文中数据与结果来自原论文，不代表本公司设备的测试表现。
干紫菜的水分筛查可以从便携近红外入手，但模型成绩还需要和参考方法、误差单位一起看。这项研究比较树模型与深度网络，样本覆盖不同海区、企业和采期，为理解不同建模方法在同一任务中的表现提供了材料。
概要
研究以干紫菜的失重式水分结果为参考，采集便携漫反射光谱，比较树模型、卷积网络与残差网络，并评估预测不确定性。部分模型报告较好相关表现，但误差的水分比例尺度和参考标准适用性仍需复核，不能直接推广为所有加工海藻的水分检测保证。
（AI 场景概念图，用于科普配图；不是论文数据、研究设备实拍或产品图解）
研究价值
干紫菜水分模型可为包装前批次均匀性检查提供辅助，模型误差须用正确含量尺度表达。
实验方法与参考测量
干紫菜样本以失重式水分仪给出参考；便携VIAVI在漫反射模式采900–1650 nm，25℃下每谱100次平均，周期性白暗校准并控制探头距离3–10 mm。300训练、80测试，比较XGB、CNN和ResNet，GA/PLS辅助选波及解释，GPR用于评估不确定性。
关键波段与采集参数
| 波段 / 参数 | 原文含义与使用说明 |
|---|---|
| 900–1650 nm | 本研究便携NIR范围 |
| 3.0 nm | 数据采样间隔，不等同有效带宽 |
主要结果
XGB报告R²=0.979和RPD=4.849；RMSEP=0.004需核对水分比例尺度，不能径直写成0.004个百分点。
研究局限与解读
论文水分标准引用适用性及误差单位需复核；模型结果不是对所有加工海藻的保证。
图像版权归论文原作者。许可：CC BY 4.0。
论文来源
Zhang W, Pan M, Wang P, Xue J, Zhou X, Sun W, Hu Y, Shen Z. (2024). Comparative Analysis of XGB, CNN, and ResNet Models for Predicting Moisture Content in Porphyra yezoensis Using Near-Infrared Spectroscopy. Foods (Basel, Switzerland). https://doi.org/10.3390/foods13193023
欢迎联络
便携式设备能否用于类似检测，需要结合样品和实验条件评估，具体效果仍需通过实际测试验证。欢迎联系威视佰科，交流您的样品与检测需求，共同评估实验方案，探讨使用本公司设备开展实测与验证的可行性。
- 电子邮箱：contact@vispek.cn
- 官方网站：https://www.vispek.cn
本公司产品展示，非论文所用设备