使用超光谱成像通过纠正噪音标签来识别烂的花生
Deshuai Yuan1, Yanqing Xie2, Wenchao Qi1
1Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100101, China; National Engineering Laboratory for Satellite Remote Sensing Applications, Beijing 100101, China.
Food research international (Ottawa, Ont.)
|July 2, 2025
概括
这项研究引入了一种新的框架,用于识别成花生超光谱图像中的噪音标签,显著提高了青毒素检测的准确性. 该方法通过更可靠地识别受污染的花生来提高食品安全.
科学领域:
- 食品科学 食品科学 食品科学
- 农业工程 农业工程
- 计算机视觉 计算机视觉
背景情况:
- 花生中的亚拉托克辛是人类健康的一个主要问题.
- 超光谱成像 (HSI) 和机器学习提供了不破坏性检测烂的花生.
- 噪音标签是HSI数据标签的常见挑战,用于模地区.
研究的目的:
- 开发一个标签质量量量化框架 (CL-ST),用于识别模花生HSI中的噪音标签.
- 通过解决标签噪声,提高在花生中检测青毒素的准确性.
- 评估噪音标签对模型性能和功能选择的影响.
主要方法:
- 提出了一个标签质量量量化框架,整合了信心水平和统计测试 (CL-ST).
- 使用样本外概率估计初始标记信心.
- 通过统计测试评估和排名标签质量,确定模型重建的最佳噪声率 (NR).
主要成果:
- CL-ST可靠量化标签质量,并识别烂的花生HSI中的杂像素.
- 使用CL-ST重建的模型实现了显著提高的准确性 (98.96%) 和精度 (97.09%).
- 噪音标签被确定为模型中错误决策边界的主要原因.
结论:
- CL-ST有效地解决了HSI中的噪音标签,以检测有的花生.
- 该框架提高了食品质量评估的准确性和可靠性.
- CL-ST是一种多功能,无超参数的工具,在HSI数据分析中具有广泛的应用.
更多相关视频
12:19Identification of Metal Oxide Nanoparticles in Histological Samples by Enhanced Darkfield Microscopy and Hyperspectral Mapping
Published on: December 8, 2015
12.6K
07:05Applying Hyperspectral Reflectance Imaging to Investigate the Palettes and the Techniques of Painters
Published on: June 18, 2021
2.5K