为实现南极磷虾粉中虾青素含量的快速检测,借助计算机视觉和卷积神经网络建立了一种虾粉虾青素含量的测定方法。以70个南极磷虾粉样本,通过高效液相色谱法测定虾青素含量,计算机视觉系统采集图像,将虾青素含量与图像对应组成数据集并对...为实现南极磷虾粉中虾青素含量的快速检测,借助计算机视觉和卷积神经网络建立了一种虾粉虾青素含量的测定方法。以70个南极磷虾粉样本,通过高效液相色谱法测定虾青素含量,计算机视觉系统采集图像,将虾青素含量与图像对应组成数据集并对数据集进行数据增强;使用TensorFlow学习框架构建模型,使用5折交叉验证进行模型调参及评估并选出最优参数模型;随机划分数据集对最优参数模型进行评估,最后随机挑选数据集中的30张图像进行模型验证。结果显示经过交叉验证后的最优参数模型的均方根误差(Root Mean Square Error,RMSE)为3.59;模型评估阶段,模型重复运行3次,测试集的决定系数(Coefficient of Determination,R2)、均绝对误差(Mean Absolute Error,MAE)、均方误差(Mean Square Error,MSE)、RMSE的平均值分别为0.9626、1.49、4.22、2.05。模型验证阶段,模型预测虾青素含量的相对误差介于0.10%~6.46%之间,预测结果与观测值之间偏差较小。因此,该虾青素含量预测模型能够较准确地预测虾青素含量,进而实现虾粉虾青素含量的快速无损检测。展开更多
文摘为实现南极磷虾粉中虾青素含量的快速检测,借助计算机视觉和卷积神经网络建立了一种虾粉虾青素含量的测定方法。以70个南极磷虾粉样本,通过高效液相色谱法测定虾青素含量,计算机视觉系统采集图像,将虾青素含量与图像对应组成数据集并对数据集进行数据增强;使用TensorFlow学习框架构建模型,使用5折交叉验证进行模型调参及评估并选出最优参数模型;随机划分数据集对最优参数模型进行评估,最后随机挑选数据集中的30张图像进行模型验证。结果显示经过交叉验证后的最优参数模型的均方根误差(Root Mean Square Error,RMSE)为3.59;模型评估阶段,模型重复运行3次,测试集的决定系数(Coefficient of Determination,R2)、均绝对误差(Mean Absolute Error,MAE)、均方误差(Mean Square Error,MSE)、RMSE的平均值分别为0.9626、1.49、4.22、2.05。模型验证阶段,模型预测虾青素含量的相对误差介于0.10%~6.46%之间,预测结果与观测值之间偏差较小。因此,该虾青素含量预测模型能够较准确地预测虾青素含量,进而实现虾粉虾青素含量的快速无损检测。