可解释的人工智能辅助的混合自我组织地图和深度学习算法,用于检测豆与花生杂的 pistachio

科学领域:

• 食品科学 食品科学 食品科学
• 人工智能的人工智能
• 频谱学是一种光谱学.

背景情况:

• 用更便宜的原料,如干豆来造 pistachio 是一个重要的经济和质量控制问题.
• 准确的检测方法对于确保食品的真实性和消费者对坚果行业的信任至关重要.

研究的目的:

• 开发和验证一种人工智能 (AI) 模型,用于检测和量化生核桃中的干豆改.
• 调查一种新的混合SOM (自我组织地图) 和卷积神经网络 (CNN) 方法用于食品真实性分析的有效性.

主要方法:

• 拉曼光谱法用于分析带有不同百分比 (0-60%) 豆改的 pistachio 样本.
• 开发了一种混合人工智能模型,该模型结合了自组织地图 (SOM) 来减少数据维度和卷积神经网络 (CNN) 来进行图像分类.
• 该模型使用18000个实验室数据点进行了训练和验证.

主要成果:

• 混合SOM-CNN模型成功地将高维光谱数据转换为直观的2D图像进行分析.
• 美国有线电视新闻网 (CNN) 模型实现了高分类准确度,最高训练和验证准确度为97%以检测花生改与豆.
• 开发的方法表明了强大的能力,以区分真实和伪造的 pistachio 样本.

结论:

• 混合SOM-CNN方法提供了一种有效和准确的方法来检测 pistachio 改.
• 这种由人工智能驱动的技术有可能被开发成复杂的软件,用于实时在线分类食品欺诈.
• 该研究强调了将光谱技术与先进的人工智能相结合的力量,以确保食品安全和真实性.