我们已经更新我们的隐私政策使它更加清晰我们如何使用您的个人资料。

我们使用cookie来提供更好的体验。你可以阅读我们的饼干的政策在这里。

广告

快速作物真实性验证算法的帮助下进步

快速作物真实性验证算法的帮助下进步内容块的形象
混淆矩阵的热图小麦大米(a)和(b)由InResSpectra标识样本集。来源:徐Zhuopin。

想要一个免费的PDF版本的这个新闻吗?

完成下面的表格,我们将电子邮件您的PDF版本“快速作物真实性验证算法的帮助下进步”

听与
喋喋不休地说
0:00
注册免费听这篇文章
谢谢你!听这篇文章使用上面的球员。
阅读时间:

最近,作物质量智能感知团队合肥智能机械研究所、合肥研究院物理科学(HFIPS)中国科学院(CAS)开发了一种新算法的方向近红外光谱学,适合高通量鉴定作物品种的真实性。


相关工作发表在《红外物理与技术。


作物品种的真实性具有重要意义的各种保护和种子繁殖。传统正宗的作物品种的识别方法,如DNA分子鉴定、同工酶鉴定、和现场识别、复杂操作的缺点,费时,样品破坏,环境污染,和落后的检测结果,因此迫切需要一种有效的方法,实现作物品种的真实性鉴定。


快速检测技术,近红外光谱(NIRS),有许多优点。它是环保的,高度敏感的,无损。


在本研究中,自主研发的高通量种子质量排序工具基于近红外光谱技术,这是由团队,可以实现单个种子的快速识别和排序。基于此仪器,研究人员提出了一种改进的卷积神经网络(CNN)——InResSpectra网络,以帮助实现更精确的种子品种鉴定。这是一个优化的初始网络。它成功移除1×1卷积分支降低模型的复杂度,并增加ResNet残余元素的网络,加速神经网络的训练和提高准确性。


研究人员应用开发系统和InResSpectra网络24个小麦品种的鉴定和21个水稻品种,精度,取得了95.35%和93.07%,分别为光谱的识别提供了一种有效的方法作物品种的真实性。


参考:徐李X, Z,程W,等。高通量研究作物真实性识别方法基于近红外光谱和InResSpectra模型。红外物理技术。2022;125:104235。doi:10.1016 / j.infrared.2022.104235


本文从以下转载材料。注:材料可能是长度和内容的编辑。为进一步的信息,请联系引用源。


广告
Baidu