基于Wasserstein生成对抗网络的多式鱼类型识别,结合梯度惩罚和光谱融合

科学领域:

• 食品科学 食品科学 食品科学
• 分析化学 分析化学
• 生物技术是生物技术.

背景情况:

• 鱼,一个有价值的成分,根据其类型有不同的价格和药用特性.
• 准确识别鱼类型对于市场价值和质量控制至关重要.
• 现有的识别方法可能缺乏精度和效率.

研究的目的:

• 开发一种先进的鱼类型识别方法.
• 利用多模式光谱数据 (拉曼和近红外) 进行增强的识别.
• 评估数据增强和光谱融合策略的有效性.

主要方法:

• 从四种不同的鱼类型收集了拉曼和近红外 (NIR) 光谱数据.
• 使用Wasserstein生成对抗网络与梯度惩罚 (WGAN-GP) 进行数据增强.
• 通过1D-CNN模型 (1D-VGG,1D-ResNet) 调查了三种光谱融合策略 (数据,特征,决策层).

主要成果:

• 用WGAN-GP增强数据改善了模型性能,测试组的准确性增加了高达15.48%.
• 特性层融合 (1D-VGG) 和决策层融合 (1D-ResNet) 模型取得了优异的分类结果.
• 性能最好的模型达到了98.21%的准确度,98.27%的精度,98.21%的回忆率,98.21%的F1得分.

结论:

• 数据增强和多模式光谱融合对于鱼类型识别非常有效.
• 拟议的方法提供了一个强大的分析工具,用于开发先进的鱼检测设备.
• 这项研究增强了对有价值的鱼产品准确和有效认证的潜力.