使用高光谱成像和CNN:机器学习算法和深度学习模型的比较评价:在烂的花生中高通量量化青素

科学领域:

• 农业科学 农业科学
• 食品科学 食品科学 食品科学
• 分析化学 分析化学

背景情况:

• 花生中阿弗拉托克辛的污染对健康构成重大风险.
• 快速,非破坏性的检测方法对于食品安全至关重要.
• 菌的生长动态地影响营养含量和亚毒素水平.

研究的目的:

• 开发一种超光谱成像 (HSI) 方法,用于在成的花生中进行定量性偏素分析.
• 将深度学习模型与传统的机器学习算法进行比较.
• 为了研究光谱特征,物理化学性质和青素水平之间的相关性.

主要方法:

• 超光谱成像 (HSI) 与深度学习 (卷积神经网络 - CNN) 相结合.
• 评估各种光谱预处理和特征选择技术.
• 将CNN与部分最小平方回归 (PLSR),随机森林 (RF) 和LASSO模型进行比较.

主要成果:

• 优化的CNN模型实现了高精度 (R2p=0.972,RMSEp=8.203,RPDp=2.738) 的使用.
• 中位过和基于遗传算法的特征选择提高了CNN的性能.
• 该HSI-CNN框架展示了卓越的定量分析能力.

结论:

• 该HSI-CNN框架提供了一个高效和非破坏性的方法,用于高吞吐量亚毒素量化.
• 这种方法支持加强工业食品安全监测.
• 该研究强调了HSI和深度学习在食品质量评估中的潜力.