論文の概要: Learning algorithms for identification of whisky using portable Raman spectroscopy

• arxiv url: http://arxiv.org/abs/2309.13087v1
• Date: Fri, 22 Sep 2023 02:27:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-26 22:25:31.647484
• Title: Learning algorithms for identification of whisky using portable Raman spectroscopy
• Title（参考訳）: 携帯型ラマン分光法によるウイスキー識別のための学習アルゴリズム
• Authors: Kwang Jun Lee, Alexander C. Trowbridge, Graham D. Bruce, George O. Dwapanyin, Kylie R. Dunning, Kishan Dholakia, Erik P. Schartner
• Abstract要約: 我々は、さまざまな機械学習アルゴリズムを調べ、ポータブルなラマン分光装置で直接インターフェースした。 機械学習モデルは、28の商用サンプルのブランド識別において99%以上の精度を達成可能であることを実証した。
• 参考スコア（独自算出の注目度）: 37.69303106863453
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable identification of high-value products such as whisky is an increasingly important area, as issues such as brand substitution (i.e. fraudulent products) and quality control are critical to the industry. We have examined a range of machine learning algorithms and interfaced them directly with a portable Raman spectroscopy device to both identify and characterize the ethanol/methanol concentrations of commercial whisky samples. We demonstrate that machine learning models can achieve over 99% accuracy in brand identification across twenty-eight commercial samples. To demonstrate the flexibility of this approach we utilised the same samples and algorithms to quantify ethanol concentrations, as well as measuring methanol levels in spiked whisky samples. Our machine learning techniques are then combined with a through-the-bottle method to perform spectral analysis and identification without requiring the sample to be decanted from the original container, showing the practical potential of this approach to the detection of counterfeit or adulterated spirits and other high value liquid samples.
• Abstract（参考訳）: ウイスキーのような高価値商品の信頼性の高い識別は、ブランドの置換(詐欺製品)や品質管理などの問題が業界にとって重要であるため、ますます重要になっている。 市販ウイスキー試料のエタノール/メタノール濃度を同定し,特徴付けるため,様々な機械学習アルゴリズムを調査し,携帯型ラマン分光装置と直接インターフェースした。 機械学習モデルが28の商用サンプルのブランド識別において99%以上の精度を達成できることを実証する。 このアプローチの柔軟性を示すために、同じサンプルとアルゴリズムを使用してエタノール濃度を定量し、スパイクウイスキー試料中のメタノール濃度を測定した。 筆者らの機械学習技術は, サンプルを元の容器から切り離すことなく, スペクトル分析と同定を行うためのスルー・ザ・ボトル法と組み合わせて, 偽造または未成年精神などの高価値液体試料の検出に対する本手法の実用可能性を示す。

関連論文リスト

• Vision-based Xylem Wetness Classification in Stem Water Potential Determination [8.597874067545233]
  この研究は、スコランダー圧力室を用いた茎検出とキシレム湿性分類の自動化に焦点を当てた。 目的は、茎の検出を洗練し、キシレムにおける水の出現をよりよく分類するためのコンピュータビジョンベースの方法を開発することである。 YOLOv8nによる学習ベース幹細胞検出とResNet50に基づく分類の組み合わせにより、トップ1の精度は80.98%に達した。
  論文  参考訳（メタデータ） (2024-09-24T19:24:04Z)
• Non-Destructive Peat Analysis using Hyperspectral Imaging and Machine Learning [4.949467670284275]
  ピートはウイスキー生産において重要な要素であり、最終製品に独特の風味を付与する。 本稿では, ハイパスペクトル画像を用いた非破壊解析により, ウイスキー製造における泥炭利用効率の向上に向けた実現可能性調査を行うことにより, この問題に対処することを目的とする。 その結果、ショットウェーブ赤外(SWIR)データは、泥炭サンプルを分析し、総フェノール濃度を99.81%まで予測するのにより効果的であることが示された。
  論文  参考訳（メタデータ） (2024-05-03T15:47:07Z)
• Determination of Trace Organic Contaminant Concentration via Machine Classification of Surface-Enhanced Raman Spectra [0.7029155133139362]
  機械学習を用いて,未処理のRamanデータから試料汚染物質の濃度を予測する手法を提案する。 標準的な機械学習モデルを用いて、サンプル汚染物質の濃度を、生のRamanデータから80%以上のクロスバリデーション精度で予測する。
  論文  参考訳（メタデータ） (2024-01-31T21:49:40Z)
• Artificial Intelligence for reverse engineering: application to detergents using Raman spectroscopy [0.0]
  デジタルツールや分析技術の開発は、潜在的に有毒な分子の同定を可能にする。 各種デジタルツール(スペクトルデータベース,混合データベース,実験設計,ケモメトリックス/機械学習アルゴリズム)と異なるサンプル作成方法の組み合わせにより,混合成分の同定が可能となった。 この戦略は、製品や原料の制御、品質管理の目的でも適用できる。
  論文  参考訳（メタデータ） (2023-10-31T08:16:22Z)
• Learning Lightweight Object Detectors via Multi-Teacher Progressive Distillation [56.053397775016755]
  本稿では,教師検出器の知識を学生に段階的に伝達する,知識蒸留への逐次的アプローチを提案する。 私たちの知識を最大限に活用するために、私たちはTransformerベースの教師検出器から、畳み込みベースの学生まで、初めて知識を抽出しました。
  論文  参考訳（メタデータ） (2023-08-17T17:17:08Z)
• Distill Gold from Massive Ores: Bi-level Data Pruning towards Efficient Dataset Distillation [96.92250565207017]
  本研究では,データセット蒸留作業におけるデータ効率と選択について検討する。 蒸留の力学を再現することにより、実際のデータセットに固有の冗長性についての洞察を提供する。 蒸留における因果関係から最も寄与した試料を見出した。
  論文  参考訳（メタデータ） (2023-05-28T06:53:41Z)
• Label Assignment Distillation for Object Detection [0.0]
  我々は,オブジェクト検出におけるラベル割り当てに着目した,単純だが効果的な知識蒸留手法を考案した。 提案手法は, MSCOCO 2017ベンチマークで有望な結果を示す。
  論文  参考訳（メタデータ） (2021-09-16T10:11:58Z)
• Deep Semi-supervised Metric Learning with Dual Alignment for Cervical Cancer Cell Detection [49.78612417406883]
  子宮頸癌細胞検出のための新しい半教師付き深度測定法を提案する。 私たちのモデルは、埋め込みメトリック空間を学習し、提案レベルとプロトタイプレベルの両方でセマンティック機能の二重アライメントを行います。 本研究は,240,860個の頸部細胞画像からなる半監督型頸部がん細胞検出のための大規模データセットを初めて構築した。
  論文  参考訳（メタデータ） (2021-04-07T17:11:27Z)
• Deep Semi-supervised Knowledge Distillation for Overlapping Cervical Cell Instance Segmentation [54.49894381464853]
  本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。 摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。 実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-21T13:27:09Z)
• Why distillation helps: a statistical perspective [69.90148901064747]
  知識蒸留は、単純な「学生」モデルの性能を向上させる技術である。 この単純なアプローチは広く有効であることが証明されているが、基本的な問題は未解決のままである。 蒸留が既存の負の鉱業技術をどのように補完し, 極端に多層的検索を行うかを示す。
  論文  参考訳（メタデータ） (2020-05-21T01:49:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。