根据Canny-GoogLeNet深度学习网络与三维光光谱学相结合,检测了两个单花蜂蜜的真实性
Shengkang Ji1, Daniel Granato2, Kai Wang3
1School of Physical Science and Information Technology, Liaocheng University, Liaocheng 252059, China.
Food chemistry
|April 30, 2025
概括
这项研究引入了使用Canny-GoogLeNet和3D光谱学来验证蜂蜜真实性的深度学习模型. 该方法可以准确识别纯蜂蜜和造蜂蜜,确保食品安全.
科学领域:
- 食品科学 食品科学 食品科学
- 频谱学是一种光谱学.
- 人工智能的人工智能
背景情况:
- 蜂蜜认证对于食品安全和消费者信任至关重要.
- 传统的蜂蜜分析方法可能耗时,可能无法检测出所有杂质.
- 需要先进的分析技术来可靠地测试蜂蜜的真实性.
研究的目的:
- 开发和验证一种深度学习模型,用于使用3D光光谱学来验证蜂蜜的真实性.
- 评估Canny-GoogLeNet架构在分析蜂蜜分析复杂光谱数据方面的有效性.
- 为了区分真正的单花蜂蜜和伪造的样本.
主要方法:
- 一个深度学习网络,Canny-GoogLeNet,被开发用于蜂蜜身份验证.
- 采用三维 (3D) 光光谱法来捕获光谱数据.
- 使用的边缘检测算法从3D光谱数据中提取相关特征.
- 该模型在强奸蜂蜜,狼蜂蜜和伪造样本的数据集上进行了训练和验证.
主要成果:
- 深度学习模型在训练集上实现了大约100%的准确性.
- 该模型在验证集上显示了93.7%的准确性.
- 综合方法有效地区分了真实的和造的蜂蜜样本.
结论:
- 将3D光光谱与深度学习模型相结合,为蜂蜜认证提供了一个强大的工具.
- Canny-GoogLeNet架构显示了在食品分析中分析光谱数据的巨大潜力.
- 这种方法提供了一种强大而准确的方法,以确保蜂蜜的质量并防止欺诈.
