Multilayer Perception-Based Hybrid Spectral Band Selection Algorithm for Aflatoxin B1 Detection Using Hyperspectral Imaging
Notice bibliographique
Résumé
Aflatoxin B1 is a toxic substance in almonds, other nuts, and grains that poses potential serious health risks to humans and animals, particularly in warm, humid climates. Therefore, it is necessary to remove aflatoxin B1 before almonds enter the supply chain to ensure food safety. Hyperspectral imaging (HSI) is a rapid, non-destructive method for detecting aflatoxin B1 by analyzing specific spectral data. However, HSI increases data dimensionality and often includes irrelevant information, complicating the analysis process. These challenges make classification models for detecting aflatoxin B1 complex and less reliable, especially for real-time, in-line applications. This study proposed a novel hybrid spectral band selection algorithm to detect aflatoxin B1 in almonds based on multilayer perceptron (MLP) network weights and spectral refinement (W-SR). In the proposed process, the hyperspectral imaging (HSI) spectral rank was firstly generated based on MLP network weights. The rank was further updated using a spectral confidence matrix. Then, a spectral refinement process identified more important spectra from the lower-ranked ones through iterative processes. An exhaustive search was performed to select an optimal spectral subset, consisting of only the most significant spectral bands, to make the entire process suitable for real-time, in-line aflatoxin B1 detection in industrial environments. The experimental results using the artificially contaminated almonds dataset achieved a cross-validation accuracy of 98.67% with an F1-score of 0.982 for the standard normal variate (SNV) processed data with only four spectral bands. Comparative experiment results showed that the proposed MLPW-SR spectral band selection algorithm outperforms baseline methods.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 tête enseignante, 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 ».