腹子的地理来源可追溯性基于近红外光谱学与深度学习相结合
Yue Li1, Zhong Ren1,2, Chunyan Zhao1
1Key Laboratory of Advanced Electronic Materials and Devices of Jiangxi Province, Jiangxi Science and Technology Normal University, Nanchang 330038, China.
Foods (Basel, Switzerland)
|February 13, 2025
概括
近红外光谱学与深度学习相结合,准确地追踪了腹的起源. 这种使用1DCNN模型的非破坏性方法可以防止原产地欺诈,并确保农产品的真实性.
科学领域:
- 农业科学 农业科学
- 频谱学是一种光谱学.
- 机器学习 机器学习
背景情况:
- 地理来源显著影响腹的质量和价格,为原产地欺诈创造激励.
- 需要准确和非破坏性的方法来追踪腹子的来源.
研究的目的:
- 开发一种快速,非破坏性和精确的方法来追踪腹的地理来源.
- 为了评估1DCNN深度学习模型与传统的机器学习算法对原始追踪的性能.
主要方法:
- 收集了来自中国五个生产地区的490个纽霍尔腹子的近红外 (4000-10,000 cm-1) 扩散反射光谱.
- 检查了七种光谱预处理技术,包括萨维茨基-戈莱 (SG) 平滑和第一个导数 (FD).
- 开发并将1DCNN深度学习模型与PLS-DA,LDA,SVM,RF和BPNN算法进行比较.
主要成果:
- 使用SG+FD预处理的1DCNN模型实现了最佳性能.
- 最好的模型在测试组上显示了预测准确性 (97.92%),精度 (98%),回忆 (97.95%),和F1得分 (97.90%).
结论:
- 接近红外光谱 (NIRS) 与深度学习相结合,为农产品的快速,非破坏性和准确的地理来源可追溯性提供了显著的潜力.
- 这种方法提供了一种可靠的工具来打击原产地欺诈,并确保腹子的真实性.
更多相关视频
10:25Construction of Models for Nondestructive Prediction of Ingredient Contents in Blueberries by Near-infrared Spectroscopy Based on HPLC Measurements
Published on: June 28, 2016
10.6K
11:37RGB and Spectral Root Imaging for Plant Phenotyping and Physiological Research: Experimental Setup and Imaging Protocols
Published on: August 8, 2017
16.1K
