領(lǐng)學(xué)術(shù)科研之先，創(chuàng)食品科技之新
—— 中國(guó)食品雜志社
引入近紅外光譜檢測(cè)技術(shù)，構(gòu)建改進(jìn)一維卷積神經(jīng)網(wǎng)絡(luò)（one-dimensional convolutional neural network，1D-CNN）蛋清粉真實(shí)性檢測(cè)模型。該模型基于1D-CNN模型，無(wú)需對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理；同時(shí)在網(wǎng)絡(luò)中加入有效通道注意力模塊和一維全局平均池化層，提高模型提取光譜特征的能力，減少噪聲干擾。結(jié)果表明，改進(jìn)后的EG-1D-CNN模型可判別蛋清粉樣本的真?zhèn)危瑢?duì)于摻假蛋清粉的檢測(cè)率可達(dá)到97.80%，總準(zhǔn)確率（AAR）為98.93%，最低檢測(cè)限（LLRC）在淀粉、大豆分離蛋白、三聚氰胺、尿素和甘氨酸5 種單摻雜物質(zhì)上分別可達(dá)到1%、5%、0.1%、1%、5%，在多摻雜中可達(dá)到0.1%～1%，平均檢測(cè)時(shí)間（AATS）可達(dá)到0.004 4 s。與傳統(tǒng)1D-CNN網(wǎng)絡(luò)結(jié)構(gòu)及其他改進(jìn)算法相比，改進(jìn)后的EG-1D-CNN模型在蛋清粉真實(shí)性檢測(cè)上具有更高精度，檢測(cè)速度快，且模型占用空間小，更適合部署在嵌入式設(shè)備中。該研究可為后續(xù)開(kāi)發(fā)針對(duì)蛋粉質(zhì)量檢測(cè)的便攜式近紅外光譜檢測(cè)儀提供一定的理論基礎(chǔ)。
2023年第44卷 2022年第43卷 2021年第42卷 2020年第41卷 2019年第40卷 2018年第39卷 2017年第38卷 2016年第37卷 2015年第36卷 2014年第35卷 2013年第34卷 2012年第33卷 2011年第32卷 2010年第31卷 2009年第30卷 2008年第29卷 2007年第28卷 2006年第27卷 2005年第26卷 2004年第25卷 2003年第24卷 2002年第23卷 2001年第22卷 2000年第21卷 1999年第20卷 1998年第19卷 1997年第18卷 1996年第17卷 1995年第16卷 1994年第15卷 1993年第14卷 1992年第13卷 1991年第12卷 1990年第11卷 1989年第10卷 1988年第09卷 1987年第08卷 1986年第07卷 1985年第06卷 1984年第05卷 1983年第04卷 1982年第03卷 1981年第02卷 1980年第01卷
電話: 010-87293157
地址: 北京市豐臺(tái)區(qū)洋橋70號(hào)
版權(quán)所有 @ 2023 中國(guó)食品雜志社 京公網(wǎng)安備11010602060050號(hào) 京ICP備14033398號(hào)-2
