使用CNN-LSTM混合模型对甜粉中玉米改的定量分析
Hongyi Ge1, Xuye Yuan1, Heng Wang1
1Key Laboratory of Grain Information Processing and Control, Ministry of Education, Henan University of Technology, Zhengzhou 450001, Henan, China; Henan Provincial Key Laboratory of Grain Photoelectric Detection and Control, Zhengzhou 450001, Henan, China; College of Information Science and Engineering, Henan University of Technology, Zhengzhou 450001, Henan, China.
太赫兹时域光谱 (THz-TDS) 为检测粉改提供了一种快速,非破坏性的方法. 一个混合深度学习模型 (CNN-LSTM) 在量化粉质量方面表现出卓越的准确性.
科学领域:
- 食品科学 食品科学 食品科学
- 分析化学 分析化学
- 频谱学是一种光谱学.
背景情况:
- 粉是一种重要的食碳水化合物,但对不同类型的粉进行视觉识别是具有挑战性的.
- 现有的粉检测方法往往不准确,复杂,并可能损坏样品.
研究的目的:
- 开发一种快速而准确的方法来量化粉改.
- 评估太赫兹时域光谱学 (THz-TDS) 对于粉分析的有效性.
主要方法:
- 太赫兹时域光谱学 (THz-TDS) 用于从伪造的粉样本中收集光谱数据.
- 数据预处理涉及四种方法,随后使用全光谱和SPA选择的特征进行分析.
- 开发了一种混合的卷积神经网络-长期短期记忆 (CNN-LSTM) 深度学习模型.
主要成果:
- CNN-LSTM模型以0.9765的相关系数 (Rp) 和4.85%的根平均平方预测误差 (RMSEP) 实现了最高的性能.
- 这表明在预测粉改水平方面具有很高的准确性.
结论:
- 太赫兹时域光谱学与CNN-LSTM模型相结合,为快速和非破坏性粉质量监测提供了强大的工具.
- 这种方法对食品行业的质量控制有很大的潜力.
更多相关视频
07:19Quantifying Plant Soluble Protein and Digestible Carbohydrate Content, Using Corn Zea mays As an Exemplar
Published on: August 6, 2018
11:38Author Spotlight: Enhancing PSC-to-Functional Cell Differentiation Using ML Models Based on Live-Cell Bright-Field Imaging
Published on: October 4, 2024