Detección en línea de materia seca en papas basada en espectroscopía de transmisión visible e infrarroja cercana combinada con 1D-CNN
Autores: Guo, Yalin; Zhang, Lina; Li, Zhenlong; He, Yakai; Lv, Chengxu; Chen, Yongnan; Lv, Huangzhen; Du, Zhilong
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Detección en línea de materia seca en papas basada en espectroscopía de transmisión visible e infrarroja cercana combinada con 1D-CNN
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Ciencias Agrícolas y Biológicas Generales
Palabras clave
Utilización eficiente de recursos
Tasa de utilización de cultivos
Pruebas de calidad
Productos agrícolas
Datos espectrales
Aprendizaje profundo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 24
Citaciones: Sin citaciones
Se necesita una utilización más eficiente de los recursos y un mayor índice de utilización de los cultivos para hacer frente a la creciente demanda de alimentos. La prueba de calidad eficiente de productos agrícolas clave como las papas, especialmente la prueba rápida de indicadores nutricionales clave, se ha convertido en una estrategia importante para garantizar su calidad y seguridad. En este estudio, se utilizó la espectroscopia de transmitancia visible y cercana al infrarrojo (Vis/NIR) (600-900 nm) para el análisis en línea de múltiples parámetros de calidad en papas. El estudio se centró en comparar tres modelos de red neuronal convolucional unidimensional (1D-CNN), específicamente, el DeepSpectra ajustado, el 1D-AlexNet ajustado y el CNN clásico, con modelos UVE-PLS (eliminación de variables no informativas-mínimos cuadrados parciales). Estos modelos utilizaron datos espectrales para la detección en tiempo real del contenido de materia seca (DM) en las papas. Para abordar los desafíos planteados por datos limitados de Vis/NIR, este estudio implementó estratégicamente técnicas de aumento de datos. Este enfoque mejoró significativamente la robustez y las capacidades de generalización de los modelos. Los modelos 1D-AlexNet y DeepSpectra lograron 0.934 y 0.913 y 0.0603 y 0.0695 g/100 g RMSEP para DM, respectivamente. En comparación con UVE-PLS, el valor mejoró en un 21.31% (0.770 a 0.934) para el modelo 1D-AlexNet y en un 18.64% (0.770 a 0.913) para el modelo DeepSpectra. El valor de RMSEP se redujo en un 47.31% (0.114 a 0.0603) para 1D-AlexNet y un 39.30% (0.114 a 0.0695) para el modelo DeepSpectra. Como resultado, este estudio sería útil para investigar la determinación en línea de la transmisión Vis/NIR de la materia seca de la papa utilizando el aprendizaje profundo. Estos resultados destacaron el inmenso potencial de emplear características espectrales específicas en modelos de aprendizaje profundo para una evaluación en línea más precisa y eficiente de la calidad agrícola. Este avance proporcionó algunas ideas y referencias para contribuir aún más a la evolución de métodos de evaluación de calidad más específicos y eficientes en productos agrícolas.
Descripción
Se necesita una utilización más eficiente de los recursos y un mayor índice de utilización de los cultivos para hacer frente a la creciente demanda de alimentos. La prueba de calidad eficiente de productos agrícolas clave como las papas, especialmente la prueba rápida de indicadores nutricionales clave, se ha convertido en una estrategia importante para garantizar su calidad y seguridad. En este estudio, se utilizó la espectroscopia de transmitancia visible y cercana al infrarrojo (Vis/NIR) (600-900 nm) para el análisis en línea de múltiples parámetros de calidad en papas. El estudio se centró en comparar tres modelos de red neuronal convolucional unidimensional (1D-CNN), específicamente, el DeepSpectra ajustado, el 1D-AlexNet ajustado y el CNN clásico, con modelos UVE-PLS (eliminación de variables no informativas-mínimos cuadrados parciales). Estos modelos utilizaron datos espectrales para la detección en tiempo real del contenido de materia seca (DM) en las papas. Para abordar los desafíos planteados por datos limitados de Vis/NIR, este estudio implementó estratégicamente técnicas de aumento de datos. Este enfoque mejoró significativamente la robustez y las capacidades de generalización de los modelos. Los modelos 1D-AlexNet y DeepSpectra lograron 0.934 y 0.913 y 0.0603 y 0.0695 g/100 g RMSEP para DM, respectivamente. En comparación con UVE-PLS, el valor mejoró en un 21.31% (0.770 a 0.934) para el modelo 1D-AlexNet y en un 18.64% (0.770 a 0.913) para el modelo DeepSpectra. El valor de RMSEP se redujo en un 47.31% (0.114 a 0.0603) para 1D-AlexNet y un 39.30% (0.114 a 0.0695) para el modelo DeepSpectra. Como resultado, este estudio sería útil para investigar la determinación en línea de la transmisión Vis/NIR de la materia seca de la papa utilizando el aprendizaje profundo. Estos resultados destacaron el inmenso potencial de emplear características espectrales específicas en modelos de aprendizaje profundo para una evaluación en línea más precisa y eficiente de la calidad agrícola. Este avance proporcionó algunas ideas y referencias para contribuir aún más a la evolución de métodos de evaluación de calidad más específicos y eficientes en productos agrícolas.