Clasificación precisa de las sandías multicultivares a través de redes neuronales convolucionales de fusión de...

Área de la Ciencia:

• Ciencias Agrícolas
• Espectroscopia
• Aprendizaje automático

Sus antecedentes:

• La clasificación precisa de las sandías de varios cultivos es crucial para el control de calidad de la industria.
• La interferencia espectral unidimensional dificulta la clasificación de alta precisión de las sandías visualmente similares.
• La espectroscopia de transmitancia VIS-NIR ofrece un potencial para la evaluación de la calidad no destructiva.

Objetivo del estudio:

• Desarrollar un método innovador para la clasificación rápida en línea de las sandías multicultivares.
• Mejorar la precisión de la clasificación abordando los problemas de interferencia espectral.
• Integrar las técnicas de campo angular de Gramian (GAF) con el aprendizaje profundo para una extracción de características mejorada.

Principales métodos:

• Se han convertido espectros unidimensionales del VIS-NIR en imágenes bidimensionales del campo de suma angular de Gramian (GASF) y del campo de diferencia angular de Gramian (GADF).
• Diseñó una arquitectura de red neuronal convolucional de doble entrada (CNN) para la fusión de características de las imágenes GASF y GADF.
• Optimización de la longitud de onda aplicada mediante muestreo adaptativo reponderado competitivo (CARS) para mejorar la eficiencia y la precisión.

Principales resultados:

• El modelo CNN mejorado con GAF logró una precisión de clasificación del 95,1% en el conjunto de predicción, superando a los modelos espectrales unidimensionales tradicionales.
• La optimización de la longitud de onda redujo el tiempo de generación de imágenes GAF en un 55,19% y mejoró la precisión al 96,3%.
• El modelo demostró una buena generalización con una precisión del 91,9% en sandías de diferentes orígenes.

Conclusiones:

• La función de fusión CNN mejorada por GAF que se propone mejora significativamente la precisión de la clasificación de las sandías multicultivariadas.
• Este método ofrece un enfoque innovador para la evaluación de la calidad de las frutas mediante la espectroscopia de transmitancia VIS-NIR.
• La integración de GAF y CNNs proporciona una solución robusta para los desafíos en el análisis de datos espectrales.