采用双技术方法:手持NIR光谱仪和CNN用于虫菌. 质量控制 质量控制 质量控制

科学领域:

• 分析化学 分析化学
• 化学测量 化学测量 化学测量
• 药理学是指药理学,即药理学是指药理学.

背景情况:

• 弗里蒂拉里亚菌种类. 具有显著的食用和药用价值,效果因植物部位而异.
• 准确识别Fritillaria spp. 的确切识别. 原产地和改对于质量控制至关重要.
• 传统方法可能缺乏实时评估所需的速度和准确性.

研究的目的:

• 为Fritillaria spp.建立一个高效和方便的质量评估方法. 使用近红外 (NIR) 光谱学.
• 开发一个卷积神经网络 (CNN) 模型,用于准确识别Fritillaria spp. 地理来源. 地理来源. 地理来源.
• 量化确定Fritillaria spp.中的改水平. 使用基于CNN的分析.

主要方法:

• 将手持近红外光谱仪与卷积神经网络 (CNN) 集成,用于光谱数据采集和分析.
• 应用CNN用于精确验证Fritillaria spp.的真实性 地理来源,实现100%的准确性.
• 使用梯度加权类激活映射 (Grad-CAM) 进行特征可视化和PCA-CNN以提高改检测的可解释性.

主要成果:

• 在确定Fritillaria spp.的地理来源时,CNN模型实现了完美的准确性 (100 ± 0%).
• 与PLSR相比,CNN在检测伪造方面表现优越,测试组R2为0.9897.
• PCA-CNN模型也显示了高精度 (R2 = 0.9876),提取的特征集中在1400-1500纳米范围,通过Grad-CAM验证.

结论:

• 手持NIR光谱和CNN方法的结合提供了一种可靠的方法来验证Fritillaria spp.的真实性. 地理来源. 地理来源. 地理来源.
• 该框架允许定量确定改水平,确保Fritillaria spp.的质量和安全. 材料. 材料. 这些材料.
• 该研究建立了一个新的分析框架,用于快速准确地评估有价值的药用植物的质量.