Schnelles Erkennen der Herkunft des Fenchels aus der Nähe

Wissenschaftliche Berichte Band 12, Artikelnummer: 13593 (2022) Diesen Artikel zitieren

970 Zugriffe

3 Zitate

3 Altmetrisch

Details zu den Metriken

Fenchel enthält viele antioxidative und antibakterielle Substanzen und hat sehr wichtige Anwendungen in der Aromatisierung von Lebensmitteln und anderen Bereichen. Die Art und der Gehalt an chemischen Substanzen im Fenchel variieren von Region zu Region, was den Geschmack und die Wirksamkeit des Fenchels und seiner Derivate beeinflussen kann. Daher ist es von großer Bedeutung, die Herkunft des Fenchels genau zu klassifizieren. Kürzlich haben auf tiefen Netzwerken basierende Ursprungserkennungsmethoden vielversprechende Ergebnisse gezeigt. Die vorhandenen Methoden kosten jedoch relativ viel Zeit, ein Nachteil, der bei großen Datenmengen in praktischen Anwendungsszenarien fatal ist. Um diese Einschränkung zu überwinden, erforschen wir eine Ursprungserkennungsmethode, die eine schnellere Erkennung mit Klassifizierungsgenauigkeit garantiert. Diese Forschung ist die erste, die den Algorithmus des maschinellen Lernens in Kombination mit der Fourier-Transformations-Nahinfrarot-Spektroskopie (FT-NIR) verwendet, um die Klassifizierung und Identifizierung der Herkunft des Fenchels zu realisieren. In diesem Experiment verwendeten wir die Rubberband-Basislinienkorrektur für die FT-NIR-Spektraldaten von Fenchel (Yumen, Gansu und Turpan, Xinjiang), verwendeten die Hauptkomponentenanalyse (PCA) zur Reduzierung der Datendimensionalität und wählten die Extreme Learning Machine (ELM) Convolutional aus Das Klassifizierungsmodell des Unternehmens für neuronale Netzwerke (CNN), rekurrente neuronale Netzwerke (RNN), Transformatoren, generative gegnerische Netzwerke (GAN) und Backpropagation-Neuronale Netzwerke (BPNN) realisiert die Klassifizierung der Probenherkunft. Die experimentellen Ergebnisse zeigen, dass die Klassifizierungsgenauigkeit der ELM-, RNN-, Transformer-, GAN- und BPNN-Modelle über 96 % liegt und das ELM-Modell, das Hardlim als Aktivierungsfunktion verwendet, mit einer durchschnittlichen Genauigkeit von 100 % und einem den besten Klassifizierungseffekt aufweist schnelle Klassifizierungsgeschwindigkeit. Die durchschnittliche Zeit von 30 Experimenten beträgt 0,05 s. Diese Forschung zeigt das Potenzial des maschinellen Lernalgorithmus in Kombination mit den FT-NIR-Spektren im Bereich der Klassifizierung von Lebensmittelproduktionsgebieten und bietet ein wirksames Mittel zur schnellen Erkennung des Lebensmittelproduktionsgebiets, um Händlern den Verkauf minderwertiger Produkte zu ersparen gute und auf der Suche nach illegalen Gewinnen.

Als eines der beliebtesten Gewürze, die im täglichen Leben häufig zum Würzen verwendet werden1, wird der Fenchel überall auf der Welt angebaut2. Darüber hinaus kann der Fenchel auch als Rohstoff für die Herstellung von Wein, Cremes, Parfums, biochemischen Materialien usw.3,4,5 verwendet werden und hat einen gewissen medizinischen Wert. Es kann zur Herstellung vieler Medikamente6 verwendet werden, beispielsweise in der Züchtungsindustrie und anderen Bereichen. Die antibakteriellen Eigenschaften von Fenchel können in der Geflügelindustrie Antibiotika in Futterzusatzstoffen und Medikamenten ersetzen und den Missbrauch von Antibiotika wirksam verhindern7. Andererseits haben Fenchel und seine Derivate viele positive medizinische Eigenschaften, die zur Behandlung von Verdauungskrankheiten wie Epilepsie, Anorexie und Blähungen8, zur Senkung des Blutdrucks, zur antibakteriellen und entzündungshemmenden Wirkung, zur Vorbeugung von Krebs und zur Behandlung von Diabetes6 eingesetzt werden können. 9,10.

In den letzten Jahren haben sich viele Forscher aufgrund seiner Vielseitigkeit auf die chemische Zusammensetzung des Fenchels konzentriert und herausgefunden, dass die Wirksamkeit des Fenchels und seiner Produkte von der Art und Menge der enthaltenen Chemikalien, wie beispielsweise antioxidativen Phenolen, abhängt und antibakterielle Terpene. Darüber hinaus haben Studien gezeigt, dass die relative Konzentration der im Fenchel enthaltenen Verbindungen weitgehend von seiner geografischen Herkunft abhängt11, da Art und Gehalt der biochemischen Bestandteile des Fenchels von der Herkunft abhängig sind12. Aufgrund des Einflusses der äußeren Umgebung wie Klima, Temperatur, Bodenbeschaffenheit und Niederschlag des Produktionsgebiets sowie der kombinierten Wirkung interner und externer Faktoren wie Genotypen13,14, Art und Gehalt an Stoffen und Erträgen von Fenchel in verschiedenen Regionen angebaut werden, unterscheiden sich erheblich12,15,16,17. Die wichtigsten im Fenchel enthaltenen biologisch aktiven Inhaltsstoffe wie antibakterielle Mikroorganismen, Phenole und Fettsäuren unterscheiden sich in ihrem Gehalt12, was zu unterschiedlichen Qualitäten, Nährstoffgehalten und Preisen führt16. Das Yingdong College of Biological Engineering, Shaoguan University, Provinz Guangdong, China, verglich den Nährstoffgehalt von 7 Fenchelsorten aus Yumen, Gansu und Yili, Xinjiang, und eine umfassende Auswertung ergab, dass der Nährwert der Fenchelsorten aus Yumen, Gansu, relativ hoch war. Um zu verhindern, dass einige Händler minderwertige Produkte als gute Produkte verwerten und die Marktaufsicht behindern, ist es von großer Bedeutung, die Herkunft des Fenchels genau zu bestimmen. Die bestehenden Studien konzentrieren sich jedoch hauptsächlich auf die Analyse der Unterschiede in der Art und im Gehalt chemischer Substanzen im Fenchel aus verschiedenen Regionen12,17, und es gibt immer noch Lücken bei der Klassifizierung und Identifizierung der Herkunft des Fenchels.

