在小麦样本中估计蛋白质含量,使用NIR超光谱成像和1D-CNN

科学领域:

• 农业科学 农业科学
• 频谱学是一种光谱学.
• 机器学习 机器学习

背景情况:

• 小麦蛋白质含量对于其市场价值和应用至关重要.
• 传统的蛋白质分析方法耗时,需要实验室访问,并且不是实时的.
• 目前用于小麦蛋白估计的超光谱成像 (HSI) 模型在蛋白质范围和地理适用性方面存在局限性.

研究的目的:

• 将HSI用于估计小麦蛋白质含量的应用扩展到更广泛的范围.
• 为在不同地理区域种植的小麦验证HSI模型.
• 开发和比较机器学习模型,以准确,实时的蛋白质估计.

主要方法:

• 从印度五个地区 (900-1700 nm) 采集了621个小麦样本的超光谱图像.
• 使用Kjeldahl方法确定参考蛋白质含量 (范围:9.5-17.25%).
• 提取了平均光谱,并使用5倍交叉验证开发/验证了1D-CNN和传统机器学习模型.

主要成果:

• 1D-CNN模型表现出优异的性能,其R2为0.9972,RMSE为0.0771,RPD为18.81.
• 该模型准确地估计了小麦的蛋白质含量,涵盖了广泛的范围和不同的种植地区.
• 与1D-CNN相结合的HSI提供了一种强大的,非破坏性的蛋白质分析方法.

结论:

• 一维卷积神经网络 (1D-CNN) 使用高光谱成像有效估计小麦蛋白质含量.
• 这种HSI方法消除了对湿实验室的需求,并提供实时分析.
• 这些发现对农民,贸易商和食品工业有重大影响,因为它们能够快速评估质量.