收获前和收获后基于近红外光谱的植物性食品质量评估,加上多层次的深度集体学习
Yu Yang1, Yu Zhang2, Lanxiang Yu3
1Key Laboratory of Grain Information Processing and Control, Ministry of Education, Henan University of Technology, Zhengzhou 450001, China; Henan Key Laboratory of Grain Photoelectric Detection and Control, Henan University of Technology, Zhengzhou 450001, China; College of Information Science and Engineering, Henan University of Technology, Zhengzhou 450001, China; Institute for Complexity Science, Henan University of Technology, Zhengzhou 450001, China.
一个新的多尺度深集团回归 (MDER) 框架改进了近红外 (NIR) 光谱技术,用于评估植物食品质量. 这种方法可以准确地预测干物质和蛋白质等内部属性,即使在不同的农业条件下.
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:
- 准确的内部质量评估对于植物性食品的成熟度和分级至关重要.
- 近红外 (NIR) 光谱技术提供了快速,非破坏性的分析,但在现实产品中与光谱对线性和化学异质性作斗争.
- 传统的化学测量模型往往是不可靠的,因为掩盖了微妙的组成差异.
研究的目的:
- 开发一个新的多尺度深集团回归 (MDER) 框架,以增强NIR光谱用于质量评估.
- 使用先进的深度学习技术,将化学信息的光谱变异与冗余的相关性分开.
- 在各种农业数据集上验证MDER框架的有效性.
主要方法:
- 开发了一个多尺度深集团回归 (MDER) 框架,包含多受体场1D-CNN分支.
- 利用基于注意力的元学习器来整合来自不同受感领域的特征.
- 将MDER模型应用于多季度Vis-NIR果数据集 (干物质) 和多来源NIR玉米核数据集 (蛋白质).
主要成果:
- 对于两个数据集,MDER在测试集上实现了高预测准确度.
- 果干物质的预测:R2 = 0.9352.2. 这就是果的干物质.
- 玉米核蛋白质的预测:R2 = 0.9046. 这就是玉米核蛋白质的预测:R2 = 0.9046.
结论:
- 该MDER框架有效地解决了NIR分析中的光谱对线性和化学异质性挑战.
- 将MDER与NIR光谱学相结合,为植物性食品的质量评估提供了具有化学意义和准确的方法.
- 这种方法显示出在可变的农业条件下进行质量分级的巨大潜力.
相关概念视频
Infrared (IR) Spectroscopy: Overview
Different compounds display unique properties due to their...
NMR Spectroscopy: Spin–Spin Coupling
Cardiomyopathy VII: Pre and Post Operative Nursing Management
Plant Hormones
Acids, Bases and Neutralization Reactions
Attenuated Total Reflectance (ATR) Infrared Spectroscopy: Overview
The ATR process begins by directing a beam...


