使用三维光光谱和机器学习来快速检测驼油中的改
Yating Hu1, Chaojie Wei1, Xiaorong Wang1
1College of Engineering, China Agricultural University, Beijing 100083, China.
Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
|December 13, 2024
概括
真正的驼花油往往是伪造的. 使用PARAFAC的三维光光谱学和机器学习,包括CaoCNN等深度学习模型,有效地识别了高精度的纯和伪造的驼花油.
科学领域:
- 分析化学 分析化学
- 食品科学 食品科学 食品科学
- 频谱学是一种光谱学.
背景情况:
- 香油被广泛用于,健康和美容应用.
- 经济动机导致纯驼油被更便宜的替代品改.
- 确保 camelia 油的真实性对于消费者信任和产品完整性至关重要.
研究的目的:
- 开发和验证用于识别驼油真伪的方法.
- 为了区分纯粹的驼花油与各种杂质.
- 评估光谱和机器学习技术在伪造石油检测中的有效性.
主要方法:
- 采用三维光光谱学来捕获植物油的光谱指纹.
- 并行因子分析 (PARAFAC) 用于特征提取和维度减少.
- 机器学习算法包括部分最小平方差分分析 (PLS-DA),k-最近邻居 (KNN),支持矢量机 (SVM),随机森林 (RF) 和卷积神经网络 (CNN) 被用于分类.
主要成果:
- 通过PARAFAC增强的特征提取,在分类纯植物油类型方面实现了100%的准确性.
- 传统的机器学习方法在识别单一和二进制伪造油方面存在局限性.
- 优化的CaoCNN模型在检测伪造的驼油类型方面表现出97.78%的高精度.
结论:
- 三维光谱学与PARAFAC相结合,对植物油的分类是有效的.
- 深度学习模型,特别是优化的CaoCNN,显示出精确检测伪造油的巨大潜力.
- 开发的方法提供了一种可靠的方法来验证驼花油的真实性,并打击欺诈行为.
