一个改进的深度卷积生成对抗网络,用于定量发酵黑茶中的儿茶素

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:

• 精确量化发酵黑茶中的儿茶素对于质量评估至关重要.
• 超光谱成像与化学测量相结合,可提供非破坏性分析,但受到小型数据集的限制.
• 样本大小不足阻碍了回归模型对甲基素量化的性能.

研究的目的:

• 为了应对有限的样本大小在黑茶catechins的高光谱分析的挑战.
• 提出一个改进的深度卷积生成对抗网络与标签模块 (DCGAN-L) 进行超频谱数据增强.
• 增强发酵黑茶中catechins的快速和非破坏性的量化.

主要方法:

• 开发了DCGAN-L与光谱和标签生成模块进行超光谱数据增强.
• 创建了合成光谱,并提出了质量评估的指标.
• 开发了一种使用欧几里德距离和加权分配的新型标签生成方法.
• 用合成生成的数据增强了培训数据集.

主要成果:

• 该DCGAN-L模型成功地增强了高光谱数据集,以量化catechin.
• 使用随机森林 (RF) 和广泛学习系统 (BLS) 回归模型评估数据增强.
• 在数据增强后,RF和BLS模型的平均R2分别增加了0.044和0.164.
• 用增强数据集证明了回归模型的性能提高.

结论:

• 拟议的DCGAN-L模型有效地解决了超光谱分析中样本规模有限的问题.
• DCGAN-L 能够快速,非破坏性地量化黑茶中的儿茶素.
• 该方法显著提高了甲基素量化模型的准确性.