Im Gegensatz zu den herkömmlichen Methoden zur Klassifizierung von Lebensmittelproduktionsgebieten wie der molekularen Biotechnologie sowie der Multielement- und Multiisotopenanalyse, die komplizierte Schritte und hohe Nachweisanforderungen18,19 erfordern, bietet die FT-NIR-Spektroskopie die Vorteile einer einfachen Probenvorbereitung und einer geringen Nachweisbarkeit cost20 In den letzten Jahren wurde die FT-NIR-Spektroskopie in Kombination mit maschinellen Lernalgorithmen häufig im Bereich der Klassifizierung von Lebensmittelproduktionsgebieten eingesetzt. Viele Forschungsteams haben die Herkunftsklassifizierung von Tee, Pistazienfrüchten, Olivenöl, Multiflorum, Kakaobohnen, Weizen, Honig, Radix Glycyrrhizae und anderen Lebensmitteln mithilfe des FT-NIR in Kombination mit dem maschinellen Lernalgorithmus21,22,23,24,25 abgeschlossen ,26,27,28,29. Als nichtlineares neuronales Netzwerk kann das BPNN (Back Propagation Neural Network) komplexe Probleme genauer lösen als lineare neuronale Netzwerke28,30. Xiu Ying Liang et al. verwendeten BPNN in Kombination mit der FT-NIR-Spektroskopie zur Klassifizierung von Honig aus verschiedenen Blütenlinien. Die Genauigkeit konnte in einem bestimmten Spektralsegment 100 % erreichen27. Yan Tian Ying et al. verwendeten die Modelle Convolutional Neural Network (CNN) und Recurrent Neural Network (RNN) in Kombination mit der NIR-Spektroskopie, um die geografische Herkunft von Radix Glycyrrhizae aus Gansu, der Inneren Mongolei, Ningxia und Xinjiang zu identifizieren, wobei die Klassifizierungsgenauigkeit 93 % erreichen konnte 29. Yang et al. bewiesen, dass, wenn das Generative Adversarial Network (GAN) über eine kleine Menge an Trainingsdaten verfügt, die Eingabedaten keine Merkmalsauswahl erfordern, aber auch das durch kompetitives Lernen erhaltene Modell besser ist als andere Klassifizierungsalgorithmen, was eine neue Methode für das vorhandene Infrarot bereitstellt Spektrumforschung28. Der Zeitaufwand von GAN im Klassifizierungsprozess ist jedoch relativ hoch. Für praktische Anwendungsszenarien sind die Erkennungsdaten in der Klassifizierung des Lebensmittelproduktionsbereichs in der Regel umfangreich, was höhere Anforderungen an die Erkennungszeit stellt.

Im Vergleich zu herkömmlichen neuronalen Netzen weist ELM (Extreme Learning Machine) mehrere bemerkenswerte Eigenschaften auf: einfache Bedienung, schnellere Lerngeschwindigkeit und höhere Generalisierungsleistung31. Kurz gesagt, das ELM-basierte Modell kann unter der Prämisse der Gewährleistung der Genauigkeit schneller sein als der herkömmliche Lernalgorithmus und eignet sich daher besser für die schnelle Erkennung der Lebensmittelproduktion. Felix YH Kutsanedzie et al. verwendeten das ELM in Kombination mit der NIR-Spektroskopie, um die Klassifizierung von drei Sorten Kakaobohnen mit einer Genauigkeit von 94 % abzuschließen32; Wenbin Zheng et al. fanden heraus, dass die Leistung des ELM bei der Anwendung der NIR-Spektroskopie zur Lebensmittelklassifizierung viel besser war als die von KNN, LS-SVM und BPNN, was darauf hindeutet, dass das ELM eine vielversprechende Methode zur Lebensmittelklassifizierung in Echtzeit sein könnte33. Daher zielen wir in dieser Studie darauf ab, die schnelle Identifizierung von Fenchel unterschiedlicher Herkunft durch die FT-NIR-Spektroskopie in Kombination mit den ELM- und Deep-Learning-Modellen zu realisieren, um eine intelligente Überwachungsmethode für das Phänomen der Unterschiedlichkeit von Gut und Böse bereitzustellen Produkte auf dem Fenchelmarkt, die dadurch verursacht werden, dass einige Händler minderwertige Produkte verkaufen.

Die in diesem Experiment verwendeten Fenchelsamen wurden im Jahr 2020 geerntet und wir haben sie in Chargen von lokalen Gewürzunternehmen in Turpan, Xinjiang und Yumen, Gansu zu verschiedenen Jahreszeiten gekauft, um sicherzustellen, dass die Versuchsproben vom Ursprungsort stammen und den Auswirkungen unterschiedlicher klimatischer Bedingungen ausgesetzt sind an den Proben wurden berücksichtigt. 200 Proben wurden von Lianyungang Kaihao Tong Trading Co. in Xinjiang und 116 Proben vom Online-Shop Gansu Yumen Xiaosannong Taobao gesammelt. Da die Fenchelsamen eine Vielzahl flüchtiger Bestandteile, wie zum Beispiel ätherische Öle, enthalten, sollte bei der Lagerung der Proben auf Erhitzen und Trocknen verzichtet werden34. Wir haben die vorbereiteten Proben eine Woche lang in einer trockenen und luftdichten Atmosphäre bei Raumtemperatur gelagert und sie dann in den Pulverisierer gegeben. Das Probenpulver wurde durch ein 200-Mesh-Sieb gegeben und anschließend in einem versiegelten, selbstverschließenden Beutel aufbewahrt. Es ist zu beachten, dass wir die relevanten institutionellen, nationalen und internationalen Richtlinien und Gesetze der in diesem Artikel gesammelten Versuchsstichprobe einhalten.

Alle Proben in diesem Experiment wurden in Innenräumen bei einer Raumtemperatur von 22\(^{\circ }\)C gemessen. Vor jeder Messung wurden mit der OPUS 65-Software die atmosphärischen Hintergrunddaten unter der Windows XP-Systemumgebung gemessen und anschließend die Hintergrunddaten jeder Probe gemessen. Im Experiment wurde das Vertex 70 FT-NIR-Spektrometer (Bruker) verwendet. Als atmosphärischer Kompensationsparameter wurde \(\mathrm{CO}_{2}\)compensation gewählt. Die Scanparameter waren wie folgt: Der Scanbereich betrug 4000–11000 \(\mathrm {cm}^{-1}\), die Auflösung betrug 8 \(\mathrm {cm}^{-1}\) und die Der Scanvorgang wurde 32 Mal wiederholt. Es wurden Spektrendaten von 116 Fällen von Fenchelsamenproben in Yumen, Gansu, und 200 Fällen von Fenchelsamenproben in Turpan, Xinjiang, erhalten. Insgesamt wurden 316 Fälle von FT-NIR-Spektrumsdaten erhalten.

