基于SORS的黄油掺假量化的生成式Transformer框架

《Food and Bioprocess Technology》:A Generative-Transformer Framework for SORS-Based Butter Adulteration Quantification

【字体: 大 中 小 】 时间:2026年07月12日 来源:Food and Bioprocess Technology 5.6

编辑推荐:

  摘要商业食品产品中包装的广泛使用会导致光学遮挡和光谱混合,从而妨碍对产品内部质量的无损检测。因此,我们设计了一种结合空间偏移拉曼光谱技术与深度学习的方法,并以黄油掺假检测作为典型应用来验证其有效性。首先,使用线扫式拉曼光谱系统对不同比例(按重量计10–90%,以10%为间隔)的掺

  

摘要

商业食品产品中包装的广泛使用会导致光学遮挡和光谱混合,从而妨碍对产品内部质量的无损检测。因此,我们设计了一种结合空间偏移拉曼光谱技术与深度学习的方法,并以黄油掺假检测作为典型应用来验证其有效性。首先,使用线扫式拉曼光谱系统对不同比例(按重量计10–90%,以10%为间隔)的掺假混合物进行检测,这些样品既在未包装状态下也在模拟包装环境下被测量,随后对获得的散射区域进行信噪比优化处理。其次,构建了注意力门控U-Net模型来生成拉曼光谱,以此增强那些稀疏且强度较低的拉曼数据。最后,将处理后的光谱输入多尺度扩张变换网络中,该网络利用扩张卷积的感受野扩展特性,并结合光谱角度损失函数,从而实现黄油含量的精准定量预测。在四种不同类型的包装条件下进行的实验表明,所提出的AGUNet生成模型配合MDTNet回归模型,在光谱重建的精确度以及浓度估算的准确性和稳定性方面,均优于其他生成策略以及各类传统机器学习和深度学习模型。实验结果还显示,AGUNet-MDTNet组合模型的预测性能极为出色,未包装系统和包装系统的R2值分别达到0.998和0.973,相较于其他生成策略,其相对百分比偏差平均可降低270%。此外,通过对模型在较少实验样本量条件下的性能评估发现,合成生成的光谱能够有效弥补因包装导致的信号衰减所造成的信息损失,即便实验样本数量大幅减少,仍能保持较高的预测精度。总体而言,这种结合拉曼光谱技术与深度学习的框架为快速、无损地检测各类包装食品的产品完整性提供了一种实用且具有可扩展性的方法。

商业食品产品中包装的广泛使用会导致光学遮挡和光谱混合,从而妨碍对产品内部质量的无损检测。因此,我们设计了一种结合空间偏移拉曼光谱技术与深度学习的方法,并以黄油掺假检测作为典型应用来验证其有效性。首先,使用线扫式拉曼光谱系统对不同比例(按重量计10–90%,以10%为间隔)的掺假混合物进行检测,这些样品既在未包装状态下也在模拟包装环境下被测量,随后对获得的散射区域进行信噪比优化处理。其次,构建了注意力门控U-Net模型来生成拉曼光谱,以此增强那些稀疏且强度较低的拉曼数据。最后,将处理后的光谱输入多尺度扩张变换网络中,该网络利用扩张卷积的感受野扩展特性,并结合光谱角度损失函数,从而实现黄油含量的精准定量预测。在四种不同类型的包装条件下进行的实验表明,所提出的AGUNet生成模型配合MDTNet回归模型,在光谱重建的精确度以及浓度估算的准确性和稳定性方面,均优于其他生成策略以及各类传统机器学习和深度学习模型。实验结果还显示,AGUNet-MDTNet组合模型的预测性能极为出色,未包装系统和包装系统的R2值分别达到0.998和0.973,相较于其他生成策略,其相对百分比偏差平均可降低270%。此外,通过对模型在较少实验样本量条件下的性能评估发现,合成生成的光谱能够有效弥补因包装导致的信号衰减所造成的信息损失,即便实验样本数量大幅减少,仍能保持较高的预测精度。总体而言,这种结合拉曼光谱技术与深度学习的框架为快速、无损地检测各类包装食品的产品完整性提供了一种实用且具有可扩展性的方法。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号