利用深度学习和光谱信息来加强三花种子的品种识别
Hao Huang1, Wen-Xia Li1, Chao-Chuan Jia2
1School of Pharmacy, Anhui University of Chinese Medicine, Anhui 230012, China.
Food chemistry
|February 22, 2026
概括
近红外光谱学与反传播神经网络相结合,准确地识别了三花种子品种. 这种快速,非破坏性的方法增强了用于食品和药品质量控制的种子认证.
科学领域:
- 农业科学 农业科学
- 分析化学 分析化学
- 生物技术是生物技术.
背景情况:
- 松花种子的识别对于质量控制和生殖细胞真实性至关重要.
- 传统的方法可能是耗时和破坏性的.
- 开发快速,非破坏性的技术对于现代农业和工业应用至关重要.
研究的目的:
- 开发一个快速和非破坏性的素质识别模型,用于三花种子.
- 为了比较不同化学测量方法与近红外光谱学 (NIRS) 结合的性能.
- 建立一个强大的分析框架来验证三花种子的生殖质真实性.
主要方法:
- 采用近红外光谱 (NIRS) 来获取光谱数据.
- 化学测量方法包括主要成分分析 (PCA),部分最小平方差异分析 (PLS-DA),逆向传播神经网络 (BPNN) 和卷积神经网络 (CNN) 被利用.
- 模型经过训练并使用三花种子光谱数据进行测试.
主要成果:
- 使用原始光谱的BPNN模型在训练和测试集上实现了百分之百的预测准确性,用于三花种子品种差异化.
- 使用原始光谱的CNN模型显示出高性能,在训练组中准确率为100%,在测试组中准确率为97.235%.
- 与其他模型相比,BPNN在品种区分方面表现优越.
结论:
- 整合NIRS与BPNN提供了一个高度准确和非破坏性的方法来识别红杉种子.
- 这种方法为三花种子生殖质认证提供了一个强大的工具.
- 开发的方法在食品和制药行业的来源验证和质量监督方面具有重大潜力.