Das vom Instrument erfasste ursprüngliche FT-NIR-Spektrum enthält viele Störfaktoren, die den Klassifizierungseffekt des Modells beeinflussen35,36. Die spektrale Vorverarbeitung soll den Einfluss von Störfaktoren auf das Spektrum reduzieren oder eliminieren und so die Genauigkeit und Zuverlässigkeit des Klassifizierungsmodells verbessern. Die Grundlinienkorrektur ist eine der am häufigsten verwendeten Methoden in der Vorverarbeitung. Das Experiment verwendet die Rubberband-Basislinienkorrekturmethode und der Basispunktwert beträgt 64. Darüber hinaus waren die Umgebungsfaktoren während der Spektraldatenerfassung und Vorverarbeitung streng konsistent, um sicherzustellen, dass Umgebungsunterschiede zwischen den Proben die Erkennung des Fenchelursprungs nicht beeinträchtigten steht im Einklang mit vielen aktuellen Studien, die auf FT-NIR-Spektraldaten basieren, um die geografische Herkunft pflanzlicher Lebensmittel zu unterscheiden37,38.

Die Hauptkomponentenanalyse (PCA) ist ein klassischer unbeaufsichtigter Merkmalsextraktionsalgorithmus, der die Dimensionalität der Daten reduzieren kann39. PCA komprimiert die stark korrelierten Originalvariablen durch lineare Transformation in einige neue Variablen und sucht nach neuen Variablen (d. h. Hauptkomponenten), die die Datenstruktureigenschaften der Originalvariablen maximieren können. Die erste Variable weist die größte Varianz auf und wird zur ersten Hauptkomponente, gefolgt von der zweiten Variablen usw.

In dieser Studie wurden 221 Proben zufällig aus 316 Proben als Trainingssatz und 95 Proben als Testsatz im Verhältnis 7:3 für jeden Versuch ausgewählt. Die Kreuzvalidierungsmethode wurde verwendet, um den Datensatz zufällig in Trainings- und Validierungssätze aufzuteilen, und die zufällig generierten Teilstichproben wurden wiederholt zum Training und zur Validierung angewendet. Der PCA-Algorithmus (MATLAB R2019b) wurde verwendet, um die Merkmale der Spektraldaten der Rubberband-Basislinienkorrektur zu extrahieren.

Als Feedforward-Neuronales Netzwerk hat die ELM (Extreme Learning Machine) in den letzten Jahren gute Leistungen bei der Anwendung der Datensatzklassifizierung gezeigt31. Die neuronale Netzwerkstruktur des ELM-Modells ist in Abb. 1 dargestellt, und die Ein- und Ausgänge des ELM sind x bzw. f(x). Die abgetasteten Beispieldaten sind \(x_i\) und die Aktivierungsfunktion ist G(\(a_j\),\(b_j\),x), wobei \(a_j\) und \(b_j\) die Verbindungsgewichte und bezeichnen Bias-Werte zwischen der Eingabe- bzw. der verborgenen Ebene. Im Gegensatz zu herkömmlichen Lernalgorithmen für neuronale Netze erreicht das ELM nicht nur den minimalen Trainingsfehler, sondern auch die minimale Ausgabegewichtsnorm. Bartletts Theorie zeigt, dass das Netzwerk bei Feedforward-Neuronalen Netzen tendenziell eine bessere Generalisierungsleistung aufweist, wenn der Trainingsfehler gering und die Gewichtsnorm kleiner ist. Bezeichnenderweise bietet ELM eine schnellere Lerngeschwindigkeit bei hervorragender Leistung; Daher wählen wir ELM als erste Art von Klassifizierungsmodell, die Aktivierungsfunktionsarten werden auf Sigmoid, Sinus, Hardlim und die Anzahl der Neuronen in der verborgenen Schicht auf 100 eingestellt. Es werden drei Modelle erhalten: ELM-sig, ELM -sin, ELM-hardlim.

Neuronale Netzwerkstruktur von ELM.

Der BPNN-Algorithmus ist eines der am weitesten verbreiteten neuronalen Netzwerkmodelle, bei dem es sich um ein mehrschichtiges Feedforward-Netzwerk handelt, das durch Fehler-Backpropagation trainiert wird. BPNN verfügt über gute Fähigkeiten zum Selbstlernen, zur Selbstanpassung und zur Verallgemeinerung und hat hervorragende Auswirkungen bei der Verwendung in der binären Klassifizierung41. In den letzten Jahren wurde BPNN in großem Umfang in der Lebensmittelforschung, Biomedizin und anderen Bereichen eingesetzt42,43,44. In dieser Studie wählen wir BPNN als zweite Art von Klassifizierungsmodell, legen tansig und logsig als Aktivierungsfunktionen der verborgenen Schicht fest und die Ausgabeschichtfunktion ist Purelin. Die Trainingsfunktion des neuronalen Netzwerks ist trainlm. Stellen Sie die Anzahl der neuronalen Netzwerktrainings auf 500 Mal, den Lernratenparameter auf 0,01 und den Lernzielparameter auf 0,1 ein. Es werden zwei Modelle erhalten: BPNN-tansig und BPNN-logsig.

Das RNN führt Zustandsvariablen ein, um vergangene Informationen zu speichern, und verwendet Zustandsvariablen mit der aktuellen Eingabe, um die aktuelle Ausgabe zu bestimmen. LSTM ist eine typische Variante von RNN und eignet sich besonders für die Klassifizierung sequentieller Daten. In den letzten Jahren wurde LSTM häufig in biomedizinischen Klassifizierungsaufgaben eingesetzt45. Als drittes Klassifizierungsmodell wählen wir RNN. Wir setzen die Anzahl der verborgenen Schichten auf 3, die Wahrscheinlichkeit der Dropout-Schicht auf 0,5, die Lernrate auf 0,0001, die Stapelgröße auf 8 und die Epochengröße auf 20.

Das Transformatornetzwerk wird auf der Grundlage des Aufmerksamkeitsmechanismus entwickelt, der aus einem Encoder und einem Decoder zur Handhabung langfristiger Abhängigkeiten bei Sequenz-zu-Sequenz-Aufgaben besteht. Darüber hinaus hat es sich bei Klassifizierungsaufgaben hervorgetan46. Daher wählen wir es als viertes Klassifizierungsmodell. Wir wenden Dropout auf die Ausgabe jedes Sublayers an, der dann zum Input des Sublayers hinzugefügt und normalisiert wird, wobei der Dropout auf 0,5 gesetzt wird. Stellen Sie die Lernrate auf 0,00001, die Batchgröße auf 8 und die Epochengröße auf 40 ein.

