不同尺寸的FT-NIR光谱与机器学习和图像识别相结合,用于原产地识别:Panax notoginseng的一个例子

科学领域:

• 分析化学 分析化学
• 化学测量 化学测量 化学测量
• 频谱学是一种光谱学.

背景情况:

• 帕纳克斯诺托金生 (P. notoginseng) 是一种具有重要经济意义的有价值的药用草本.
• 确保P.notoginseng的真实性和地理来源至关重要,因为质量差异和市场利用.
• 地理标志 (GI) 地区通常生产优质的P. notoginseng.

研究的目的:

• 开发和验证方法来表征和确定P.notoginseng.的地理来源.
• 为了利用富里叶变换近红外 (FT-NIR) 光谱学结合多变量分析进行快速检测.
• 建立可靠的分类模型,以准确识别原产地.

主要方法:

• 利用近红外光谱法 (FT-NIR) 进行样本分析.
• 应用多变量分析技术,包括主要成分分析 (PCA) 和相关性谱分析,用于初始差异化.
• 开发并比较随机森林 (RF) 和支持矢量机 (SVM) 模型,并优化了预处理和特征提取.
• 使用同步二维相关谱 (2DCOS) 图像和残余卷积神经网络 (CNN) 构建了一个图像识别模型.

主要成果:

• 主要成分分析和相关性光谱分析有效地将P.notoginseng与各种生产区域区分开来.
• 优化的RF和SVM模型,与二级衍生预处理和连续投影算法特征提取,实现了100%的分类正确性和最小的训练时间.
• 2DCOS图像与剩余的CNN模型相结合,在没有复杂的预处理的情况下实现了100%的分类准确性,展示了高潜力.
• 外部验证证实了图像识别方法的强大泛化能力.

结论:

• FT-NIR光谱与多变量分析和先进的机器学习相结合,提供了一种有效和快速的方法来确定P. notoginseng的地理来源.
• 使用2DCOS和CNN开发的图像识别模型提供了高度准确和强大的解决方案,最大限度地减少了人为错误.
• 这种方法在验证P.notoginseng的真实性和确保市场秩序方面具有重要的实际应用潜力.