使用化学模型辅助的高光谱成像有效识别陈皮的品种和来源
Hangxiu Liu1, Youyou Wang1, Yiheng Wang1,2,3
1State Key Laboratory for Quality Ensurance and Sustainable Use of Dao-di Herbs, National Resource Center for Chinese Materia Medica, China Academy of Chinese Medical Sciences, Beijing 100700, China.
Foods (Basel, Switzerland)
|June 13, 2025
概括
超光谱成像与深度学习相结合,提供了一种快速,非破坏性的方法来识别Citri Reticulatae Pericarpium (Chenpi) 品种和来源. 这项技术通过改善Chenpi质量评估和可追溯性来确保消费者保护.
科学领域:
- 农业科学 农业科学
- 分析化学 分析化学
- 计算机科学 计算机科学
背景情况:
- 树 (Citri Reticulatae Pericarpium (Chenpi)) 的品质受到地理原产地和品种特征的影响.
- 传统的Chenpi识别方法是低效和昂贵的.
- 快速准确的识别对于消费者保护和质量控制至关重要.
研究的目的:
- 开发一种非破坏性的方法来对陈皮品种和地理来源进行分类.
- 将高光谱成像 (HSI) 与深度学习相结合,以增强Chenpi分析.
- 将深度学习模型的性能与传统机器学习方法进行比较.
主要方法:
- 从中国13个生产地区的15个陈皮品种收集了超谱数据.
- 使用了三种数据集配置 (外上,内上,融合).
- 卷积神经网络 (CNN) 被开发并与PLS-DA,SVM和MLP模型进行比较.
主要成果:
- 使用合并数据集,CNN模型实现了96.39%的品种分类准确度.
- 一个采用D2预处理和CARS特征选择的PLS-DA模型在地理来源歧视方面达到91.67%的准确性.
- 像CARS这样的特征选择策略简化了模型,没有显著的性能损失.
结论:
- 与深度学习相结合,HSI为Chenpi质量评估提供了快速,非破坏性和成本效益的解决方案.
- 这种方法提高了Chenpi产品的可追溯性.
- 该研究验证了HSI和AI在农产品认证中的潜力.