Das CNN verfügt über zwei Merkmale: spärliche Konnektivität und Gewichtsverteilung, sodass es weniger rechenintensiv als Multilayer Perceptron (MLP) ist und eine bessere Leistung aufweist. Im Bereich der Spektroskopie werden die eindimensionalen (1D) CNN-Modelle verwendet, um Spektren mit guter Leistung zu lernen und vorherzusagen47. In dieser Studie wird es als fünftes Klassifizierungsmodell verwendet. Wir wählen ReLU als Aktivierungsfunktion und setzen die Lernrate auf 0,001, die Wahrscheinlichkeit der Dropout-Schicht auf 0,5, die Batch-Größe auf 16 und die Epochengröße auf 75.

GAN besteht aus zwei künstlichen neuronalen Netzen, G und D. Die beiden Netze konkurrieren miteinander, um während des Trainings eine Verbesserung der Modellleistung zu erreichen. GAN zeigt eine hohe Genauigkeit bei der Erkennung und Klassifizierung von Lebensmitteln28. Deshalb wählen wir es als sechstes Klassifizierungsmodell. In den Experimenten zur Fenchelklassifizierung müssen wir vier Modelle aus zwei Ursprüngen trainieren, darunter G1, G2, D1 und D2. Wir verwenden G, um die falschen Spektraldaten zu generieren, und verwenden dann D, um zu bestimmen, dass die generierten Daten die Wahrscheinlichkeit wahr sind, und der nächste Schritt besteht darin, die BCELoss-Verlustfunktion zu verwenden, um die Differenz zwischen der Wahrscheinlichkeit und der wahren Bezeichnung zu messen. Wir wählen Adam als Optimierer von G und D und setzen die Trainingsiterationsperiode auf 500 und die Lernrate auf 0,0001.

Zusammenfassend werden in dieser Studie elf Modelle erhalten: ELM-sig, ELM-sin, ELM-hardlim, BPNN-tansig, BPNN-logsig werden in MATLAB kompiliert und RNN, Transformer, CNN, GAN ELM, BPNN werden in Python kompiliert .

Die FT-NIR-Spektroskopie entsteht durch den Übergang der molekularen Schwingung vom Grundzustand zum höheren Energieniveau in Obertönen und Kombinationsmoden aufgrund der Nichtresonanz der molekularen Schwingung. Es zeichnet hauptsächlich die Obertöne und Kombinationsmoden der Schwingungsabsorption wasserstoffhaltiger Gruppen auf und deckt die Zusammensetzung und molekularen Strukturinformationen der meisten Arten organischer Verbindungen ab48. Aufgrund der unterschiedlichen Absorptionswellenlänge organischer Verbindungen eignet sich die FT-NIR-Spektroskopie zur Bestimmung und Analyse organischer Kohlenwasserstoffverbindungen.

Abbildung 2 ist das FT-NIR-Spektrum des Fenchels nach der Basislinienkorrektur. (a) ist die Fenchelprobe aus Yumen, Gansu, und (b) ist die Fenchelprobe aus Turpan, Xinjiang. In Abb. 2 ist zu erkennen, dass es Peaks bei 4260, 4330, 5155, 5670, 5808, 6840 \(\mathrm {cm}^{-1}\) usw. gibt und die Peakform relativ scharf ist Dies weist darauf hin, dass die an dieser Stelle enthaltenen Informationen relativ umfangreich sind. Der Bereich zwischen 5000 und 4000 \(\mathrm {cm}^{-1}\) ist hauptsächlich die Frequenzabsorption von C–H, und dieser Bereich wird allgemein als die charakteristische Absorptionsbande von Zucker, Protein und Stärke angesehen49,50 ,51. In der Nähe von 5155 \(\mathrm {cm}^{-1}\) gibt es zwei Schwingungen aufgrund der O-H-Streckung und der O-H-Verformung, die als Wasserabsorptionszone52 vermutet werden können, was daran liegen könnte Getrockneter Fenchel enthält noch eine kleine Menge Wasser. Das FT-NIR-Spektrum bei 7500 und 5500 \(\mathrm {cm}^{-1}\) ist hauptsächlich die Streckschwingung von C–H in \(\mathrm {CH}_{3}\)– und \( \mathrm {CH}_{2}\)– Gruppen. Aus Abbildung 1 ist ersichtlich, dass die Peakverteilung und der Trend der FT-NIR-Spektren der Proben von Yumen-Fenchel in Gansu und Turpan-Fenchel in Xinjiang ähnlich sind, was darauf hinweist, dass die Probenzusammensetzung und die zugehörigen Informationen ähnlich sind. Die Spektralspitzen einzelner Bänder (z. B. 4330 und 5155 \(\mathrm {cm}^{-1}\) usw.) sind unterschiedlich, was darauf hindeutet, dass es erhebliche Unterschiede im prozentualen Gehalt verschiedener Öle und Substanzen wie Wasser gibt Gehalt in Fenchel unterschiedlicher Herkunft, was auch mit den Schlussfolgerungen einiger früherer Studien übereinstimmt53,16. Daher ist es möglich, FT-NIR-Spektroskopie zur Klassifizierung und Identifizierung von Fenchel in Gansu und Xinjiang zu verwenden. Wie aus Tabelle 1 hervorgeht, umfassen die Hauptbestandteile des Fenchels Nährstoffe wie Proteine und Fettsäuren, Polyphenole (Hydroxyl- und -CH-Gruppen sind meist Phenole), andere antioxidative Substanzen und Flavonoide usw.12,15,54.

Das NIR-Spektrum des Fenchels.

Wenn die Anzahl der Hauptkomponenten zu groß ist, kann es leicht zu Rauschen und redundanten Daten kommen55. In diesem Experiment haben wir die ersten 6-dimensionalen Daten der Fenchelspektraldaten als Hauptkomponenten ausgewählt, und die kumulative Varianzbeitragsrate hat 99,26 % erreicht. Die spezifischen Informationen zum Beitragssatz sind in Tabelle 2 aufgeführt. Die Ergebnisse ihrer ersten drei PCs sind in Abb. 3 dargestellt, und die verwendete Zeichensoftware ist Origin Pro 2019b.

Dreidimensionales Streudiagramm der drei Hauptkomponenten der Fenchel-FT-NIR-Spektroskopie.

In dieser Studie wird die Gansu-Fenchelprobe als positive Probe und die Xinjiang-Fenchelprobe als negative Probe betrachtet. Nach elf Modellen von ELM-sig, ELM-sin, ELM-hardlim, BPNN-tansig und BPNN-logsig werden RNN, Transformer, GAN, BPNN, CNN und ELM erhalten. Jedes Modell wird 30 Mal ausgeführt und die Spezifität und Empfindlichkeit aufgezeichnet , Genauigkeit und Modell jedes 30-maligen Experiments zur Laufzeit, nachdem der Durchschnitt der Indexdatensätze in Tabelle 3 berechnet wurde.

