多模式深度学习与超光谱成像用于准确的原产地分类的wolfberries
1College of Mechanical Engineering, Taiyuan University of Technology, Taiyuan 030024, China.
Food chemistry: X
|October 27, 2025
概括
一个新的多式联机深度学习模型使用光谱和图像数据准确地分类wolfberry来源,达到99.88%的准确性. 这种先进的方法超越了农产品可追溯性和质量保证的传统技术.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 食品科学 食品科学 食品科学
背景情况:
- 准确地分类狼的地理来源对于其营养和药用价值至关重要.
- 传统的原产地分类方法往往缺乏效率和准确性.
研究的目的:
- 开发一种高精度的方法来分类wolfberry的地理来源.
- 将多式联机深度学习模型与传统机器学习方法的性能进行比较.
主要方法:
- 开发了一种具有交叉注意力机制的多模式卷积神经网络 (MTCNN).
- 用MTCNN提取和融合了光谱和图像特征.
- 传统方法包括主要组件分析 (PCA),支向量机 (SVM) 和K-近邻 (KNN) 用于比较.
主要成果:
- 在MTCNN的测试准确度达到了99.88%的wolfberry原产地分类.
- 最好的传统模型 (采用GBDT提取的光谱特征和融合图像数据的SVM) 达到96.68%的准确性.
- 多模式深度学习方法显著超过了传统方法.
结论:
- 多模式深度学习为农产品的可追溯性和认证提供了卓越的性能.
- 拟议的MTCNN模型是高效的,可解释的,适合于质量保证的实际应用.
- 这项研究表明了先进的人工智能技术在提高食品安全和产品验证方面的潜力.
更多相关视频
08:49Author Spotlight: Unveiling the Potential of VSFG Microscopy in Studying Mesoscopically Heterogeneous Self-Assembled Structures
Published on: December 1, 2023
2.0K
11:37RGB and Spectral Root Imaging for Plant Phenotyping and Physiological Research: Experimental Setup and Imaging Protocols
Published on: August 8, 2017
16.9K
