高光谱定量氮含量

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。

澳洲坚果富含蛋白质、营养素、纤维和健康脂肪，其不饱和脂肪和抗氧化剂有益于代谢和心血管健康。但是容易出现质量缺陷，在收获后加工和处理对延长保质期和保证营养质量至关重要。高水分和湿度会导致霉菌和微生物生长，降低坚果质量和营养成分。由于坚果水分含量因农场和大气条件而异，需在供应链中持续监测水分。目前高光谱成像（HSI）可用于无损测定食品和农业中的物理和化学参数。主要应用于可见光、近红外（Vis/NIR）和短波红外（SWIR）。HSI技术已经应用于肉类、虾、大豆和树叶等复杂食品材料的水分含量，但尚未在澳洲坚果上应用。本次试验样品于2022年的 5 月、7 月和 9 月从位于澳大利亚昆士兰州和新南威尔士州收集，以确保不同品种、生长条件和水分浓度的样品。共收集了 30 袋约 1 公斤的带壳澳洲坚果，并从这些袋子中随机抽取 15 个坚果进行成像。图 1. 流程图坚果仁样本分两个阶段收集。第一阶段是直接从加工线上收集仁，由加工厂的实验室工作人员进行机械破碎，水分含量低于3%。共收集了30袋约150克的坚果仁，并从这些袋子中随机抽取15个单独样品。第二阶段是手动破碎收集的带壳坚果样本（前面所述）中的坚果仁，水分浓度在 3% 到 25% 之间，然后立即进行成像（图 1）。坚果仁采样的第二阶段是特意获取水分浓度3%的坚果仁。本研究使用Resonon Pika XC2高光谱成像仪采集高光谱图像。样品被放置在定制的胶合板托盘上，以消除成像过程中的移动误差。首先，将带壳坚果样品随机放置在托盘上并进行成像（图 2a、b），然后旋转≈180° 并重新成像。对于果仁样品，将坚果以两个方向放置在托盘上以获取图像：1）底部朝上（图 3a、b）和 2) 底部朝下（图 3c、d）方向。图 2. (a) 澳洲坚果的伪 RGB 高光谱图像，红色框表示手动选择的单个坚果的感兴趣区域 (ROI) 的示例(b) 使用机器视觉选择的 (a) 中所示相同坚果的灰度图像，黑色圆圈表示检测到的内外轮廓，内圆表示包含从中提取平均光谱并用于模型开发像素的 ROI。图 3. (a) 澳洲坚果仁的伪 RGB 高光谱图像，底部朝上；(b) 使用机器视觉选择的与 (a) 中相同的坚果的灰度图像；(c) 澳洲坚果仁的伪 RGB 高光谱图像，底部朝下。(a) 和 (c) 中的红色框表示手动选择的单个果仁感兴趣区域 (ROI) 的示例。(b) 和 (d) 中的黑色圆圈表示使用机器视觉为每个单个果仁检测到的轮廓，内圈表示从中提取平均光谱并用于模型开发的 ROI。 图 4. (a) 从图像 1（黄色）和图像 2（红色）方向收集的澳洲坚果带壳平均反射率，以及通过平均合并的图像 1 和 2（黑色）；(b) 图像 1；(c) 图像 2；和 (d) 图像 1 和 2 合并后的带壳坚果的主成分分析得分图；(e) 从底部朝上（黄色）和底部朝下（红色）方向收集的澳洲坚果仁的平均反射率，以及通过平均合并的底部朝上和底部朝下图像（黑色）；(f) 底部朝上；(g) 底部朝下；和 (h) 底部朝上和底部朝下图像合并后的坚果仁的主成分分析得分图。默认情况下，平均相对反射率缩放为 10,000（整数）。由于相似性，图 (a) 中坚果壳图像 2 和图像 1 和 2 的组合的反射数据分别通过添加 200 和 400 个相对反射整数进行了缩放。这项研究表明，可以使用机器视觉从高光谱图像中自动提取反射值，并利用这些值开发回归模型来预测澳洲坚果的水分浓度。使用从两幅图像中提取的数据可以提供更可靠的结果。我们的结果表明，来自不同方向的坚果图像的数据可以提供较高的预测精度，因此，该技术可以应用于坚果在传送带上运输的机械化加工。仅使用10 个波长带开发的 PLSR 模型提供了可使用的预测精度水平，同时降低了模型复杂性和计算需求。这项研究表明，高光谱成像结合机器视觉软件在收获后加工过程中预测澳洲坚果水分浓度具有巨大潜力。

车厘子，相信大家都不陌生，毕竟“车厘子自由”曾经也是风靡一时的网络热词。但是车厘茄是什么呢?车厘子的变种？车厘子和茄子的结合？空想不如实干，看看度娘怎么说......嚯，原来车厘茄就是常见的小番茄！另外，小加还了解到车厘茄含有丰富的维他命和十分高的铁质含量，不仅有美容功效，还可以预防出现贫血，可谓是值得多次购买的营养好物。但是购买时，我们只能通过朴素的双眼判断其好坏，如果从专业性的角度出发，该如何评估车厘茄的质量呢？答案就在下面这篇论文里，快一起来看看吧！基于深度学习和高光谱图像估算车厘茄可溶性固形物含量及硬度车厘茄（Solanum lycopersicum）因其特殊的香味深受世界各地消费者喜爱。可溶性固形物（SSC）和硬度是评估产品质量的两个主要指标。现存的测量技术主要依赖于化学方法。然而，这种破坏性的方法不适用于大面积的测量。高光谱成像技术可以同时获取光谱信息和空间信息，已广泛应用于各个领域，如植物病害胁迫检测、工业食品包装、医学图像分类及水果质量分析。基于此，来自浙江工业大学和浙江省农业科学院的研究人员选择当地主流的车厘茄（Zheyingfen-1）为研究对象，测量其硬度和SSC，并基于高光谱图像（PIKA XC 高光谱相机，Resonon Inc.，Bozeman，MT，USA）和相应的深度学习回归模型开发了无损式测量技术。高光谱成像系统【结果】（A）校正的光谱反射率图。（B）MSC预处理。（C）二阶差分预处理。每个模型的SSC估算结果。（A）小样本数据的SVR估算结果。（B）大样本数据的SVR估算结果。（C）小样本数据的KNNR估算结果。（D）大样本数据的KNNR估算结果。（E）小样本数据的AdaBoostR估算结果。（F）大样本数据的AdaBoostR估算结果。（G）小样本数据的PLSR估算结果。（H）大样本数据的PLSR估算结果。（I）小样本数据的Con1dResNet估算结果。（J）大样本数据的Con1dResNet估算结果。大样本数据集每个模型的硬度估算结果。【结论】本研究中，作者利用高光谱图像提出了Con1dResNet深度学习模型来估算车厘茄的SSC和硬度。相比传统的机器学习方法，充足的样本数量可以实现更好的结果。就SSC估算而言，其R2值为0.901，比PLSR高26.4%，其MSE为0.018，比PLSR低0.046。就硬度估算而言，其R2值为0.532，优于PLSR33.7%。结果表明高光谱成像结合深度学习可以显著提高车厘茄SSC和硬度估算准确性