使用VNlR高光谱成像和机器学习来表征中国红宝石的来源,年龄和品质
Jiahui Wu1, Jing Nie2, Hao Hu3
1College of Pharmaceutical Sciences, Zhejiang University of Technology, Hangzhou 310014, China; State Key Laboratory for Managing Biotic and Chemical Threats to the Quality and Safety of Agro-products, Zhejiang Academy of Agricultural Sciences, Hangzhou 310021, China; Institute of Agro-Products Safety and Nutrition, Zhejiang Academy of Agricultural Sciences, Key Laboratory of Information Traceability for Agricultural Products, Ministry of Agriculture and Rural Affairs of China, Hangzhou 310021, China.
这项研究介绍了一种使用可见近红外高光谱成像 (VNIR-HSI) 和机器学习来识别沙夫兰质量的方法. 这种方法有效地区分了沙夫兰的来源,年龄和品质,帮助了行业和消费者.
科学领域:
- 农业科学 农业科学
- 分析化学 分析化学
- 频谱学是一种光谱学.
背景情况:
- 番石榴 (Crocus sativus L.) 是一种有价值的香料和药用草本.
- 它的经济价值受到地理来源,年龄和等级的重大影响.
- 客观的质量评估对沙夫兰行业和消费者至关重要.
研究的目的:
- 开发和验证一种用于识别沙夫兰来源,年龄和品级的方法.
- 为了利用可见近红外高光谱成像 (VNIR-HSI) 与机器学习相结合.
- 探索数据融合策略,以提高分类准确度.
主要方法:
- 根据ISO 2011/2010标准分类沙夫兰样本.
- 可见近红外高光谱成像 (VNIR-HSI) 用于数据采集.
- 使用了机器学习算法 (SVM) 与预处理方法 (MSC,CARS) 相结合.
- 进行了图像和光谱特征的中级数据融合.
主要成果:
- 发现,年龄对沙夫兰品质的影响比地理原产地更大.
- 在MSC-CARS-SVM有效分类的沙夫兰原产地.
- FD-CARS-SVM有效地分类了沙夫兰的年龄和等级.
- 数据融合提高了原产地和年龄预测准确度,分别达到98.3%和97.9%.
- 频谱FD-CARS-SVM模型在等级识别方面实现了89.6%的准确性.
结论:
- 拟议的VNIR-HSI,机器学习和数据融合方法为沙夫兰的质量表征提供了强大的方法.
- 这种技术为沙夫兰行业提供了理论基础和技术支持.
- 准确识别原产地,年龄和等级,既有利于生产者,也有利于消费者.
更多相关视频
11:37RGB and Spectral Root Imaging for Plant Phenotyping and Physiological Research: Experimental Setup and Imaging Protocols
Published on: August 8, 2017
06:50O-cresol Concentration Online Measurement Based On Near Infrared Spectroscopy Via Partial Least Square Regression
Published on: November 8, 2019
