在不同采摘时期识别茶叶质量:一个高光谱系统与多分支核心注意力网络相结合

科学领域:

• 农业科学 农业科学
• 频谱学是一种光谱学.
• 机器学习 机器学习

背景情况:

• 茶的质量受到材料含量和营养成分的影响,这些成分因采摘期而异.
• 目前在不同的采摘时间评估茶叶质量的方法并不快速,这影响了农业生产和市场销售.
• 对茶叶质量的客观和快速评估对于优化农业实践和市场效率至关重要.

研究的目的:

• 开发一种快速而准确的方法来识别不同采摘时期的茶叶质量.
• 为了利用超光谱技术和先进的深度学习来评估茶叶的质量.
• 通过精确的质量评估,提高茶叶生产和市场销售的运营效率.

主要方法:

• 使用超光谱系统从六个不同的茶叶采摘时期获取光谱信息.
• 开发了多分支核心注意力 (MBKA) 方法,用于有效的光谱特征提取.
• 实施多分支核心关注网络 (MBKA-Net) 以根据采摘期对茶叶进行分类.

主要成果:

• MBKA-Net实现了高性能指标,包括96.18%的准确性.
• 该模型在分类茶叶质量方面表现出卓越的精度 (97.14%) 和回忆 (97.18%).
• 拟议的方法通过多尺度自适应提取有效地挖掘光谱特征.

结论:

• 结合MBKA-Net和高光谱技术,提供了一种有效的解决方案,用于检测不同采摘时期的茶叶质量.
• 这种方法解决了茶叶生产和销售中快速评估方法的需求.
• 该研究验证了先进机器学习和光谱学在农业质量控制中的潜力.