集成深度学习方法辅助高光谱成像 在薏苡仁地理来源识别和营养成分含量预测中的应用
导读：中国中医科学院中药资源中心黄璐琦院士团队提出了注意力机制、卷积神经网络和长短时记忆的集成深度学习模型辅助的高光谱成像。实现了薏苡仁的地理来源和质量的定量、快速无损检测。
中国中医科学院中药资源中心黄璐琦院士团队提出了注意力机制（AM）、卷积神经网络（CNN）和长短时记忆（LSTM）的集成深度学习模型辅助的高光谱成像(HSI)。实现了薏苡仁的地理来源和质量的定量、快速无损检测。相关研究成果在以题为“Application of hyperspectral imaging assisted with integrated deep learning approaches in identifying geographical origins and predicting nutrient contents of Coix seeds”发表在国际学术期刊Food Chemistry（IF= 8.688）上。通讯作者为黄璐琦院士和杨健副研究员。
薏苡仁含有丰富的营养物质，包括淀粉、蛋白质和油脂等。具有受保护地理标志和高水平营养物质含量的地理来源保证了薏苡仁的质量，但无损和快速预测这些质量指标的方法仍有待探索。本文提出了注意力机制( Attention Mechanism，AM )、卷积神经网络（Convolutional Neural Networks，CNN）和长短时记忆（Long short-term memory）的集成深度学习模型辅助的高光谱成像( High Spectral Imaging，HSI )。该方法实现了有效波长的选择，生产区域判别的预测精度最高，营养物质含量预测的平均绝对误差和均方根误差最低。此外，通过AM模型选择的波长对于预测地理来源和营养元素含量具有可解释性和可靠性。提出的HSI与集成深度学习模型的结合在薏苡仁的质量评价中具有很大的潜力。
研究亮点:
1.引入注意力机制以增强深度学习模型的性能
2.所提出的深度学习模型适用于营养和来源预测
3.研究中所选波长是可解释且可靠的
图1. ACLSTM模型的结构。ACLSTM模型由注意力机制( AM )、卷积神经网络( CNN )和长短期记忆网络( LSTM )三部分组成。CNN前面的AM模块用于评估重要波长的权重，并将结果作为CNN模块的输入。CNN模型由3个隐藏层、2个全连接层和1个回归层组成。在CNN模型的隐藏层的卷积层后面加入LSTM模型，替换第一层全连接层。
图2 . 产地预测效果和AM选择识别的有效波长。(a)通过AM模型选择(AM -测试集)在全波长测试集和有效波长测试集上的预测精度；(b)产地预测中预测效果最好的ACLSTM模型的测试组结果；(c)通过AM选择波长。在产地预测中，采用权重值相对较高的前9个波长进行模型预测。此外，在油脂、蛋白质和淀粉的预测中，采用权重值相对较高的前6个波长进行模型预测。
图3 . 来自最佳模型组的三种营养物质含量的参考值与预测值。(a) - (c)使用基于全波长的最佳模型ACLSTM预测油、蛋白质和淀粉含量；(d) ~ (f)油分、蛋白质和淀粉含量预测使用基于所选波长的最佳模型CLSTM。R2，曲线相关系数的平方；Reg. bias，回归偏差。
研究结论：
本研究提出的ACLSTM模型(即AM、CNN和LSTM)具有变权重评价和连续光谱信息融合的优点，与传统的学习模型和单独的深度学习模块相比，在地理来源和营养物质含量预测方面取得了更令人满意的效果。此外，通过AM选择的有效HSI波长在提高预测效率和结果的可解释性方面具有可解释性和可靠性。整体结果表明HSI技术结合深度学习模型ACLSTM对薏苡仁质量评价具有巨大的应用潜力，该方法具有快速、无损、有效检测的优点。在未来的研究中，我们将收集更多来自不同生产区域、不同种植模式(有机与否)、不同储存年限的薏苡仁样本，以提高所提出模型的应用范围和可靠性。此外，基于有效波长，我们将尝试开发便携式和成本较低的高光谱设备，供工业使用。
来源于： AI新视界FoodAI
热门评论
最新资讯
新闻专题
更多推荐
