释放小粉的潜力:用于质量评估和成分表征的AI驱动预测

科学领域:

• 农业科学 农业科学
• 食品科学 食品科学 食品科学
• 数据科学数据科学数据科学

背景情况:

• 粉对于植物性饮食至关重要,但其质量因遗传学,环境和加工而有所不同.
• 标准化小粉的质量是具有挑战性的,影响其在食品生产中的使用.
• 对于一致的植物性食品,需要准确有效的质量评估方法.

研究的目的:

• 将深度学习 (DL) 模型与近红外光谱 (NIR) 集成,以改进豆面粉质量评估.
• 将各种DL模型 (CNN,ViT,GCN) 与传统方法的性能进行比较.
• 评估DL模型在预测小粉的关键营养和组成属性的准确性.

主要方法:

• 使用了136种小豆品种的数据集进行分析.
• 应用深度学习模型,包括卷积神经网络 (CNN),视觉转换器 (ViT) 和图形卷积网络 (GCN).
• 将最有效的DL模型 (CNN) 与部分最小平方回归 (PLSR) 的性能进行了比较.

主要成果:

• 基于CNN的深度学习模型在准确性方面超过了传统的PLSR方法.
• 对蛋白质含量,粉,可溶糖,不溶性纤维,总脂质和水分水平的准确预测得到了实现.
• 人工智能增强的NIR光谱学证明了非破坏性,快速和可靠的小粉分析的潜力.

结论:

• 与NIR光谱学集成的深度学习模型为彻底改变小面粉质量控制提供了一个有希望的方法.
• 人工智能驱动的方法可以带来更一致,更高质量的植物性食品.
• 在DL模型的进一步进步可以使工业适用性提高食品质量评估.