Quantifying Aflatoxin B1 Contamination Levels in Almonds Using Hyperspectral Imaging Utilizing Gaussian Process and Support Vector Regression
Notice bibliographique
Résumé
Almonds are prone to infection by Aspergillus fungi in warm and humid environments, which produce aflatoxin B1 (AFB1) in secondary metabolism. AFB1 is a toxic substance and continuous consumption of AFB1-contaminated almonds causes serious health problems. The current AFB1 measure in almonds is destructive, labor-intensive, costly, and inapplicable for industrial inline application. This research study employed hyperspectral images within the wavelength range of 900 to 1700 nm to explore the potential of quantifying aflatoxin B1 contamination levels in almond kernels. In this experiment, a full spectra Gaussian Process Regression (GPR) model and a Support Vector Regression (SVR) model were developed to quantify artificially aflatoxin B1 contaminated almonds. Genetic Algorithm (GA) was used to select significant feature spectra from the hyperspectral image dataset. Then, the significant features spectra were used to develop a multispectral GPR and SVR model to quantify aflatoxin B1 in almonds. The GPR model achieved a coefficient of regression (R2) value of 0.966 for training, 0.934 for testing, and 0.93 for cross-validation using raw spectra. Also, the SVR model achieved R2 value of 0.954 for training. The study shows that pairing hyperspectral imaging with machine learning can accurately measure AFB1 in individual almond kernels. This could be valuable to implementing AFB1 quantification in quality control for industrial purposes.
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) | 0,000 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».