Aus Tabelle 3 ist ersichtlich, dass ELM- und BPNN-basierte Algorithmen ähnliche Ergebnisse für Bewertungsindizes in verschiedenen Programmiersprachen erzielen und sogar die Laufzeit von Python etwas schneller ist als die von MATLAB. Die Genauigkeit spiegelt das Verhältnis der Anzahl richtig klassifizierter Proben zur Gesamtzahl der Proben wider. Die Genauigkeit des BPNN-Modells beträgt mehr als 96 %, und die Genauigkeit der ELM-, RNN-, GAN- und Transformer-Modelle liegt über 98 %, insbesondere das ELM-Modell mit Hardlim als Aktivierungsfunktion weist mit 100 % Genauigkeit den besten Klassifizierungseffekt auf die schnellste Laufzeit. Im ELM-Modell ist die ausgewählte Aktivierungsfunktion unterschiedlich und auch die Laufzeit ist unterschiedlich, der Unterschied ist jedoch nicht offensichtlich. Unter diesen hat das ELM-Modell mit Sinus als Aktivierungsfunktion die kürzeste Laufzeit, was darauf hinweist, dass das Modell die schnellste Klassifizierungsgeschwindigkeit aufweist. Aus den Ergebnissen in Tabelle 3 lässt sich eindeutig schließen, dass die Laufzeit des ELM-Modells kürzer ist als die der BPNN- und CNN-Modelle und die Klassifizierungsgenauigkeit des ELM-Modells höher ist. Darüber hinaus erreicht das ELM-Modell schneller die gleiche hohe Klassifizierungsgenauigkeit wie RNN-, GAN- und Transformer-Modelle.

Um die Zuverlässigkeit der Klassifizierung des Fenchel-Ursprungs durch das Modell weiter zu überprüfen, haben wir eine ROC-Kurve (Receiver Operating Characteristic Curve) zur Bewertung eingeführt. Die horizontalen und vertikalen Koordinaten der ROC-Kurve stellen die Spezifität und Empfindlichkeit des Modells dar, und die Fläche unter der Kurve (AUC) kann als Index zur Bewertung des Klassifizierungseffekts des Modells verwendet werden. Dabei gibt die Spezifität das Verhältnis der korrekt klassifizierten unqualifizierten Proben zur Anzahl der unqualifizierten Proben an, und die Sensitivität ist das Verhältnis der korrekt klassifizierten qualifizierten Proben zur Anzahl der qualifizierten Proben. Je näher der AUC-Wert bei 1 liegt, desto besser ist die Wirkung des Klassifikators56. Wir haben OriginPro 2019b verwendet, um die ROC-Kurve jedes Modells in Abb. 4 zu zeichnen und außerdem den durchschnittlichen AUC-Wert jedes Modells zu ermitteln. Die Ergebnisse sind in Tabelle 3 aufgeführt. Es ist ersichtlich, dass die AUC-Werte der Modelle ELM, RNN, Transformer, GAN und BPNN größer als 0,96 sind, was auf ihre hohe Zuverlässigkeit bei der Klassifizierung der Fenchelherkunft in Yumen, Gansu und Turpan, Xinjiang hinweist . In Abb. 4 sind die AUC-Werte des ELM-Modells alle größer als die des BPNN-Modells und der CNN-Modelle, und die AUC-Werte der RNN-, Transformer-, GAN- und ELM-Modelle mit Hardlim als Aktivierungsfunktion erreichen alle 1,00, aber Die Klassifizierungsgeschwindigkeit des ELM-Modells ist mit nur 0,05 Sekunden die schnellste. Zusammenfassend lässt sich sagen, dass das ELM-Modell schnell läuft, eine hohe Genauigkeitsrate aufweist, einen großen AUC-Wert aufweist und der Klassifizierungseffekt besser ist als die Modelle BPNN, RNN, Transformer, GAN und CNN.

AUC-Kurven jedes Modells.

Die Art und der Gehalt an antioxidativen Substanzen, Phenolen, Flavonoiden und anderen Substanzen im Fenchel aus den verschiedenen Anbaugebieten ist unterschiedlich19. In dieser Studie wird erstmals die FT-NIR-Spektroskopie des Fenchels in Kombination mit dem Algorithmus des maschinellen Lernens verwendet, um den Fenchel aus verschiedenen Anbaugebieten zu klassifizieren. Die Ergebnisse zeigen, dass die Klassifizierungsgenauigkeit des BPNN-Modells über 96 % liegt, die Klassifizierungsgenauigkeit der ELM-, RNN-, GAN- und Transformer-Modelle liegt über 98 %. Die Klassifizierungsgenauigkeit des ELM-Modells mit Hardlim als Aktivierungsfunktion kann 100 % erreichen. Die Klassifizierungsgeschwindigkeit des ELM-Modells ist deutlich schneller als die der RNN-, GAN- und Transformer-Modelle, mit einer durchschnittlichen Klassifizierungsgeschwindigkeit von 0,05 s nach 30 Experimenten. Die Experimente zeigen, dass unser vorgeschlagenes ELM-Modell leichter ist und eine schnellere Erkennungsgeschwindigkeit mit garantierter Erkennungsgenauigkeit aufweist. Im Vergleich zu den aktuellen Mainstream-Deep-Learning-Modellen kann das ELM-Modell die Vorteile von hoher Leistung und geringem Zeitaufwand kombinieren und gleichzeitig das Problem der schlechten Erkennungsgenauigkeit und des hohen Zeitaufwands für die Erkennung großer Datenmengen lösen ist für groß angelegte Klassifizierungsaufgaben in praktischen Anwendungen wertvoller. Die Ergebnisse dieser Studie zeigen, dass der Einsatz der FT-NIR-Spektroskopie mit einfacher Probenvorbereitung und schneller Erkennungsgeschwindigkeit in Kombination mit maschinellen Lernalgorithmen eine schnelle Identifizierung von Fenchel unterschiedlicher Herkunft erreichen und so den Verbrauchern dabei helfen kann, qualitativ hochwertige Produkte besser zu identifizieren und die Verhinderung von schlechtem Verhalten skrupelloser Händler hilft dem Markt, verwandte Branchen zu überwachen. Darüber hinaus soll diese Forschungstechnologie auch auf andere Lebensmittelklassifizierungen unterschiedlicher Herkunft angewendet werden und neue Ideen für die intelligente Überwachung der Herkunft verschiedener Lebensmittel in der Zukunft liefern.

Alle während dieser Studie generierten oder analysierten Daten sind in diesem veröffentlichten Artikel [und seinen ergänzenden Informationen] enthalten. S1-Datei. In dieser Datei wurden 200 Proben von Lianyungang Kaihao Tong Trading Co. in Xinjiang und 116 Proben vom Online-Shop Gansu Yumen Xiaosannong Taobao gesammelt.

