霉变小麦气相色谱-离子迁移谱的宽度学习检测模型

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.

关键词：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

所属期刊栏目：40

分类号：TP393.08;TN925.93;TP181

在线出版日期：2023-11-02（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：1585-1594