霉变小麦气相色谱-离子迁移谱的宽度学习检测模型
秦瑶1
廉飞宇1
潘泉2
张元1
1.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 4500012.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
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
论文发表日期：2023-09-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：10( 1585-1594 )
英文信息