结合特征提取方法和分类提升来区分使用近红外光谱的生菜储存时间

科学领域:

• 农业科学 农业科学
• 分析化学 分析化学
• 机器学习 机器学习

背景情况:

• 沙拉的储存时间显著影响其营养价值和感官属性.
• 需要准确的,非破坏性的方法来根据储存时间对生菜进行分类.
• 保持生菜质量需要了解收获后的变化.

研究的目的:

• 开发和评估基于储存时间的生菜的非破坏性分类模型.
• 研究将特征提取技术与机器学习算法相结合的有效性.
• 为了优化分类准确度,以确定菜的储存时间.

主要方法:

• 近红外 (NIR) 光谱数据从生菜样本中收集.
• 数据预处理涉及六种不同的方法.
• 用近似线性差异分析 (ALDA),常向量线性差异分析 (CLDA),最大不确定性线性差异分析 (MLDA) 和零空间线性差异分析 (NLDA) 进行特征提取.
• 使用分类和回归树 (CARTs) 和分类增强 (CatBoost) 构建了分类模型.

主要成果:

• 用于特征提取的零空间线性分辨分析 (NLDA) 和用于分类的分类提升 (CatBoost) 的组合产生了最高的准确性.
• 最佳模型实现了97.67%的分类准确度,用于区分生菜储存时间.
• 各种特征提取方法在处理小样本尺寸时的有效性进行了比较.

结论:

• 零空间线性分辨分析 (NLDA) 和分类增强 (CatBoost) 与NIR光谱的整合提供了一种有效的方法,用于非破坏性地分类生菜储存时间.
• 这种方法为生菜供应链中的质量控制提供了一个有希望的解决方案.
• 该研究强调了先进的化学测量和机器学习技术在农产品评估中的潜力.