基于太赫兹光谱数据和时间序列深度学习对陈皮年份的鉴定

《Applied Food Research》：Chenpi years identification based on terahertz spectral data and time series deep learning

本研究利用太赫兹时域光谱技术采集新会陈皮不同年龄组的吸收系数谱、介电常数谱、折射率谱及频域谱数据，设计了八种基于时间序列的深度学习模型（XceptionTime、InceptionTime、XResNet1D18Plus等）进行陈皮年龄识别。通过五折交叉验证和频率波段优化，发现全谱数据（FS）的分类准确率最高（83.39%），XceptionTime模型在0.1-8 THz波段表现最优，其次为InceptionTime模型。不同光谱数据中，吸收系数谱（ACS）和介电常数虚部谱（IPS）的分类性能最佳，而单光谱数据（如RPS、RIS）的准确率较低。研究证实多光谱整合可显著提升识别精度，并验证了XceptionTime和InceptionTime模型在宽频带下的优越性。

　　近年来，随着市场上假冒伪劣产品的增多，传统方法在识别陈皮（特别是新会陈皮）年龄方面存在局限性。新会陈皮作为广东省新会地区的一种地理标志产品，具有极高的药用价值和市场价值，且有“陈皮越老越香”的说法，这使得其真实年龄的检测成为维护市场秩序和产品声誉的重要任务。为此，研究者们开始探索基于深度学习的识别技术，以提高陈皮年龄识别的准确性和效率。

传统的陈皮年龄识别方法主要包括经验判断和化学分析。经验判断依赖于专家的积累和判断，但其主观性强，难以保证准确性；化学分析方法虽然准确度较高，但存在样品处理复杂、检测时间长、对样品造成破坏等缺点。相比之下，基于太赫兹（THz）光谱技术的检测方法具有预处理简单、检测速度快、非破坏性等优势，因此受到越来越多的关注。太赫兹光谱技术通常可以提供包括吸收系数光谱、介电常数（虚部）光谱、介电常数（实部）光谱、折射率光谱以及频率域光谱等数据，这些数据具有类似时间序列的特性，为应用深度学习的时间序列处理方法提供了便利。

本研究提出了一种基于太赫兹光谱数据和深度学习技术的陈皮年龄识别方法，设计了八种深度学习模型，包括XCM、OmniScaleCNN、InceptionTime、XceptionTime、mWDN、XResNet1D18Plus、XResNet1D34Plus以及LSTM_FCN。这些模型被用于对不同频率范围内的太赫兹光谱数据进行分类分析，以找出最佳的频率范围和模型性能。研究团队还收集了四种不同年龄（1、3、5、7年）的新会陈皮样本，获取了五种类型的太赫兹光谱数据，包括吸收系数光谱、介电常数（虚部）光谱、介电常数（实部）光谱、折射率光谱以及频率域光谱。通过对这些数据进行五折交叉验证，团队评估了不同模型在不同光谱条件下的分类性能，并得出了有价值的结果。

研究结果表明，使用全谱数据（即五种光谱的综合）的分类准确率显著高于单一光谱。其中，XceptionTime和InceptionTime模型在多种光谱条件下表现出色，其分类准确率高于其他六种模型。这说明，深度学习模型在处理具有时间序列特性的太赫兹光谱数据时，能够有效捕捉其特征并提高识别精度。此外，不同模型在不同频率范围内的表现也有所不同，XceptionTime模型在较宽的频率范围内表现出较高的分类准确率，而InceptionTime模型则在特定频率范围内表现出更好的性能。

研究团队还分析了不同频率范围对模型性能的影响。结果显示，随着频率上限的增加，模型的分类准确率先降低后上升，且在较高的频率范围内，如0.1–8 THz，XceptionTime模型的准确率达到峰值。这表明，太赫兹光谱数据中包含的年龄识别信息在较宽的频率范围内更为丰富，因此全谱数据的使用对模型性能有显著提升。然而，模型的稳定性也受到频率范围的影响，XceptionTime模型虽然准确率高，但其标准差较大，说明其在不同频率范围内的表现存在波动。

综上所述，本研究通过引入深度学习技术，为新会陈皮的年龄识别提供了一种新的方法。结果表明，XceptionTime和InceptionTime模型在多种光谱条件下表现优异，尤其是在全谱和吸收系数光谱数据上。这不仅有助于提高陈皮年龄识别的准确性，还为其他食品和药品的年龄识别与质量评估提供了参考。未来的研究可以进一步优化模型性能，提高分类准确率和稳定性，以更好地应用于实际场景。