相关实验视频
Updated: May 10, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
8.9K
基于深度学习的杏仁中阿弗拉托克素B1污染的检测,使用高光谱成像:专注于优化3D发射-恢复网络模型
Md Ahasan Kabir1,2, Ivan Lee1, Sang-Heon Lee1
1UniSA STEM, University of South Australia, Mawson Lakes, Adelaide, SA 5095, Australia.
Toxins
|April 25, 2025
概括
检测杏仁中阿弗拉托克辛B1的污染对于食品安全至关重要. 使用高光谱成像的新型深度学习模型为识别受污染的杏仁提供了快速,准确和高效的方法.
科学领域:
- 食品科学 食品科学 食品科学
- 分析化学 分析化学
- 计算机科学 计算机科学
背景情况:
- 阿弗拉托克素B1是一种有毒的致癌物质,存在于杏仁等食品中,对健康构成重大风险.
- 快速和非破坏性检测方法对于确保食品安全和防止阿弗拉托克辛B1污染的传播至关重要.
研究的目的:
- 开发和评估一种新的深度学习方法,以使用超光谱成像来准确地分类被阿弗拉托克素B1污染的杏仁.
- 将拟议的深度学习模型与传统的机器学习方法进行对比,以检测亚毒素B1的性能.
主要方法:
- 使用了3D Inception-ResNet深度学习架构,为分类任务进行了微调.
- 采用高光谱成像来捕获杏仁的光谱数据.
- 实现了一个特征选择算法,以优化处理效率和减少光谱维度.
主要成果:
- 拟议的轻量级3D Inception-ResNet模型实现了90.81%的验证准确性,F1得分为0.899,AUC为0.964.
- 这种深度学习模型在分类被阿弗拉托克辛B1污染的杏仁方面显著优于SVM,RF,QDA和DT等传统方法.
- 计算效率高的轻量级3D Inception-ResNet模型适用于实时工业应用.
结论:
- 超光谱成像与深度学习相结合,提供了一种非常准确的方法来检测杏仁中的阿弗拉托克辛B1.
- 开发的深度学习方法支持创建实时自动选系统,以提高食品安全.
- 这项研究有助于降低食品供应链中与阿弗拉托克辛B1污染相关的健康风险.
关键词:
它们的AUC AUC.开始 ResNet 开始这就是ResNet ResNet.非洲毒素B1是什么?卷积神经网络是一种卷积神经网络.深度学习是一种深度学习.功能选择 功能选择超光谱成像技术的使用.更多相关视频
10:25Construction of Models for Nondestructive Prediction of Ingredient Contents in Blueberries by Near-infrared Spectroscopy Based on HPLC Measurements
Published on: June 28, 2016
10.5K
08:47Author Spotlight: UAV Remote Sensing for Efficient Invasive Plant Biomass Estimation
Published on: February 9, 2024
1.2K
