Un modelo de clasificación de madurez para los jujubes de invierno basado en DSAF-ResNet

Área de la Ciencia:

• Ingeniería agrícola
• Visión por computadora
• Aprendizaje automático

Sus antecedentes:

• La clasificación precisa y no destructiva de la madurez de los jujubes de invierno es esencial para optimizar el momento de la cosecha y garantizar la calidad de los frutos.
• Los métodos actuales a menudo carecen de la precisión necesaria para diferenciar las etapas sutiles de madurez, lo que afecta a los procesos posteriores a la cosecha.

Objetivo del estudio:

• Desarrollar y evaluar un nuevo modelo de aprendizaje profundo para una clasificación precisa y no destructiva de la madurez de los jujubes de invierno.
• Investigar la eficacia de la fusión de características hiperespectrales y de textura para mejorar la evaluación de la madurez.

Principales métodos:

• Se propuso una red residual de atención fusionada de doble corriente (DSAF-ResNet), que integraba imágenes hiperespectrales y características de textura de la Matriz de Coocurrencia de Nivel Gris (GLCM).
• La red incorporó los mecanismos de atención RepVGGBlock y SimAM dentro de una arquitectura de doble flujo.
• El rendimiento del modelo se validó utilizando métricas de precisión, precisión y recuerdo de prueba.

Principales resultados:

• El enfoque multimodal fusionado mejoró significativamente el rendimiento de la clasificación en comparación con los insumos de una sola modalidad.
• El DSAF-ResNet logró una alta precisión de prueba (97,24%), precisión (97,31%) y recuerdo (97,24%).
• Los estudios de ablación confirmaron la eficacia de los componentes individuales de la red y de la estrategia de fusión.

Conclusiones:

• DSAF-ResNet ofrece un marco eficaz y escalable para la clasificación no destructiva de la madurez de las frutas.
• Este enfoque mejora las prácticas agrícolas inteligentes y apoya la agricultura de precisión al permitir una evaluación sólida de la madurez.
• El modelo demuestra una excelente generalización y estabilidad, incluso con conjuntos de datos desequilibrados.