清晨好,您是今天最早来到科研通的研友!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您科研之路漫漫前行!

Monitoring of Chlorpyrifos Residues in Corn Oil Based on Raman Spectral Deep-Learning Model

人工智能 拉曼光谱 卷积神经网络 深度学习 均方误差 模式识别(心理学) 计算机科学 残余物 特征(语言学) 校准 生物系统 机器学习 数学 统计 算法 物理 光学 生物 语言学 哲学
作者
Yingchao Xue,Hui Jiang
出处
期刊:Foods [MDPI AG]
卷期号:12 (12): 2402-2402 被引量:4
标识
DOI:10.3390/foods12122402
摘要

This study presents a novel method for the quantitative detection of residual chlorpyrifos in corn oil through Raman spectroscopy using a combined long short-term memory network (LSTM) and convolutional neural network (CNN) architecture. The QE Pro Raman+ spectrometer was employed to collect Raman spectra of corn oil samples with varying concentrations of chlorpyrifos residues. A deep-learning model based on LSTM combined with a CNN structure was designed to realize feature self-learning and model training of Raman spectra of corn oil samples. In the study, it was discovered that the LSTM-CNN model has superior generalization performance compared to both the LSTM and CNN models. The root-mean-square error of prediction (RMSEP) of the LSTM-CNN model is 12.3 mg·kg-1, the coefficient of determination (RP2) is 0.90, and the calculation of the relative prediction deviation (RPD) results in a value of 3.2. The study demonstrates that the deep-learning network based on an LSTM-CNN structure can achieve feature self-learning and multivariate model calibration for Raman spectra without preprocessing. The results of this study present an innovative approach for chemometric analysis using Raman spectroscopy.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
4秒前
白子双完成签到,获得积分10
8秒前
z1y1p1完成签到,获得积分10
9秒前
xun发布了新的文献求助10
10秒前
俊逸的可乐完成签到 ,获得积分10
17秒前
Noah完成签到 ,获得积分10
20秒前
一只胖赤赤完成签到 ,获得积分10
31秒前
搜集达人应助xun采纳,获得10
42秒前
神勇的天问完成签到 ,获得积分10
45秒前
57秒前
xun发布了新的文献求助10
1分钟前
隐形曼青应助xun采纳,获得10
1分钟前
居居侠完成签到 ,获得积分10
1分钟前
陈M雯完成签到 ,获得积分10
1分钟前
zhang完成签到 ,获得积分10
1分钟前
LIGANG1111完成签到 ,获得积分10
1分钟前
嫁个养熊猫的完成签到 ,获得积分10
1分钟前
Blaseaka完成签到 ,获得积分10
1分钟前
Tttttttt完成签到,获得积分10
1分钟前
北笙完成签到 ,获得积分10
1分钟前
Never stall完成签到 ,获得积分10
1分钟前
1分钟前
xun发布了新的文献求助10
1分钟前
1分钟前
周晴完成签到 ,获得积分10
1分钟前
温温发布了新的文献求助10
1分钟前
梨糯糯完成签到 ,获得积分20
2分钟前
Hosea完成签到 ,获得积分10
2分钟前
上官若男应助xun采纳,获得10
2分钟前
chenll1988完成签到 ,获得积分10
2分钟前
L_x完成签到 ,获得积分10
2分钟前
SciGPT应助liujie采纳,获得10
2分钟前
雪妮完成签到 ,获得积分10
2分钟前
liujie完成签到,获得积分10
2分钟前
包容的海豚完成签到 ,获得积分10
2分钟前
2分钟前
yqcsysu完成签到 ,获得积分10
2分钟前
liujie发布了新的文献求助10
2分钟前
独特的忆彤完成签到 ,获得积分10
2分钟前
一个小胖子完成签到,获得积分10
2分钟前
高分求助中
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
Chen Hansheng: China’s Last Romantic Revolutionary 500
宽禁带半导体紫外光电探测器 388
Case Research: The Case Writing Process 300
Global Geological Record of Lake Basins 300
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3142849
求助须知:如何正确求助?哪些是违规求助? 2793684
关于积分的说明 7807147
捐赠科研通 2450016
什么是DOI,文献DOI怎么找? 1303576
科研通“疑难数据库(出版商)”最低求助积分说明 627016
版权声明 601350