使用超光谱成像与增强空间光谱注意力3DCNN和变压器相结合,识别贝生长年
Tingting Wang1, Zhenyu Xu1, Huiqiang Hu1
1School of Electrical and Information Engineering, Zhengzhou University, Zhengzhou 450001, China.
Molecules (Basel, Switzerland)
|September 9, 2023
概括
超光谱成像与新的深度学习算法相结合,可以准确地确定海贝生长年数. 这种非破坏性的方法为这种传统的中国饮食疗法提供了有效的质量控制.
科学领域:
- 食品科学与技术 食品科学与技术
- 分析化学 分析化学
- 生物技术是生物技术.
背景情况:
- 贝 (Chinemys reecesii) 是中国传统饮食疗法的宝贵组成部分.
- 乌外的生长年份显著影响其质量属性.
- 需要客观和非破坏性的方法来评估乌的外质量.
研究的目的:
- 调查使用高光谱成像 (HSI) 来确定乌的生长年.
- 开发一种深度学习 (DL) 算法,用于客观地分类乌贝生长年.
- 评估新型DL网络在分析HSI数据以进行质量控制方面的有效性.
主要方法:
- 获取近红外范围 (948.72-2512.97 nm) 的超光谱图像,来自五个不同的生长年龄的乌贝.
- 开发一个包含光谱空间注意力 (SSA),3D卷积神经网络 (CNN) 和变压器编码器 (TE) 模块的深度学习网络.
- SSA-3DTE模型旨在从超频谱数据中提取联合空间光谱特征.
主要成果:
- 拟议的SSA-3DTE模型实现了平均分类准确率为98.94%,用于区分五个增长年.
- DL模型显著超过了传统的机器学习方法和其他代表性的DL方法.
- 废弃实验验证了每个模块 (SSA,3D CNN,TE) 对模型性能的贡献.
结论:
- 超光谱成像 (HSI) 与开发的深度学习 (DL) 算法相结合,提供了一种高效且非破坏性的方法来确定乌贝生长年.
- SSA-3DTE模型在分析复杂的超光谱数据以进行质量评估方面表现出高准确性和稳定性.
- 这种方法在传统饮食应用中对贝的客观质量控制具有重大潜力.
