原始DS:一种基于自主监督学习的非破坏性测试方法,用于与不平衡的高光谱数据对食品的改进行测试

科学领域:

• 食品科学 食品科学 食品科学
• 机器学习 机器学习
• 频谱学是一种光谱学.

背景情况:

• 使用高光谱成像 (HSI) 的传统食品欺诈检测依赖于机器学习,但在现实应用中常见的不平衡数据集.
• 不平衡的数据导致表现不佳,少数阶级被多数阶级所掩盖,这给研究带来了重大挑战.
• 为小规模,不平衡的数据集而没有占主导地位的阶级偏见开发有效的分类器对于可靠的食品欺诈检测至关重要.

研究的目的:

• 提出一种新的,非破坏性的检测方法,即 Dice Loss Improved Self-Supervised Learning-Based Prototypical Network (Proto-DS),以解决基于HSI的食品欺诈检测中的不平衡学习挑战.
• 为了减轻标签偏差,从最频繁的类和提高检测模型的稳定性.
• 为了验证Proto-DS在各种不平衡的高光谱食品图像数据集上的有效性.

主要方法:

• 开发了Proto-DS方法,集成自我监督学习,原型网络和Dice损失来处理不平衡的数据.
• 收集并利用了三个高光谱食品图像数据集,数据不平衡程度不同:Citri Reticulatae Pericarpium (Chenpi),中国草药和咖啡豆.
• 与先进的失衡学习技术比较Proto-DS,如合成少数群体过量采样技术 (SMOTE) 和类重要性重权,以及传统的ML模型 (LMT,MLP,CNN).

主要成果:

• 在所有测试的数据集中,Proto-DS始终优于传统方法和其他不平衡的学习技术.
• 实现了平均平衡精度为88.18%,明显高于物流模型树 (59.42%),多层感知器 (60.38%) 和卷积神经网络 (66.34%).
• 证明自主监督学习是改善不平衡学习的关键,原型网络和Dice损失进一步提高了分类性能.

结论:

• 拟议的Proto-DS方法为非破坏性食品欺诈检测提供了优越的解决方案,特别有效于不平衡的数据集.
• 自主监督学习提供了补充信息,对于提高HSI应用中的不平衡学习表现至关重要.
• 将自主监督学习与原型网络和 Dice 损失相结合,为构建具有有限培训数据的强大模型提供了一个有希望的策略.