不同品种的山楂果实在营养组成、感官品质等方面存在差异,在工业生产中适用不同的加工方式。传统的检测方法耗时长、具有破坏性以及成本高,为适应规模化生产山楂果实制品的需要,需对山楂果实品种进行无损鉴别。研究共收集了4个品种240...不同品种的山楂果实在营养组成、感官品质等方面存在差异,在工业生产中适用不同的加工方式。传统的检测方法耗时长、具有破坏性以及成本高,为适应规模化生产山楂果实制品的需要,需对山楂果实品种进行无损鉴别。研究共收集了4个品种240个山楂果实样本的近红外光谱数据,采用不同的预处理算法处理光谱数据后,使用自然语言处理(Natural Language Processing,NLP)模型进行分析,以实现山楂果实品种的无损鉴别。结果表明,长短期记忆网络(Long Short-Term Memory,LSTM)以及门控循环单元(Gated Recurrent Unit,GRU)神经网络模型对主成分分析法(Principal Component Analysis,PCA)预处理后的光谱的鉴别准确率高,验证集的准确率均为99.46%±0.00%,测试集的准确率均为100%±0.00%。逻辑回归模型对山楂果实光谱鉴别能力优异,除对二阶差分(Difference Of Second Order,D2)预处理的光谱鉴别能力较差外(验证集准确率96.65%,测试集准确率89.58%),其他预处理方式验证集、测试集的准确率均达到或极接近100%。朴素贝叶斯模型对经PCA处理后的光谱的鉴别效果较优,验证集准确率为95.65%,测试集准确率为95.83%。本研究证实了NLP运用于山楂果实近红外无损鉴别是可行的。展开更多
文摘不同品种的山楂果实在营养组成、感官品质等方面存在差异,在工业生产中适用不同的加工方式。传统的检测方法耗时长、具有破坏性以及成本高,为适应规模化生产山楂果实制品的需要,需对山楂果实品种进行无损鉴别。研究共收集了4个品种240个山楂果实样本的近红外光谱数据,采用不同的预处理算法处理光谱数据后,使用自然语言处理(Natural Language Processing,NLP)模型进行分析,以实现山楂果实品种的无损鉴别。结果表明,长短期记忆网络(Long Short-Term Memory,LSTM)以及门控循环单元(Gated Recurrent Unit,GRU)神经网络模型对主成分分析法(Principal Component Analysis,PCA)预处理后的光谱的鉴别准确率高,验证集的准确率均为99.46%±0.00%,测试集的准确率均为100%±0.00%。逻辑回归模型对山楂果实光谱鉴别能力优异,除对二阶差分(Difference Of Second Order,D2)预处理的光谱鉴别能力较差外(验证集准确率96.65%,测试集准确率89.58%),其他预处理方式验证集、测试集的准确率均达到或极接近100%。朴素贝叶斯模型对经PCA处理后的光谱的鉴别效果较优,验证集准确率为95.65%,测试集准确率为95.83%。本研究证实了NLP运用于山楂果实近红外无损鉴别是可行的。