基于机器学习的多频段高光谱成像技术,对商业皮类型进行非破坏性识别
Yuanxi Han1, Liang Li1, Siyuan Jiang1
1Food Science College, Xizang Agriculture & Animal Husbandry University, R&D Center of Agricultural Products with Xizang Plateau Characteristics, The Provincial and Ministerial Co-founded Collaborative Innovation Center for R&D in Xizang Characteristic Agricultural and Animal Husbandry Resources, Nyingchi 860000, China.
Food chemistry: X
|March 12, 2025
概括
检测假冒的肉非常重要. 这项研究使用了超光谱成像和机器学习来准确识别抽类型,短波近红外成像和线性模型被证明是最有效的身份验证.
科学领域:
- 食品科学 食品科学 食品科学
- 分析化学 分析化学
- 机器学习 机器学习
背景情况:
- 商业性假冒冒品构成一个重大的市场挑战.
- 非破坏性认证方法对于质量控制至关重要.
研究的目的:
- 开发和评估用于识别商业类型的非破坏性方法.
- 研究光谱带,算法和优化对识别准确性的影响.
主要方法:
- 使用可见近红外 (Vis-NIR) 和短波近红外 (SW-NIR) 超光谱成像.
- 应用了多种机器学习算法,包括后勤回归,支持矢量机 (SVM) 和人工神经网络 (ANN).
- 进行数据预处理和超参数优化以提高模型性能.
主要成果:
- 数据预处理提高了模型的准确性和稳定性.
- 后勤回归实现了85.78%-100.00%的准确性,用于的识别.
- 使用线性内核优化的SVM在不同的光谱频段中达到89.29%-95.29%的准确性.
- 该模型显示了最佳的训练性能,准确度超过90.00%.
结论:
- 短波近红外 (SW-NIR) 超光谱成像与线性模型 (逻辑回归,线性内核SVM) 相结合,对于类型识别更为优越.
- 这项研究提供了对最佳乐队选择,模型选择和动身份验证的优化策略的宝贵见解.
更多相关视频
08:49Author Spotlight: Unveiling the Potential of VSFG Microscopy in Studying Mesoscopically Heterogeneous Self-Assembled Structures
Published on: December 1, 2023
1.3K
06:28Author Spotlight: Unraveling Plant Responses to Abiotic Stresses Using the PlantScreen Robotic Platform
Published on: June 7, 2024
1.6K
