Industrial Crops and Products· 2026Q1
Çok Modlu Algılama ve Makine Öğrenimi Kullanılarak Mısır Külahı İşleme Uç Noktalarının Akıllı Tanımlanması ve Kalite Değerlendirmesi
Intelligent identification of processing endpoints and quality evaluation of Typhae Pollen using multimodal sensing and machine learning
- 0atıf
- Q1SCImago
- 2026yıl
Kısa özet
Tek kaynaklı renkölçer ve Vis-NIR spektral verileri kullanan makine öğrenimi modelleri, Mısır Külahı (TP) işleme derecelerini (%96'nın üzerinde doğrulukla) doğru bir şekilde tanımlar ve mevcut koşullar altında birleştirilmiş veri modellerinden daha iyi performans gösterir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Renkölçer veya Vis-NIR spektral verilerini kullanan makine öğrenimi modelleri, Mısır Külahı işleme derecelerini belirlemede %96'nın üzerinde doğruluk elde etti.
- Renkölçer ve Vis-NIR verileri, işleme aşamaları için bireysel olarak güçlü sınıf ayrılabilirliği gösterdi.
- Renkölçer ve spektral verilerin özellik düzeyinde birleştirilmesi, en iyi tek kaynaklı modellerin doğruluğunda istatistiksel olarak anlamlı bir iyileşme sağlamadı.
- İşlenmiş polen (SP), farmakodinamik değerlendirmelerde önemli hemostatik aktivite gösterdi ve etkinlik sıralaması algılama modelleri tarafından belirlenen işleme aşaması farklılıklarıyla uyumluydu.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Current discrimination of the processing degree of Typhae pollen (TP) relies on empirical methods and lacks objective metrics. Nondestructive, rapid, and accurate endpoint determination is essential for TP’s standardization and intelligent development. This study investigated dynamic intelligent sensory and Vis–NIR spectral changes of TP during processing. Machine learning models using single-source and fused data were developed for endpoint discrimination and validated using a zebrafish intestinal hemorrhage model. With increased processing, volatile components and color parameters decreased significantly. Single-source colorimeter and Vis–NIR models both achieved high classification accuracy (>96%), with no significant differences among different algorithms. Moreover, colorimetric and Vis–NIR data individually exhibit strong inherent class separability, enabling accurate and robust identification of processing degrees. Feature-level fusion may provide complementary information, but under the present experimental conditions it did not demonstrate a statistically significant advantage over the best single-source models. Pharmacodynamic studies showed that SP had significant hemostatic activity. Moreover, the efficacy ranking (SP ≫ raw TP/LP ≫ HP) was consistent with the processing-stage differences captured by the optimal colorimeter and Vis–NIR models without pharmacodynamic training. Colorimeter and Vis–NIR with machine learning enable rapid, non-destructive, accurate identification of TP processing degrees. The proposed workflow provides a reference framework for process optimization, quality standardization, and future online monitoring in the industrial processing of plant resources.
Yazarların özeti; kaynağından alınmıştır. Industrial Crops and Products, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Analitik Kimya
Analytical ChemistryChemistry