Sep, 2023

揭示特级初榨橄榄油的老化过程：利用荧光光谱和机器学习技术探究温度对其影响

PDF
TL;DR通过 UV 吸收和总荧光光谱学系统地研究了在加速储存条件下特级初榨橄榄油 (EVOO) 的氧化。本研究收集了大量数据，并提出了一种基于机器学习应用于高度聚合数据的监测油质量的方法。研究表明，荧光光谱学具有监测氧化效应和评估 EVOO 质量的能力，即使数据高度聚合也可以使用提出的方法进行。结果显示，利用荧光光谱学不需要复杂的实验室设备，成本效益高的解决方案可以由非科学家在野外使用，提供易于获取的 EVOO 质量评估。
发现论文，激发创造
  • 利用 1D 卷积神经网络从荧光谱中提取物理化学特性：以橄榄油为例

    通过荧光光谱学和卷积神经网络的结合，可实现对橄榄油生产过程中五种质量指标的实时监测，不仅成本低廉，而且能很好地实现对橄榄油的质量控制和符合欧洲标准的规定。

    Mar, 2022

  • 基于领域适应的荧光光谱解释的深度学习

    该研究提出了一种新方法，利用预训练的视觉模型进行领域适应，并结合新的可解释性算法，以解决荧光光谱数据（尤其是激发 - 发射矩阵）分析中的挑战。通过对特定特征工程的神经网络的描述，我们现在能够更深入、更有意义地理解数据背后的物理化学过程。该方法通过对初榨橄榄油（EVOO）中的氧化过程进行分析来进行论证，展示了在预测质量指标和识别相关光谱带方面的有效性。该研究在光谱学领域中使用深度学习取得显著创新性结果，将其从黑盒转变为理解复杂生物和化学过程的工具。

    Jun, 2024

  • 利用组合的基于 USB 显微镜的土壤图像、辅助变量和便携式 X 射线荧光光谱法进行土壤肥力预测

    本研究探讨了便携式 X 射线荧光光谱法和土壤图像分析在快速评估土壤肥力方面的应用，重点关注可利用的硼、有机碳、可用锰、可用硫和硫可利用性指标等关键参数。通过分析来自东印度不同农业气候区的 1,133 个土壤样本，研究采用了随机森林模型将显微土壤图像的颜色和纹理特征、PXRF 数据和辅助土壤变量 (AVs) 进行结合。结果表明，将图像特征 (IFs) 与辅助变量 (AVs) 相结合，能显著提高可利用硼 (R^2 = 0.80) 和有机碳 (R^2 = 0.88) 的预测准确性。数据融合方法进一步提高了可用锰和硫可利用性指标的预测准确性，R^2 分别为 0.72 和 0.70。该研究展示了这些综合技术有潜力提供快速、经济的土壤测试选项，开发更精密的预测模型，更好地理解土壤的肥力和健康状况。未来的研究应集中在应用更大规模的土壤图像数据集和更广泛的农业气候区域的土壤开展深度学习模型的应用。

    Apr, 2024

  • 使用合成或真实数据进行橄榄检测？橄榄无所不包

    通过生成橄榄树的自动标记的逼真 3D 模型，结合合成数据和少量真实数据的组合使用，该研究提出了一种能够改善橄榄检测的方法。

    Aug, 2023

  • 利用机器学习进行异常检测，在系外行星大气中寻找新颖的化学反应

    下一代望远镜将提供大量高分辨率光谱数据，用于分析成千上万个系外行星。我们提倡将机器学习技术应用于异常检测，以识别具有不寻常化学组成甚至寻找未知生物特征的行星的恒星过境光谱。我们成功地证明了两种流行的异常检测方法（局部异常因子和单类支持向量机）在大型公开数据库的合成光谱上的可行性，并使用 ROC 曲线量化和比较了这两种机器学习技术的性能。

    Aug, 2023

  • 基于 α 曲线连续性的差动迁移谱法挥发性有机化合物分类

    通过使用时间序列分类算法，利用电子鼻测量的离散图进行分类和分析，本研究首次将离散图解释为一系列逐渐发展的测量，并通过实验证明，长短期记忆神经网络可以在分类上达到最高的准确度为 88%。这一新的分类方法为离散图的分析和分类提供了一种新的视角，并公开分享了一组新的离散图数据集。

    Jan, 2024

  • 通过机器分类表面增强拉曼光谱确定痕量有机污染物浓度

    使用机器学习方法从原始拉曼数据中预测样本污染物的浓度，以及标准机器学习模型和深度学习方法在模型训练和特征选择中的准确性。

    Jan, 2024

  • 利用高光谱成像和机器学习进行非破坏性泥炭分析

    通过使用高光谱成像技术进行非破坏性分析，本文旨在解决威士忌酿造中保持泥炭利用效率的问题。结果表明，短波红外数据对于分析泥炭样本和预测总酚水平更为有效，准确率高达 99.81%。

    May, 2024

  • 利用机器学习辅助单事件多普勒校正技术对快速、高温异质同位素进行精密光谱研究

    该研究提出了一种新的实验方案，可以对高速异构体进行灵敏、高精度的激光光谱研究，其中利用混合密度网络（MDN）对结果进行预测和修正，在不需要冷却技术的情况下，直接在高能束流上进行原位光谱研究，是研究核结构、星际物理和新物理探索等领域中有市场价值的研究。

    Apr, 2023

  • 便携式拉曼光谱鉴别威士忌的学习算法

    使用机器学习算法结合携带式拉曼光谱仪直接识别和表征商业威士忌样品中乙醇 / 甲醇浓度，可实现超过 99% 的品牌识别准确性，并能通过瓶内光谱分析检测伪造或掺杂的酒精和其他高价值液体样品。

    Sep, 2023