜色变化而被扭曲,影响水果成分预测的准确性.
- 准确预测水果的质量属性,如可溶性固体含量 (SSC),对于食品工业至关重要.
研究的目的:
- 开发一种能够进行色彩校正的深度学习模型,用于预测色SSC.
- 探索机器视觉和Vis/NIR光谱学的多源数据融合,以提高预测准确度.
主要方法:
- 设计了一种用于在线获取彩色图像和Vis/NIR传输光谱的集成设备.
- 拟议的数据融合技术结合了颜色特征和光谱数据.
- 构建了色彩校正的一维卷积神经网络 (1D-CNN) 模型.
主要成果:
- 最佳色彩校正模型显示,预测的根平均平方误差 (RMSEP) 显著减少.
- 与部分最小平方 (PLS) 相比,RMSEP下降了36.4%,与传统的1D-CNN相比下降了16.1%.
- 多源数据融合有效地提高了水果成分预测的准确性.
结论:
- 与深度学习和多源数据融合集成的色彩校正可以提高水果可溶固体含量的预测.
- 机器视觉和Vis/NIR光谱融合为准确可靠的食品质量评估提供了一个有希望的方法.
更多相关视频
06:50O-cresol Concentration Online Measurement Based On Near Infrared Spectroscopy Via Partial Least Square Regression
Published on: November 8, 2019
08:25Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment
Published on: May 7, 2019
