通过NIR和深度学习进行美国人参的非破坏性起源和人参分析

科学领域:

• 农业科学 农业科学
• 分析化学 分析化学
• 生物技术是生物技术.

背景情况:

• 美国人参是一种有价值的药用草本,但其生产条件显著影响了其人参化物含量和药用价值.
• 目前还缺乏用于同时确定美国人参的原产地和人参胺含量的非破坏性方法.
• 准确的可追溯性和质量评估对于美国人参市场至关重要.

研究的目的:

• 开发一种非破坏性方法,同时识别美国人参的原产地和预测美国人参的总人参酸含量.
• 为此目的,创建一个混合多任务深度学习网络 (MMTDL),与近红外光谱 (NIR) 集成.
• 评估MMTDL模型的性能与现有方法相比.

主要方法:

• 开发一个混合多任务深度学习网络 (MMTDL),包括残余网络,注意力机制和混合头脑网络.
• 利用近红外 (NIR) 光谱技术从四个来源的150个美国人参样本中获取数据.
• 采用剩余模块,通道注意力和自我注意力,以从NIR光谱数据中提取增强的特征.
• 设计混合分类和回归头来处理光谱重叠和混合有效频段.

主要成果:

• 与其他四种方法相比,MMTDL模型实现了更高的性能.
• 关键性能指标包括R2 (0.94),RMSE (3.13),RPD (4.13),整体精度 (99.21%),精度 (98.95%) 和回忆 (99.14%).
• 该模型在原产地可追溯性和总金赛诺化物含量预测方面都表现出高准确性.

结论:

• 近红外 (NIR) 光谱与多任务深度学习网络相结合,为美国人参分析提供了有效的非破坏性解决方案.
• 该MMTDL模型成功地实现了同时识别原产地和预测总人参化物含量.
• 这种方法在美国人参行业的质量控制和认证方面具有重大潜力.