Thippeswamy, NB & Naidu, KA Antioxidative Wirksamkeit von Kreuzkümmelsorten – Kreuzkümmel, Schwarzkümmel und Bitterkümmel – auf antioxidativen Systemen. EUR. Lebensmittelres. Technol. 220, 472–476 (2005).

Artikel CAS Google Scholar

Hosseini, S., Ramezan, Y. & Arab, S. Eine vergleichende Studie über physikalisch-chemische Eigenschaften und antioxidative Aktivität von Sumach- (Rhus coriaria l.), Kreuzkümmel- (Cuminum cyminum) und Kümmelölen (Carum carvil). J. Lebensmittelmessungen Charakter. 14, 3175–3183 (2020).

Artikel Google Scholar

Dinparvar, S. et al. Ein auf Nanotechnologie basierender neuer Ansatz zur Behandlung von Brustkrebs: Biosynthetisierte Silbernanopartikel mit Cuminum cyminum l. Samenextrakt. J. Photochem. Photobiol. B 208, 111902. https://doi.org/10.1016/j.jphotobiol.2020.111902 (2020).

Artikel CAS PubMed Google Scholar

Riasat, M., Heidari, B., Pakniyat, H. & Jafari, AA Bewertung der Variabilität sekundärer Metaboliten und erwartete Reaktion auf die Genotypauswahl bei Bockshornklee (Trigonella spp.). Ind. Nutzpflanzen Prod. 123, 221–231. https://doi.org/10.1016/j.indcrop.2018.06.068 (2018).

Artikel CAS Google Scholar

Archangi, A., Heidari, B. & Mohammadi-Nejad, G. Zusammenhang zwischen Samenertragsmerkmalen und cdna-aflp-Markern in Kreuzkümmel (Cuminum cyminum) unter Dürre- und Bewässerungsregimen. Ind. Nutzpflanzen Prod. 133, 276–283 (2019).

Artikel CAS Google Scholar

Milan, K., Dholakia, H., Tiku, PK & Vishveshwaraiah, P. Steigerung der Verdauungsenzymaktivität durch Kreuzkümmel (Cuminum cyminum l.) und Rolle von verbrauchtem Kreuzkümmel als Bionährstoff – sciencedirect. Lebensmittelchem. Rev. 110, 678–683 (2008).

Artikel CAS Google Scholar

Olgun, O. & Yildiz, AO Wirkung der Nahrungsergänzung einer Mischung aus ätherischen Ölen auf Leistung, Eierschalenqualität, Schlupffähigkeit und Mineralausscheidung bei Wachtelzüchtern. Umgebung. Wissenschaft. Umweltverschmutzung. Res. 21, 13434–13439 (2014).

Artikel CAS Google Scholar

Izabela, K. & Wei, Z. Anthocyane – mehr als die Farben der Natur. J. Biomed. Biotechnologie. 2004, 239–240 (2004).

Artikel Google Scholar

Bagirova, M. et al. Untersuchung der antileshmanischen Aktivität von grünen Silbernanopartikeln auf Basis von Cuminum cyminum auf L. tropische Promastigoten und Amastigoten in vitro. Acta Trop. 208, 105498. https://doi.org/10.1016/j.actatropica.2020.105498 (2020).

Artikel CAS PubMed Google Scholar

Pereira, ASP, Banegas-Luna, AJ, Pea-García, J., Pérez-Sánchez, H. & Apostolides, Z. Bewertung der antidiabetischen Aktivität einiger gängiger Kräuter und Gewürze: Bereitstellung neuer Erkenntnisse mit inversem virtuellen Screening. Molecules 24, 4030 (2019).

Artikel CAS PubMed Central Google Scholar

Diaz-Maroto, MC, Perez-Coello, MS, Esteban, J. & Sanz, J. Vergleich der flüchtigen Zusammensetzung wilder Fenchelproben (Foeniculum vulgare Mill.) aus Zentralspanien. J. Agrar. Lebensmittelchem. 54, 6814–6818 (2006).

Artikel CAS PubMed Google Scholar

Bettaieb, I. et al. Zusammensetzung der ätherischen Öle und Fettsäuren tunesischer und indischer Kreuzkümmelsamen (Cuminum cyminum l.): Eine vergleichende Studie. J. Sci. Lebensmittel Landwirtschaft. 91, 2100–2107 (2011).

Artikel CAS PubMed Google Scholar

Toma, CC, Pancan, IB, ChiriŢă, M., Vata, FM & Zamfir, AD Elektrospray-Ionisations-Tandem-Massenspektrometrie-Untersuchung von ätherischen Ölen aus Melissa officinalis (Familie Labiatae) und Pellargonium ssp. (Geraniaceae-Familie). In Applications of Mass Spectrometry in Life Safety (Hrsg. Popescu, C. et al.) 213–220 (Springer, Niederlande, Dordrecht, 2008).

Kapitel Google Scholar

Özbek, H. et al. Hepatoprotektive Wirkung des ätherischen Öls Foeniculum vulgare. Fitoterapia 74, 317–319 (2003).

Artikel PubMed CAS Google Scholar

Bettaieb Rebey, I. et al. Vergleichende Bewertung der phytochemischen Profile und antioxidativen Eigenschaften tunesischer und ägyptischer Anissamen (Pimpinella anisum l.). Pflanzenbiosystem. 11263504 (2017), 1403394 (2017).

Google Scholar

Yaldiz, G. & Camlica, M. Variation in der phytochemischen und mineralischen Zusammensetzung der Früchte sowie im Phenolgehalt und der antioxidativen Aktivität der Fruchtextrakte verschiedener Fenchel-Genotypen (Foeniculum vulgare l.). Ind. Nutzpflanzen Prod. 142, 111852 (2019).

Artikel CAS Google Scholar

Merah, O. et al. Biochemische Zusammensetzung von Kreuzkümmelsamen und Bioraffinierungsstudie. Biomolekülehttps://doi.org/10.3390/biom10071054 (2020).

Artikel PubMed PubMed Central Google Scholar

El Sheikha, AF Wie man die geografische Herkunft von Lebensmitteln durch molekulare Techniken bestimmt. In Molekularen Techniken in der Lebensmittelbiologie. https://doi.org/10.1002/9781119374633.ch1 (John Wiley & Sons, Ltd, 2018).

Kelly, S., Heaton, K. & Hoogewerff, J. Verfolgung der geografischen Herkunft von Lebensmitteln: Die Anwendung der Multielement- und Multiisotopenanalyse. Trends Lebensmittelwissenschaft. Technol. 16, 555–567 (2005).

