基于深度学习的微调转移提高了使用微型近红外光谱仪预测茶成分的概括性

科学领域:

• 分析化学 分析化学
• 频谱学是一种光谱学.
• 化学测量 化学测量 化学测量

背景情况:

• 近红外 (NIR) 光谱对于确定茶叶成分是有价值的.
• 预测茶叶成分的模型准确性通常受样本类型变化限制.
• 开发各种茶类 (绿茶,黑茶,乌龙茶,黄色茶) 的通用模型仍然是一个挑战.

研究的目的:

• 通过使用NIR光谱学,在多种茶类中开发出针对甲素和咖啡因的通用预测模型.
• 调查深度学习微调的有效性,以提高模型通用性.
• 提出一种具有成本效益和准确的方法来确定茶叶成分.

主要方法:

• 从四种不同的茶类收集了NIR光谱数据.
• 开发并比较基于本地,全球和深度学习的微调模型.
• 利用预训练深度学习模型的卷积层和完全连接层的微调.
• 与传统的转移组件分析进行性能比较.

主要成果:

• 当地模型显示交叉类型预测准确度较差.
• 全球模型提高了性能,但仍然不足.
• 深度学习微调显著提高了对所有茶类型中的甲基因和咖啡因的预测准确性.
• 微调方法的表现优于传统的转移组件分析.

结论:

• 深度学习微调提供了一个强大的策略,用于创建可通用的NIR光谱模型来进行茶叶分析.
• 这种方法提供了一种具有成本效益和准确的解决方案,用于确定不同品种茶叶的关键成分.
• 该研究表明,在应用NIR光谱学来控制茶叶的质量和验证其真实性方面取得了重大进展.