深度学习模型准确评估不同产区天麻的质量差异

深度学习模型准确评估不同产区天麻的质量差异

引用

科学网

1.

https://news.sciencenet.cn/htmlpaper/2024/10/20241014101249618122078.shtm

近日，云南省农业科学院药用植物研究所研究员王元忠联合云南省昭通学院教授刘鸿高、云南农业大学李杰庆在《食品化学》（Food chemistry）发表最新研究论文，提出基于近红外（NIR）光谱技术的天麻地理溯源模型理论。该理论可为不同产区中药地理可追溯性提供借鉴和理论基础。

天麻块茎。云南农科院供图

该研究针对中国不同产区天麻质量差异显著，传统分析方法操作复杂、耗时、成本高、劳动密集型等问题展开研究。

该团队采集了云南省彝良县、贵州省大方县、湖北省五峰县、西藏自治区波密县的天麻近红外光谱（NIRS）数据，并分别建立了传统的机器学习模型和深度学习模型。该深度学习模型是基于NIRS生成的二维相关光谱（2DCOS）图像和三维相关光谱（3DCOS）图像建立的残差卷积神经网络（ResNet）模型。

用于实验的天麻开花了。云南农科院供图

为了对所建立模型的性能进行验证，他们又采集了云南省昭通市彝良县、镇雄县、大关县、永善县的样本来进一步对模型的性能进行验证。

结果表明，与传统的机器学习模型相比，深度学习模型ResNet表现出更好的鲁棒性和泛化能力。其中，同步3DCOS-ResNet模型的性能最好，对于不同省份的天麻样本，训练集、测试集和外部验证集准确率均达到100%；对于云南昭通市的天麻样本，训练集和测试集准确率为100%，外部验证集准确率达95.45%。

该研究表明，基于NIRS数据的深度学习模型能够更有效、准确地评估不同产区天麻的质量差异，为天麻的品质控制与选育提供了有力支持。通过简化操作流程，降低成本，提升分析效率，可为今后的相关研究和实践应用奠定了基础。