一种基于电子鼻子和深度学习的高效方法,用于的品种分类和原产地追踪

科学领域:

• 农业科学 农业科学
• 食品科学 食品科学 食品科学
• 传感器技术 传感器技术

背景情况:

• 的质量与品种和原产地有关,但市场替代和交叉污染带来了挑战.
• 现有的识别方法往往是昂贵的,破坏性的,或需要专门的专业知识.
• 准确的分类和原产地追踪对于确保的质量和真实性至关重要.

研究的目的:

• 开发一种新,准确和高效的方法,用于的品种分类和原产地可追溯性.
• 将电子鼻子 (e-nose) 与传感器感知卷积网络 (SACNet) 集成,以提高识别能力.
• 克服现有的昂贵和破坏性的分析技术的局限性.

主要方法:

• 使用电子鼻子 (e-nose) 来收集和分析各种中的气体样本.
• 开发了一种传感器意识卷积网络 (SACNet),其中包含了一个传感器注意模块.
• 在SACNet中实施了局部和广域传感结构,以捕获详细的气体特征.

主要成果:

• 在品种分类 (98.56%在数据集A上) 和原产地可追溯性 (97.43%在数据集B上, 99.31%在数据集C上) 中,SACNET实现了高准确度.
• 传感器注意模块适应性地专注于重要的传感器数据,以改进气体信息收集.
• 在比较实验中,SACNet与其他网络相比显示出更高的性能和效率.

结论:

• SACNet和e-nose的结合提供了一个有效的,非破坏性的识别策略.
• 这项技术为确保市场上的质量和真实性提供了一个有希望的解决方案.
• 开发的方法在准确性和农产品认证的参数效率方面具有显著的优势.