
-
生物通官微
陪你抓住生命科技
跳动的脉搏
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
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。

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。
