基于深度学习红外光谱检测方法的马油改的快速识别

科学领域:

• 分析化学 分析化学
• 频谱学是一种光谱学.
• 机器学习 机器学习

背景情况:

• 马油在医疗保健,食品和护肤领域具有显著的市场潜力.
• 检测马油改的传统方法是缓慢的,昂贵的,不准确的.
• 奸淫带来健康风险,皮肤问题和经济损失.

研究的目的:

• 开发一种快速准确的方法来识别伪造的马油.
• 探索红外光谱学和深度学习在伪造检测方面的潜力.
• 为了解决马油市场当前分析技术的局限性.

主要方法:

• 红外 (IR) 光谱学被用来分析不同比例的混合黄油,羊油和油脂的马油.
• 频谱数据经过预处理,包括高斯白噪声增强和标准正常变量转换-detrending (SNV-DT).
• 深度学习模型,包括卷积神经网络 (CNN),循环神经网络 (RNN),变压器和残余网络 (ResNet) 的性能进行了比较.

主要成果:

• 微调的ResNet模型在识别伪造的马油方面表现出卓越的性能.
• 结合红外光谱学和深度学习方法,在检测伪造方面取得了很高的准确性.
• 这项研究建立了分析复杂光谱数据的强有力的方法.

结论:

• 结合红外光谱与深度学习,特别是ResNet,为检测马油改提供了有效和快速的解决方案.
• 这种新的方法克服了传统技术的局限性,在准确性和速度方面提供了显著的优势.
• 这些发现为未来在伪造分析领域的定性检测应用奠定了基础.