深度学习辅助的多重复合电化学指纹用于中国茶叶识别
Yuyu Tan1, Mengli Luo1, Chao Xu1
1Hunan Province Key Laboratory for Ultra-Fast Micro/Nano Technology and Advanced Laser Manufacture, School of Electrical Engineering, University of South China, Hengyang 421001, China.
Analytical chemistry
|April 10, 2025
概括
一个新的激光雕刻传感器阵列使用电化学指纹和卷积神经网络 (CNN) 准确识别茶叶多和区分中国茶叶品种. 这种方法为农产品的认证提供了一种可靠的方法.
科学领域:
- 分析化学 分析化学
- 传感器技术 传感器技术
- 机器学习 机器学习
背景情况:
- 在复杂矩阵中区分具有相似化学结构的自然产品在分析上具有挑战性.
- 传统方法往往缺乏复杂样本分析所需的灵敏度和特异性.
- 对茶等农产品的准确认证对于质量控制和消费者信任至关重要.
研究的目的:
- 开发一种用于快速和精确检测茶叶多的新型传感策略.
- 用多重电化学指纹来区分各种类型的中国茶.
- 通过先进的机器学习算法提高茶叶识别的准确性.
主要方法:
- 开发一种激光雕刻的传感器阵列,具有三个不同的工作电极配置 (裸体,纳米酶,生物酶).
- 多重电化学指纹的应用,从复杂的样本产生独特的信号.
- 利用自主设计的一维卷积神经网络 (1D-CNN) 进行特征提取和模式识别.
主要成果:
- 成功检测了三种关键茶叶多.
- 精确区分六种中国茶系列 (98.84%) 和24种不同的茶品种 (97.68%).
- 与其他机器学习方法相比,深度学习辅助电化学指纹的准确性更高.
结论:
- 开发的传感器阵列和1D-CNN算法提供了一种快速,可靠和高度准确的茶叶多检测和茶叶认证方法.
- 这种方法显著提高了复杂农产品识别和认证的能力.
- 该研究强调了将先进的传感技术与食品分析和质量保证的深度学习相结合的潜力.
