基于非政府组织(NGO)的超参数优化的双光谱深度学习技术,用于快速评估辣椒酱的质量

《Journal of Food Measurement and Characterization》:Dual-spectral deep learning with NGO-based hyperparameter optimization for rapid chili paste quality evaluation

【字体: 大 中 小 】 时间:2026年06月09日 来源:Journal of Food Measurement and Characterization 3.3

编辑推荐:

  摘要CNN-LSTM模型在预测发酵辣椒酱的关键质量指标(包括还原糖、黄曲霉素B1(AFB1)和颜色值)方面表现不佳。为了解决这一局限性,研究人员开发了一种基于注意力机制的双光谱深度学习框架,该框架整合了高光谱成像(HSI)、近红外光谱(NIRS)、Mixup-Gaussian数据

  

摘要

CNN-LSTM模型在预测发酵辣椒酱的关键质量指标(包括还原糖、黄曲霉素B1(AFB1)和颜色值)方面表现不佳。为了解决这一局限性,研究人员开发了一种基于注意力机制的双光谱深度学习框架,该框架整合了高光谱成像(HSI)、近红外光谱(NIRS)、Mixup-Gaussian数据增强策略以及Northern Goshawk优化(NGO)技术。MSC预处理方法的表现优于SG方法,而UVE在PLSR模型中提供了比CARS更稳健的特征选择能力。在HSI-NIR融合模式下,采用NGO优化参数的CNN-BiLSTM-Attention模型取得了最佳准确率:还原糖的R2值从0.850提升至0.963,AFB1的R2值从0.815提升至0.956,颜色值的R2值从0.899提升至0.984,相较于MSC-UVE-PLSR模型有显著改进。消融实验进一步证实了这一趋势:HSI-NIR > HSI > NIR。本研究为食品加工自动化中快速、无损地预测发酵辣椒酱的关键质量和安全指标提供了一种新的方法。

图形摘要

此图片的替代文本可能是由AI生成的。

CNN-LSTM模型在预测发酵辣椒酱的关键质量指标(包括还原糖、黄曲霉素B1(AFB1)和颜色值)方面表现不佳。为了解决这一局限性,研究人员开发了一种基于注意力机制的双光谱深度学习框架,该框架整合了高光谱成像(HSI)、近红外光谱(NIRS)、Mixup-Gaussian数据增强策略以及Northern Goshawk优化(NGO)技术。MSC预处理方法的表现优于SG方法,而UVE在PLSR模型中提供了比CARS更稳健的特征选择能力。在HSI-NIR融合模式下,采用NGO优化参数的CNN-BiLSTM-Attention模型取得了最佳准确率:还原糖的R2值从0.850提升至0.963,AFB1的R2值从0.815提升至0.956,颜色值的R2值从0.899提升至0.984,相较于MSC-UVE-PLSR模型有显著改进。消融实验进一步证实了这一趋势:HSI-NIR > HSI > NIR。本研究为食品加工自动化中快速、无损地预测发酵辣椒酱的关键质量和安全指标提供了一种新的方法。

图形摘要

此图片的替代文本可能是由AI生成的。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号