基于深度学习的近红外光谱检测综述


发布时间:

2023-09-29

来源:

本站

作者:

PhenoTrait

近红外光谱技术具有准确分析材料成分和特性、定量检测、无损检测等特点。随着人工智能的进步和深度学习技术的发展,出现了基于深度学习算法的近红外光谱检测系统,该系统包括各种典型的方法,并在食品安全监测、污染物检测、药物分析等方面取得了良好的应用效果。本文系统回顾了国内外文献,介绍了深度学习和近红外光谱技术的原理、特点和发展历史。讨论了基于深度学习的近红外光谱检测的研究意义。综述了基于深度学习的近红外光谱相关技术的最新进展,阐述了这些方法的优缺点和适用领域,并对该领域未来的发展趋势进行了展望和预测。

 

深度学习基于深度神经网络,通过深度学习不断地处理输入数据,获得新的知识,从而达到更高层次的学习。与浅学习缺乏深度、训练缓慢相比,深度学习方法可以实现快速、高效、准确的目标对象识别,从而提高识别率和准确率。图1和图2是两种不同算法模型中最具代表性的网络结构图。

 

基于深度学习的近红外光谱图像分类算法与传统化学计量学相比,它有三个主要优点:(1)具有强大的特征提取能力,包括超分辨率重建、卷积神经网络等;(2)能够实现近红外光谱数据的稀疏表示;(3)提高了算法在复杂光谱环境下的适应性和鲁棒性。但其数据量大,数据维度高,模型参数多,在训练过程中会消耗大量的时间和资源,而且现有的小模型只关注某一特定领域,没有通用的大模型,对模型算法提出了更高的要求。

 

图1浅层学习网络结构图

 

图2 深度学习网络结构图

 

图3 20世纪基于深度学习的近红外光谱研究进展

 

图4 基于深度学习的近红外光谱算法流程图

 

来 源

Jingrui L. Review Of Near Infrared Spectrum Detection Based on Deep Learning. Highlights in Science, Engineering and Technology, 2023, 57: 101-107.

 

编辑

王三十

推荐新闻

石时之约|韩志国:透过表型数据,看见植物的喜怒哀乐!

本期石时之约,我们将对话慧诺瑞德(北京)科技有限公司总经理、国际植物表型学会(IPPN)执委会委员/工业分会副主席韩志国,一起从表型数据的科学角度,去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种,是在给定的环境条件下,选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种,从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选,是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”,要在肉眼可见之前就能测量并预判出变化趋势,才是这个技术的核心价值。叶绿素荧光成像,恰好满足了这个要求。