基于复合特征重建与HLOA-CNN算法相结合的Glycyrrhizae Radix et Rhizoma (甘草) 品种的歧视和原产地可追溯性的研究

科学领域:

• 药理学是指药理学,即药理学是指药理学.
• 计算生物学 计算生物学
• 食品科学 食品科学 食品科学

背景情况:

• 准确识别Glycyrrhizae Radix et Rhizoma (甘) 对于其作为功能性食品的使用至关重要.
• 确保真实性需要精确的方法来区分品种和来源.

研究的目的:

• 开发一个优化的深度学习模型,以精确识别甘品种和来源.
• 整合多来源的表型和化学特征,以增强身份验证.

主要方法:

• 收集的甘样品和提取的表型特征 (颜色,光谱,纹理) 和化学成分.
• 使用主要组件分析 (PCA) 和部分最小平方差异分析 (PLS-DA) 进行特征分析.
• 优化了一个卷积神经网络 (CNN),使用角优化算法 (HLOA) 进行分类.

主要成果:

• 确定了用于区分甘品种 (例如,粗度,光谱范围) 和来源 (例如,蓝色,甘酸) 的关键变量.
• 在培训和测试数据集中,HLOA-CNN模型在识别甘品种和来源方面实现了100%的准确性.
• 验证了多源特征融合和食品认证智能优化的有效性.

结论:

• 多源功能融合与优化的深度学习模型相结合,为验证功能性食品提供了高度准确的方法.
• 这种方法为甘和潜在的其他功能性食品提供了新的质量控制和可追溯性解决方案.