| Маркер записи | n 22 3 4500 |
| Контрольный номер | zhps20_to87_no2_ss282_ad1 |
| Дата корректировки | 14:45:58 27 июля 2020 г. |
| Кодируемые данные | 200706s2020||||RU|||||||||||#||||# rus0| |
| Системный контрольный номер | RUMARS-zhps20_to87_no2_ss282_ad1 |
| AR-MARS | |
| Служба первич. каталог. |
Научная библиотека им. М. М. Бахтина Мордовского госуниверситета им. Н. П. Огарева МАРС |
| Код языка каталог. | rus |
| Код языка издания |
eng eng |
| Индекс УДК |
535.33 543.4/.5 |
| Индекс ББК |
22.344 24.46/48 |
|
Таблицы для массовых библиотек Таблицы для массовых библиотек |
|
|
Ding, D. 070 |
|
|
Combining hyperspectral imaging and feature wavelength extraction methods for the rapid discrimination of red meat D. Ding, K. Liang, B. Li [et al.] |
|
|
Совмещение методов гиперспектрального изображения и выбора характерных длин волн для быстрого распознавания видов красного мяса rus |
|
| Текст | |
| непосредственный | |
| Библиография | Библиогр.: с. 288 |
| Аннотация | Исследована гиперспектральная система визуализации (400-800 нм) в сочетании с многомерным анализом для различения видов говядины, свинины и баранины на основе характерных длин волн интактных и измельченных образцов. Проведено сравнение характеристик классификационных моделей, построенных путем объединения линейного дискриминантного анализа (LDA), дискриминантного анализа с проекцией на латентные структуры (PLS-DA) или метода опорных векторов (SVM), с методами выбора переменных, такими, как алгоритм последовательного проецирования (SPA), анализ коэффициента регрессии (RCA) или метод реверсивных скачков ( RF ). Показано, что при идентификации видов сырого мяса линейный классификатор предпочтительнее нелинейного. Путем всестороннего сравнения трех схем, в том числе синтеза переменных, слияния данных и перекрестного моделирования, определен только один набор оптимальных длин волн, включающий в себя пять диапазонов (567, 579, 595, 624 и 732 нм) в качестве универсальных и характерных, вместо выбора различных наборов характеристических длин волн для образцов различных видов мяса. На основе выбранных длин волн создана упрощенная модель LDA, позволяющая получить точность классификации 94. 20 и 98. 36% в валидационном наборе образцов интактного мяса и фарша. Интегрирование гиперспектральной визуализации и многомерного анализа обладает большим потенциалом в решении проблемы быстрой и неразрушающей дифференциации распространенных видов сырого мяса. |
|
Физика AR-MARS Спектроскопия AR-MARS Химия AR-MARS Физико-химические методы анализа AR-MARS |
|
| Ключевые слова |
виды красного мяса выбор переменных гиперспектральная система визуализации гиперспектральное изображение идентификация видов сырого мяса синтез характеристик сырое мясо |
|
Liang, K. 070 Li, B. 070 Liu, L. 070 Wu, W. 070 Shen, M. 070 |
|
| ISSN | 0514-7506 |
| Название источника | Журнал прикладной спектроскопии |
| Место и дата издания | 2020 |
| Прочая информация | Т. 87, № 2. - С. 282-288 |
|
RU 43013090 20200706 RCR |
|
|
RU 43013090 20200706 |
|
|
RU AR-MARS 20200706 RCR |
|
|
RU AR-MARS 20200706 |
|
| Тип документа | b |
|
code year to no ss ad |
|
|
zhps 2020 87 2 282 1 |
|
| 718 |
