Fusion of spectral and textural data of hyperspectral imaging for glycine content prediction in beef using SFCN algorithms
Notice bibliographique
Résumé
Abstract Glycine, the simplest free amino acid, is one of the most important factors affecting the flavor of beef. In this paper, a fast and non-destructive method combining near-infrared hyperspectral (900–1700 nm) and textural data was first proposed to determine the content and distribution of glycine in beef. On the basis of spectral information pre-processing, spectral features were extracted by the interval Variable Iterative Space Shrinkage Approach, Competitive Adaptive Reweighting algorithm and Uninformative Variable Elimination (UVE). The glycine content prediction models were established by partial least squares regression, least squares support vector machine, and the optimized shallow full convolutional neural network (SFCN). Among them, the UVE-SFCN model obtained better results with prediction set determination coefficient (RP2) of 0.8725). Further, textural features were extracted by the gray level co-occurrence matrix and fused with the spectral information of the best feature band to obtain an optimized UVE-FSCN-fusion model (RP2 = 0.9005, root mean square error = 0.3075, residual predictive deviation = 0.2688). Compared with the full spectrum and characteristic wavelength spectrum models, RP2 was improved by 6.41% and 3.10%. The best fusion model was visualized to visually represent the distribution of glycine in beef. The results showed that the prediction and visualization of glycine content in beef were feasible and effective, and provided a theoretical basis for the hyperspectral study of meat quality monitoring or the establishment of an online platform.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».