Jiangsan Zhao
Forsker
Sammendrag
Det er ikke registrert sammendrag
Sammendrag
Det er ikke registrert sammendrag
Sammendrag
Raman spectroscopy provides detailed information about the molecular composition of a sample. The classical identification of components in a multi-component sample typically involves comparing the preprocessed spectrum with a known reference stored in a database using various spectral matching or machine-learning techniques or relies on universal models based on a two-step analysis including first, the component identification, and then the decomposition of the mixed signal. However, although large databases and universal models cover a wide range of target materials, they may be not optimized to the variability required in a specific application. In this study, we propose a single-step method using deep learning (DL) modeling to decompose a simulated mixture of real measurements of Raman scattering into relevant individual components regardless of noise, baseline and the number of components involved and quantify their ratios. We hypothesize that training a custom DL model for applications with a fixed set of expected components may yield better results than applying a universal quantification model. To test this hypothesis, we simulated 12,000 Raman spectra by assigning random ratios to each component spectrum within a library containing 13 measured spectra of organic solvent samples. One of the DL methods, a fully connected network (FCN), was designed to work on the raw spectra directly and output the contribution of each component of the library to the input spectrum in form of a component ratio. The developed model was evaluated on 3600 testing spectra, which were simulated similarly to the training dataset. The average component identification accuracy of the FCN was 99.7%, which was significantly higher than that of the universal custom trained DeepRaman model, which was 83.1%. The average mean absolute error for component ratio quantification was 0.000562, over one order of magnitude smaller than that of a well-established non-negative elastic net (NN-EN), which was 0.00677. The predicted non-zero ratio values were further used for component identification. Under the assumption that the components of a mixture are from a fixed library, the proposed method preprocesses and decomposes the raw data in a single step, quantifying every component in a multicomponent mixture, accurately. Notably, the single-step FCN approach has not been implemented in the previously reported DL studies.
Divisjon for matproduksjon og samfunn
TEKNOPOTET – New technology for increased precision in production and storage of small-sized potatoes
The aim of project is to combine new tehnologies and knowledge about physiological status of potatoes to increase the precision of growing and storing of small-sized potatoes.
Divisjon for matproduksjon og samfunn
TEKNOPOTET - Ny teknologi for økt presisjon i produksjon og lagring av små matpoteter
Forbruket av matpoteter er i senere tid dreid mot en økt andel små matpoteter, såkalt delikatessepoteter. Hovedmålet for prosjektet er å utvikle ny kunnskap, teknologi og verktøy for økt presisjon i dyrking og lagring av slike småpoteter. Formålet er at markedet for småpoteter i størst mulig grad skal kunne dekkes av norske småpoteter med rett kvalitet. For at produksjonen skal være lønnsom må antall knoller per plante økes, knollene må ha rett størrelse og være mest mulig jevnstore, og lagringsstrategiene må tilpasses poteter som er små og pakkes tettere i kassene.
Divisjon for matproduksjon og samfunn
COPERNICUS - Jordbruk
Formålet med prosjektet er å ta i bruk satellitt-data fra Copernicus programmet for å utvikle rutiner og verktøy rettet inn mot jordbruksfaglige problemstillinger, og gjennom dette bidra med informasjon og råd til relevante aktører (bønder, rådgivere, jordbruksnæringa, kommuner, politikere og utdanningsinstitusjoner). Prosjektet skal dermed bidra til å forbedre dagens dyrkningspraksis, som gjennom en bedre utnyttelse av innsatsfaktorer som gjødsel og fôr også bidrar til å redusere klimaavtrykket til det norske jordbruket.