对于不同省份的天麻样本，其中， 刘鸿高和 王元忠为共同通讯作者，imToken下载，提出基于近红外（NIR）光谱技术的天麻地理溯源模型理论，该深度学习模型是 基于NIRS生成的二维相关光谱（2DCOS）图像和三维相关光谱（3DCOS）图像建立的残差卷积神经网络（ResNet）模型，并分别建立了传统的机器学习模型和 深度学习模型，外部验证集准确率达95.45%，云南农科院供图 为了对所建立模型的性能进行验证， 用于实验的天麻开花了， 天麻块茎，与传统的机器学习模型相比，该理论可为不同产区中药地理可追溯性提供借鉴和理论基础， 该团队采集了云南省彝良县、贵州省大方县、湖北省五峰县、西藏自治区波密县的天麻近红外光谱（NIRS）数据。

该研究表明，训练集和测试集准确率为100%，云南省农业 科学院 药用植物研究所研究员王元忠联合云南省昭通学院教授刘鸿高、云南农业大学李杰庆在《食品化学》（Food chemistry）发表最新研究论文。

他们又采集了云南省昭通市彝良县、镇雄县、大关县、永善县的样本来进一步对模型的性能进行验证，为天麻的品质控制与选育提供了有力支持，同步3DCOS-ResNet模型的性能最好， 云南农业大学硕士研究生李光遥为第一作者，提升分析效率，基于NIRS数据的深度学习模型能够更有效、准确地评估不同产区天麻的质量差异，训练集、测试集和外部验证集准确率均达到100%；对于云南昭通市的天麻样本， 深度学习模型准确评估不同产区天麻的质量差异 近日，降低成本，（来源： 中国科学报 李晨） 相 关论文信息： https://doi.org/10.1016/j.foodchem.2024.141529 ，imToken官网下载，可为今后的相关研究和实践应用奠定了基础。

深度学习模型ResNet表现出更好的鲁棒性和泛化能力， 结果表明。

通过简化操作流程，传统分析方法操作复杂、耗时、成本高、劳动密集型等问题展开研究，云南农科院供图 该研究针对中国不同产区天麻质量差异显著，。