Artikel CAS Google Scholar

Porep, JU, Kammerer, DR & Carle, R. Online-Anwendung der Nahinfrarotspektroskopie (NIR) in der Lebensmittelproduktion. Trends Lebensmittelwissenschaft. Technol. 46, 211–230 (2015).

Artikel CAS Google Scholar

Diniz, P., Gomes, AA, Pistonesi, MF, Band, B. & Araújo, M. Gleichzeitige Klassifizierung von Tees nach ihren Sorten und geografischen Herkunft mittels Nir-Spektroskopie und Spa-LDA. Essen Anal. Methoden 7, 1712–1718 (2014).

Google Scholar

Vitale, R. et al. Eine schnelle und nicht-invasive Methode zur Authentifizierung der Herkunft von Pistazienproben mittels Nir-Spektroskopie und Chemometrie. Chemom. Intel. Labor. Syst. 121, 90–99 (2013).

Artikel CAS Google Scholar

Laroussi-Mezghani, S. et al. Authentifizierung tunesischer nativer Olivenöle durch chemometrische Analyse der Fettsäurezusammensetzung und Nir-Spektren. Vergleich mit maghrebinischen und französischen nativen Olivenölen. Lebensmittelchem. 173, 122–132 (2015).

Artikel CAS PubMed Google Scholar

Pei, YF, Zuo, ZT, Zhang, QZ & Wang, YZ Datenfusion von Fourier-Transformations-Spektroskopien im mittleren Infrarot (mir) und nahen Infrarot (nir) zur Identifizierung des geografischen Ursprungs der wilden Pariser Polyphylla var. Yunnanensis. Molecules 24, 2559 (2019).

Artikel CAS PubMed Central Google Scholar

Anyidoho, EK, Teye, E. & Agbemafle, R. Zerstörungsfreie Authentifizierung der regionalen und geografischen Herkunft von Kakaobohnen mithilfe von Handheld-NIR-Spektroskopie und multivariatem Algorithmus. Anal. Methoden 12, 4150–4158 (2020).

Artikel CAS PubMed Google Scholar

Zhao, H., Guo, B., Wei, Y. & Bo, Z. Nahinfrarot-Reflexionsspektroskopie zur Bestimmung der geografischen Herkunft von Weizen. Lebensmittelchem. 138, 1902–1907 (2013).

Artikel CAS PubMed Google Scholar

Liang, XY, Li, XY & Wu, WJ Klassifizierung der floralen Herkunft von Honig anhand von Nir und Chemometrie. Adv. Mater. Res. 605–607, 905–909 (2013).

Artikel ADS Google Scholar

Yang, B., Chen, C., Chen, F., Chen, C. & Lv, X. Identifizierung von Kreuzkümmel und Fenchel aus verschiedenen Regionen basierend auf generativen gegnerischen Netzwerken und Nahinfrarotspektroskopie. Spektrochem. Acta Teil A Mol. Biomol. Spektroskopie 260, 119956 (2021).

Artikel ADS CAS Google Scholar

Yan, T., Duan, L., Chen, RSC Adv. 10, 41936–41945 (2020).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Liu, W., Liu, C., Yu, J., Zhang, Y. & Zheng, L. Unterscheidung der geografischen Herkunft von nativen Olivenölen extra mittels Terahertz-Spektroskopie kombiniert mit Chemometrie. Lebensmittelchem. 251, 86–92 (2018).

Artikel CAS PubMed Google Scholar

Huang, G.-B., Ding, X. & Zhou, H. Auf einer Optimierungsmethode basierende extreme Lernmaschine für die Klassifizierung. Neurocomputing 74, 155–163. https://doi.org/10.1016/j.neucom.2010.02.019 (2010).

Artikel Google Scholar

Kutsanedzie, F., Chen, Q., Hao, S. & Wu, C. In-situ-Qualitätsbewertung von Kakaobohnen durch Nahinfrarot-Chemodyes-Systeme. Anal. Methoden 9, 5455–5463 (2017).

Artikel CAS Google Scholar

Zheng, W., Fu, X. & Ying, Y. Spektroskopiebasierte Lebensmittelklassifizierung mit extrem lernender Maschine. Chemom. Intel. Labor. Syst. 139, 42–47 (2014).

Artikel CAS Google Scholar

Serag, A., Baky, MH, Döll, S. & Farag, MA UHPLC-MS-Metabolom-basierte Klassifizierung von Doldenblütlern: Eine Aussicht auf Phytoäquivalenz ihrer verschiedenen Akzessionen und als Reaktion auf das Rösten. RSC Adv. 10, 76–85. https://doi.org/10.1039/C9RA07841J (2020).

Artikel ADS CAS Google Scholar

Yan, Z. et al. Schnelle Identifizierung gutartiger und bösartiger Pankreastumoren mittels Serum-Raman-Spektroskopie in Kombination mit Klassifizierungsalgorithmen. Optik 208, 164473. https://doi.org/10.1016/j.ijleo.2020.164473 (2020).

Artikel ADS CAS Google Scholar

Khan, S. et al. Analyse der Hepatitis-B-Virusinfektion in Blutseren mittels Raman-Spektroskopie und maschinellem Lernen. Fotodiagn. Photodyn. Dort. 23, 89–93. https://doi.org/10.1016/j.pdpdt.2018.05.010 (2018).

Artikel CAS Google Scholar

Devos, O., Downey, G. & Duponchel, L. Gleichzeitige Datenvorverarbeitung und SVM-Klassifizierungsmodellauswahl basierend auf einem parallelen genetischen Algorithmus, der auf spektroskopische Daten von Olivenölen angewendet wird. Lebensmittelchem. 148, 124–130 (2014).

Artikel CAS PubMed Google Scholar

Richter, B., Rurik, M., Gurk, S., Kohlbacher, O. & Fischer, M. Lebensmittelüberwachung: Screening der geografischen Herkunft von weißem Spargel mithilfe von FT-NIR und maschinellem Lernen. Lebensmittelkontrolle 104, 318–325 (2019).

Artikel CAS Google Scholar

Wenjing, L., Zhaotian, S., Jinyu, C. & Chuanbo, J. Raman-Spektroskopie in der Darmkrebsdiagnostik: Vergleich der pca-lda- und pls-da-Modelle. J. Spectrosc. 2016, 1–6 (2016).

Google Scholar

Bartlett, PL Die Stichprobenkomplexität der Musterklassifizierung mit neuronalen Netzen: Die Größe der Gewichte ist wichtiger als die Größe des Netzwerks. IEEE Trans. Inf. Theorie (1998).

Liu, D. et al. Unterscheidung von Litschi-Sorten durch hyperspektrale Bildgebung in Verbindung mit multivariater Klassifizierung. Essen Anal. Methoden 7, 1848–1857 (2014).

