利用变压器增强型机器学习技术对椰子油进行非侵入式高级高光谱表型分析

《Food Analytical Methods》：Non-Invasive Advanced Hyperspectral Phenotyping of Coconut Oil Using Transformer-Enhanced Machine Learning

椰子油掺假检测研究提出TKRnet模型，融合HSI成像与Transformer特征增强、KBest特征筛选及随机森林预测，在8个优化特征下实现99.65%预测性能，显著优于传统方法。

　　

摘要

椰子油（CO）因其健康益处而广为人知，因此被广泛应用于众多消费品中。然而，椰子油价格较高且需求量大，这为通过掺入更便宜、质量较低的植物油来获取经济利益提供了机会。这种掺假行为不仅会影响油的质量，还会对消费者的健康和安全造成严重威胁。传统的检测方法耗时较长、具有毒性，并且样品制备过程复杂。因此，迫切需要更快、更精确、更环保的分析方法来识别椰子油的掺假情况。本研究开发了一种先进的方法，利用高光谱成像（HSI）相机和深度学习技术来预测椰子油中的掺假现象。所提出的模型名为TKRnet，由用于数据特征增强的Transformer、用于特征选择的KBest以及用于预测的随机森林（Random Forest）组成。原始光谱数据经过Transformer处理后，结合统计特征生成丰富的特征集。该模型包含多级特征工程，包括计算归一化差异指数和统计描述符，并通过SelectKBest进行降维以优化特征选择。这些处理后的特征被输入到随机森林模型中，从而确保了模型在回归和分类任务中的强大性能。预处理方法能够提高模型的预测准确性和可解释性，因为它在保持低维度的同时保留了有意义的光谱信息。性能评估显示，仅使用8个特征即可解释模型99.65%的观测结果，说明该模型的性能非常出色。研究结果表明，TKRnet在R2分数、均方根误差（RMSE）和平均绝对误差（MAE）等方面均优于传统模型，具有最高的预测能力。实验强调了将高级特征选择和变换技术与随机森林等先进的集成学习算法结合的重要性，从而实现高预测精度。我们发现，经过Transformer优化的随机森林模型在处理复杂和高维数据时表现出优异的性能和鲁棒性。