GAF強化特性の融合型ニューラルネットワークによる多種植物の精密な分類

科学分野:

• 農業科学
• スペクトロスコーピー
• 機械学習

背景:

• 多種栽培のカタツムリの正確な分類は,産業の品質管理に不可欠です.
• 一次元のスペクトル干渉は,視覚的に類似したカタツムリの高精度分類を妨げます.
• VIS-NIRの伝達スペクトロスコピーは,非破壊的な品質評価の可能性を提供します.

研究 の 目的:

• マルチカルトワーの迅速なオンライン分類のための革新的な方法を開発する.
• スペクトル干渉の問題に対処することによって分類の精度を向上させる.
• グラミアン・アングラー・フィールド (GAF) 技術とディープラーニングを統合し,機能抽出を強化する.

主な方法:

• 一次元のVIS-NIRスペクトルを二次元のグラミアン角相場 (GASF) とグラミアン角差場 (GADF) の画像に変換した.
• GASFとGADFの画像から機能融合のための二重入力コンボリューションニューラルネットワーク (CNN) アーキテクチャを設計しました.
• 効率と精度を高めるために,競争的適応再重量サンプリング (CARS) を使用した波長最適化.

主要な成果:

• GAFで強化されたCNNモデルは,予測セットで95.1%の分類精度を達成し,従来の1次元のスペクトルモデルを上回った.
• 波長最適化により,GAF画像生成時間は55.19%短縮され,精度は96.3%に改善されました.
• このモデルでは,異なる産地から採取したスイカに対して 91.9%の精度で良好な汎用性を示した.

結論:

• 提案されたGAF強化機能の融合CNNは,多種種のカタツムリの分類精度を大幅に改善します.
• この方法は,VIS-NIR伝導スペクトロスコーピーを用いて果物の品質を評価するための革新的なアプローチを提供します.
• GAFとCNNの統合は,スペクトルデータ分析の課題に対する強力な解決策を提供します.