Artikel Google Scholar

Suliman, A. & Yun, Z. Ein Überblick über Back-Propagation-Neuronale Netze bei der Anwendung der Fernerkundungsbildklassifizierung. J. Earth Sci. Ing. 19, 52–65 (2015).

Google Scholar

Magwaza, LS et al. Anwendungen der Nir-Spektroskopie zur internen und externen Qualitätsanalyse von Zitrusfrüchten – ein Überblick. Lebensmittelbioprozesstechnik. 5, 425–444 (2012).

Artikel CAS Google Scholar

Zhou, Y., Wang, Y. & Yao, Q. Segmentierung von Reiskrankheitsflecken basierend auf verbessertem Bpnn. Im Jahr 2010 Internationale Konferenz über Bildanalyse und Signalverarbeitung 575–578 (IEEE, 2010).

Hoogi, A., Mishra, A., Gimenez, F., Dong, J. & Rubin, DL Modell zur Erzeugung natürlicher Sprache für die Simulation von Mammographieberichten. IEEE J. Biomed. Gesundheitsinf.https://doi.org/10.1109/JBHI.2020.2980118 (2020).

Artikel Google Scholar

Wang, Z., Peng, D., Shang, Y. & Gao, J. Erkennung von Autismus-Spektrum-Störungen und Identifizierung struktureller Biomarker mithilfe eines Selbstaufmerksamkeitsmodells und morphologischer Kovarianz-Gehirnnetzwerke auf individueller Ebene. Vorderseite. Neurosci. 1268 (2021).

Rong, D., Wang, H., Ying, Y., Zhang, Z. & Zhang, Y. Pfirsichsortenerkennung mittels Vis-Nir-Spektroskopie und Deep Learning. Berechnen. Elektron. Landwirtschaft. 175, 105553 (2020).

Artikel Google Scholar

Cen, H. & He, Y. Theorie und Anwendung der Nahinfrarot-Reflexionsspektroskopie zur Bestimmung der Lebensmittelqualität. Trends Lebensmittelwissenschaft. Technol. 18, 72–83. https://doi.org/10.1016/j.tifs.2006.09.003 (2007).

Artikel CAS Google Scholar

Gierlinger, N., Schwanninger, M. & Wimmer, R. Eigenschaften und Klassifizierung von Fourier-Transformations-Nahinfrarotspektren des Kernholzes verschiedener Lärchenarten (Larix sp.). J. Nahinfrarotspektroskopie. 12, 113 (2004).

Artikel ADS CAS Google Scholar

Iñón, FA, Llario, R., Garrigues, S. & de la Guardia, M. Entwicklung einer pls-basierten Methode zur Bestimmung der Qualität von Bieren mithilfe von Nir: Spektralbereiche und Überlegungen zur Probeneinführung. Anal. Bioanal. Chem. 382, 1549–1561 (2005).

Artikel PubMed CAS Google Scholar

León, L., Kelly, JD & Downey, G. Nachweis von Apfelsaftverfälschungen mittels Nahinfrarot-Transflexionsspektroskopie. Appl. Spektroskopie 59, 593 (2005).

Artikel ADS PubMed Google Scholar

Chen, Q., Zhao, J. & Hao, L. Studie zur Unterscheidung von geröstetem Grüntee (Camellia sinensis l.) nach geografischer Herkunft durch FT-NIR-Spektroskopie und überwachte Mustererkennung. Spektrochem. Acta Teil A Mol. Biomol. Spektroskopie 72, 845–850 (2009).

Artikel ADS CAS Google Scholar

Merah, O. et al. Biochemische Zusammensetzung von Kreuzkümmelsamen und Bioraffinierungsstudie. Biomoleküle 10, 1054 (2020).

Artikel CAS PubMed Central Google Scholar

Koohsari, S., Sheikholeslami, MA, Parvardeh, S., Ghafghazi, S. & Amiri, S. Antinozizeptive und antineuropathische Wirkung von Cuminaldehyd, dem Hauptbestandteil von Cuminum cyminum-Samen: Mögliche Wirkmechanismen. J. Ethnopharmacol. Rev. 255, 112786 (2020).

Artikel CAS PubMed Google Scholar

Martin, FL et al. Identifizieren von Variablen, die für die Clusterbildung bei der Diskriminanzanalyse von Daten aus der Infrarot-Mikrospektroskopie einer biologischen Probe verantwortlich sind. J. Comput. Biol. 14, 1176–1184 (2007).

Artikel ADS CAS PubMed Google Scholar

Faraggi, D. & Reiser, B. Schätzung der Fläche unter der Rock-Kurve. Stat. Med. 21, 3093 (2002).

Artikel PubMed Google Scholar

Referenzen herunterladen

Diese Arbeit wurde vom National Key Research and Development Program of China (2019YFC1606100 und Unterprogramm 2019YFC1606104), den großen Wissenschafts- und Technologieprojekten der Uigurischen Autonomen Region Xinjiang (2020A03001 und Unterprogramm 2020A03001-3) und der speziellen wissenschaftlichen Forschung unterstützt Projekt für junge Medizinwissenschaft (2019Q003).

Diese Autoren haben gleichermaßen beigetragen: Enguang Zuo und Lei Sun.

Hochschule für Informationswissenschaft und Ingenieurwesen, Xinjiang-Universität, Urumqi, 830046, China

Enguang Zuo, Cheng Chen & Xiaoyi Lv

College of Software, Xinjiang-Universität, Urumqi, 830046, China

Junyi Yan, Cheng Chen, Chen Chen & Xiaoyi Lv

Schlüssellabor für Signalerkennung und -verarbeitung, Xinjiang-Universität, Urumqi, 830046, China

Xiaoyi Lv

Forschungsinstitut für Produktqualitätsüberwachung und -inspektion der Autonomen Region Xinjiang Uiguren, Urumqi, 830011, China

Lei Sun

Sie können diesen Autor auch in PubMed Google Scholar suchen

EZ, LS, JY, CC, CC und XL konzipierten und gestalteten die Studie. EZ, LS, JY und CC haben die Daten gesammelt und vorverarbeitet. Alle Autoren haben zum Manuskript beigetragen. XLand CC hat das endgültige Manuskript überprüft und genehmigt.

Korrespondenz mit Cheng Chen oder Chen Chen.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Zuo, E., Sun, L., Yan, J. et al. Schnelle Erkennung des Fenchelursprungs durch Nahinfrarotspektroskopie basierend auf einer extrem lernenden Maschine. Sci Rep 12, 13593 (2022). https://doi.org/10.1038/s41598-022-17810-y

Zitat herunterladen

Eingegangen: 17. März 2022

Angenommen: 01. August 2022

Veröffentlicht: 10. August 2022

DOI: https://doi.org/10.1038/s41598-022-17810-y

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.