霉变小麦气相色谱–离子迁移谱的宽度学习检测模型
A broad learning detection model on gas chromatography-ion migration spectrum of mildew wheat作者机构:河南工业大学粮食信息处理与控制教育部重点实验室河南郑州450001 河南工业大学信息科学与工程学院河南郑州450001 西北工业大学自动化学院陕西西安710000 信息融合技术教育部重点实验室陕西西安710000
出 版 物:《控制理论与应用》 (Control Theory & Applications)
年 卷 期:2023年第40卷第9期
页 面:1585-1594页
核心收录:
学科分类:0710[理学-生物学] 0810[工学-信息与通信工程] 1205[管理学-图书情报与档案管理] 0817[工学-化学工程与技术] 09[农学] 0703[理学-化学] 0901[农学-作物学] 0836[工学-生物工程]
基 金:国家自然科学基金项目(52003076) 粮食信息处理与控制教育部重点实验室开放基金项目(KFJJ-2018-102) 河南省高校青年骨干教师培养计划项目(2021GGJS065) 河南省高等学校重点科研项目(22A510014) 河南工业大学自科创新基金支持计划项目(2022ZKCJ02) 河南工业大学青年骨干教师培育计划项目资助
主 题:霉变小麦 气相色谱–离子迁移谱 指纹图谱 宽度学习 空间注意力
摘 要:常用的小麦霉变检测方法存在检测程序复杂、环境适应性差等问题.本文针对这一现状,将具有高灵敏度的气相色谱–离子迁移谱(GC-IMS)应用于小麦的早期霉变检测,对不同霉变程度的小麦样品进行GC-IMS测试并采用宽度学习模型(BLN)进行模式分类.为了提高宽度学习模型的分类精度,在模型中引入了空间注意力机制(SAM),通过使用节点的特征信息和结构信息计算注意力权重,提取更重要的特征信息.实验结果表明,与现有的深度学习模型相比,本文提出的模型在训练时间上大大减少,在样本较少的情况下,对霉变小麦早期识别的准确率(AUC)也得到了相应提高,有效地解决了过拟合问题.实验也证明了GC-IMS结合BLN-SAM模型的方法在小麦霉变早期检测中的有效性.