结合高光谱成像与深度学习的可行性研究,用于栗子质量检测
Qiongda Zhong1,2,3, Hu Zhang1,2,3, Shuqi Tang1,3
1College of Engineering, South China Agricultural University, Guangzhou 510642, China.
Foods (Basel, Switzerland)
|May 27, 2023
概括
这项研究引入了一种快速的方法来检测栗子的质量,使用高光谱成像 (HSI) 和深度学习. FD-UVE-CNN模型实现了高精度,大大缩短了检测时间.
科学领域:
- 农业科学 农业科学
- 食品科学 食品科学 食品科学
- 频谱学是一种光谱学.
背景情况:
- 栗子质量检测对于加工至关重要.
- 由于缺乏明显的症状,传统方法在质量评估中扎.
研究的目的:
- 开发一种快速,有效的方法来检测栗子的质量.
- 利用高光谱成像 (HSI) 和深度学习进行定性和定量分析.
主要方法:
- 应用主要成分分析 (PCA) 进行定性分析.
- 预处理的光谱数据和构建的传统机器学习和深度学习模型.
- 确定了关键波长 (大约1000,1400,1600nm) 以提高效率.
主要成果:
- 深度学习模型的表现优于传统模型,FD-LSTM的准确率达到99.72%.
- 在纳入重要波长后,FD-UVE-CNN模型实现了97.33%的准确性.
- 使用关键波长可以将识别时间平均减少39秒.
结论:
- 深度学习与HSI相结合,显示出有效检测栗子质量的巨大潜力.
- 确定FD-UVE-CNN模型是该应用最有效的.
