近红外光谱学与格拉米安角场相结合,用于白茶改检测的二维卷积神经网络

科学领域:

• 食品科学 食品科学 食品科学
• 分析化学 分析化学
• 机器学习 机器学习

背景情况:

• 白茶的风味和质量与其来源密切相关,影响消费者选择.
• 准确的地理原产地认证对于产品质量和消费者信任至关重要.
• 使用近红外 (NIR) 技术进行定量改测试的传统方法在外部验证方面面临挑战,限制了实际应用.

研究的目的:

• 开发一种可靠的方法,用于在白茶中检测定量地理来源和改.
• 克服传统NIR分析在茶叶认证外部验证方面的局限性.
• 探索深度学习和图像编码技术对NIRS数据分析的有效性.

主要方法:

• 利用格拉米安角场 (GAF) 图像编码来将近红外光谱 (NIRS) 数据转换为图像表示.
• 采用一个二维卷积神经网络 (2D-CNN) 模型,称为GAF-2D-CNN,用于分析光谱图像数据.
• 应用GAF-2D-CNN模型用于量化预测白茶原产地造比率.

主要成果:

• 该GAF-2D-CNN模型在预测未经训练的随机改比率方面表现出高准确性.
• 在外部验证中获得了0.9754的平均R平方 (R2) 和0.0349的根平均平方误差 (RMSE),符合实际生产标准.
• 在准确度方面,GAF-2D-CNN显著超过了传统的回归模型和一维CNN (1D-CNN) 模型.

结论:

• 该研究成功地应用了NIR光谱图像编码和深度学习,用于茶叶行业的定量回归.
• GAF-2D-CNN方法提供了一个强大而准确的工具,用于检测白茶中的地理来源改.
• 这项研究强调了基于深度学习的图像处理对NIRS数据在食品认证和质量控制中的重大优势.