多尺度特征注意网络用于快速和非破坏性定量玉米中阿弗拉托克辛B1,使用高光谱成像
Yichi Zhang1, Kewei Huan1, Xiaoxi Liu2
1College of Physics, Changchun University of Science and Technology, Changchun 130022, China.
Foods (Basel, Switzerland)
|November 13, 2025
概括
在玉米中精确检测亚毒素B1至关重要. 一个新的深度学习模型,MSFNet-ECA,结合数据增强,显著提高了玉米中亚黄毒素水平的预测准确度.
科学领域:
- 农业科学 农业科学
- 分析化学 分析化学
- 计算机科学 计算机科学
背景情况:
- 玉米是全球重要的农作物,易受非洲毒素污染,需要精确的检测方法.
- 非洲毒素B1 (AFB1) 对健康构成重大风险,使其在玉米中的准确量化对食品安全至关重要.
研究的目的:
- 开发和评估一种深度学习模型 (MSFNet-ECA),用于使用近红外高光谱成像在玉米中准确量化AFB1.
- 调查不同数据增强技术和预处理策略对模型性能的影响.
主要方法:
- 近红外高光谱成像与深度学习多尺度特征网络与高效通道注意力 (MSFNet-ECA) 模型相结合.
- 数据增强方法的比较:乘数随机缩放,引导重新抽样和瓦斯斯坦生成对抗网络 (WGAN).
- 评估预处理策略,包括第二导数 (D2),与增强技术结合使用.
主要成果:
- 通过乘数随机缩放和D2预处理增强的MSFNet-ECA模型实现了卓越的预测性能.
- 预测的根平均平方误差 (RMSEP) 为2.3μg·kg-1,预测的确定系数 (Rp2) 为0.99,剩余预测偏差 (RPD) 为9.
- 与传统模型 (PLSR,SVR,ELM,1D-CNN) 相比,已经证明了显著的准确性改进,从42.5%到86.4%不等.
结论:
- 数据增强技术大大提高了基于深度学习的超频谱化学测量模型的预测能力.
- 拟议的MSFNet-ECA模型与数据增强相结合,提供了一种高效可靠的工具,用于在玉米中实时检测AFB1.
- 这种方法支持在超频谱应用中改善食品质量和安全监测.
