机器学习辅助的光谱方法用于检测来自Folla Redonda葡萄的Barrantes葡萄中的造
María José Aliaño-González1, Mercedes Vázquez-Espinosa1, Ana V González-de-Peredo1
1Department of Analytical Chemistry, Faculty of Sciences, Wine and Agrifood Research Institute (IVAGRO), University of Cadiz, Agrifood Campus of International Excellence (ceiA3), 11510 Puerto Real, Spain.
这项研究使用机器学习和光谱学来检测葡萄酒造. 支持矢量机器 (SVM) 在识别Barrantes葡萄酒中的造中实现了100%的准确性.
科学领域:
- 食品科学与技术 食品科学与技术
- 分析化学 分析化学
- 机器学习应用 机器学习应用
背景情况:
- 来自加利西亚Folla Redonda葡萄的Barrantes葡萄酒,由于其独特的性成分,容易受到改.
- 保护像Barrantes这样的利基葡萄酒的完整性对农业食品行业至关重要.
研究的目的:
- 开发和优化机器学习模型,用于检测和量化Barrantes葡萄酒中的造.
- 为葡萄酒分析整合可见和近红外 (VIS-NIRS) 和富里埃变换红外 (FTIR) 光谱.
主要方法:
- 应用了先进的机器学习算法,包括支持向量机 (SVM),部分最小平方差异分析 (PLS-DA) 和随机森林 (RF).
- 使用Vis-NIRS和FTIR光谱法,并采用规范化和衍生变换等预处理技术.
- 采用回归模型 (SVMRadial) 来预测从10%到60%的伪造水平.
主要成果:
- 使用Scatter Correction (SNV) 预处理的支持向量机 (SVM) 使用NIRS和FTIR数据实现了100%的精度检测伪造.
- 回归模型准确地预测了伪造水平,R2>0.95和根平均平方误差 (RMSE) <11.
- 证明了对葡萄酒质量进行快速,精确和非破坏性分析的潜力.
结论:
- 这项研究开创了优化机器学习用于葡萄酒改检测的先驱.
- 开发的方法为农业食品行业的质量控制提供了有价值的工具,特别是对于特种葡萄酒.
- 强调了将光谱学和机器学习结合起来,以获得强大的分析解决方案的有效性.
更多相关视频
10:25Construction of Models for Nondestructive Prediction of Ingredient Contents in Blueberries by Near-infrared Spectroscopy Based on HPLC Measurements
Published on: June 28, 2016
07:34Author Spotlight: Exploring the Fermentation Microbiome Through Next-Generation Sequencing
Published on: December 1, 2023
相关概念视频
IR and UV–Vis Spectroscopy of Aldehydes and Ketones
Spectroscopy of Carboxylic Acid Derivatives
