化学论文_卷积神经网络光谱分析方法及其在农产(2)

5.5 本章小结

第六章 总结与展望

6.1 主要研究结论

6.2 主要创新点

6.3 进一步展望

参考文献

作者简历

文章摘要:农产品品质检测和分级以为市场供给优质的农产品作为首要目标,是推动农产品产后处理高质量发展,实现农业农村现代化的关键环节。光谱分析技术由于其无损的特性,在农产品品质检测领域具备重要的研究与应用价值。以化学计量学方法为主要手段的光谱分析模式虽然在现阶段被广泛应用,但是还存在程序繁琐和模型对未知样本的预测能力下降的问题,不能较好地满足农产品品质快速无损检测过程中对精准化和智能化的需求。以卷积神经网络为代表的深度学习方法减少了光谱分析中对专家经验和先验知识的依赖,可以从原始光谱数据中分层次提取有用信息,提高模型预测精度。本文构建了以定性、定量分析及其机理解释为主体的端对端的卷积神经网络光谱数据分析方法,并以多品种梨的可溶性固形物含量预测为例建立了一种其在水果品质无损检测中应用的方案。本文的主要研究内容和结果如下:（1）提出了一种端对端的卷积神经网络光谱定性分析模型,并将其应用于20个葡萄品种的鉴别。模型的平均分类准确率达到87.81%;配对检验结果表明该方法相较于传统化学计量学建模方法中的偏最小二乘回归–线性判别分析和主成分分析–逻辑回归模型有显著的精度提升（p<0.001）;蒙特卡洛交叉验证结果表明,该模型的变异系数为4%,稳定性优于传统化学计量学模型偏最小二乘回归–线性判别分析的变异系数5%。（2）提出了一种端对端的卷积神经网络光谱定量分析模型Deep Spectra,并在玉米蛋白质、药片活性物质、小麦蛋白质和土壤有机质含量等四个公开数据集中验证模型的有效性。结果表明:Deep Spectra模型相比其他三种结构的CNN模型,平均精度提高了15.4%;Deep Spectra模型在四个数据集的原始光谱中取得最低的RMSEP,分别是0.12%、0.35%、0.20%和8.88 g/kg;数据量的增加有利于提高卷积神经网络模型的稳定性和精度,在土壤数据集中选取10%–100%的数据进行训练时,模型的平均RMSEP从11.43 g/kg降低到8.88 g/kg,精度提升22%。（3）提出了一种用于解释深度卷积神经网络光谱分析模型特征提取机理的方法。采用类激活映射方法获取模型的特征波段,并与理论光谱特征峰进行对比;采用逐层特征图可视化方法表示模型逐层特征提取过程。结果表明,卷积神经网络模型提取的特征波段和理论光谱特征波段的位置一致。深层卷积特征提取的过程是:第一层进行光谱数据预处理,隐藏层提取并加强特征峰信息,最后一层学习主要特征波形。蒙特卡洛交叉验证结果表明,卷积神经网络模型在不同数据集划分下的精度稳定,准确率变化仅为0.59%,在拉曼数据集中三个与化学键相关的特征峰624、652和735 cm^-1未发生变化,特征波段稳定。（4）针对光谱分析模型在不同品种的水果品质检测中预测精度低的问题,以多品种的梨为研究对象,将本研究提出的卷积神经网络模型应用于梨的可溶性固形物含量检测中,建立全局和局部卷积神经网络模型,并与支持向量回归和偏最小二乘回归模型进行比较。结果表明,局部卷积神经网络模型在皇冠梨、初夏绿梨、圆黄梨等三个品种的可溶性固形物含量预测中取得了最低的RMSEP,分别为0.33°Brix、0.36°Brix和0.37°Brix,全局卷积神经网络模型在水晶梨数据集中取得了最低的RMSEP为0.46°Brix。全局模型在降低模型选择需求,提升模型预测性能方面具有一定优势。

文章关键词:

项目基金:《光谱学与光谱分析》 网址: http://www.gpxygpfxzz.cn/qikandaodu/2022/0130/536.html