一个多任务的深度注意网络,用于同时快速量化中的糖糖,葡萄糖和果糖含量,使用FT-NIR光谱学
Yingchao Xu1, Jiayu Luo1, Shudan Xue1
1Guangdong Key Laboratory for New Technology Research of Vegetables, Vegetable Research Institute, Guangdong Academy of Agricultural Sciences, Guangzhou 510640, China.
Food chemistry
|October 12, 2025
概括
一个新的深度学习模型,多任务深度注意网络 (MTDAN),使用FT-NIR光谱学准确量化南瓜中的糖,克服光谱重叠的挑战,以提高质量评估.
科学领域:
- 农业科学 农业科学
- 分析化学 分析化学
- 机器学习 机器学习
背景情况:
- 溶性糖对南瓜的质量有很大的影响.
- 通过FT-NIR光谱来量化南瓜中的糖是很困难的,因为光谱重叠.
研究的目的:
- 开发一种用于同时量化南瓜中主要可溶糖 (果糖,葡萄糖,糖) 的新方法.
- 与传统的化学测量技术相比,评估开发的方法的性能.
主要方法:
- 开发一个多任务深度注意网络 (MTDAN),整合深度学习,注意力机制和多任务学习.
- 将MTDAN应用于南瓜的FT-NIR光谱数据以量化糖.
- 将MTDAN与部分最小平方回归,回归和随机森林模型进行比较.
主要成果:
- 与其他方法相比,MTDAN显示出更高的预测准确度 (R2p = 0.91-0.93,RMSEP = 8.38-10.30 mg/g DW).
- 该模型成功量化了果糖,葡萄糖和糖糖的广泛度范围.
- MTDAN显示了对光谱重叠的稳定性,为每个糖类确定了关键的光谱区域.
结论:
- MTDAN是一种多功能且准确的工具,用于使用FT-NIR光谱测定南瓜中的糖含量.
- 开发的模型克服了处理光谱重叠的传统方法的局限性.
- 这种方法允许精确的质量控制和评估南瓜.


