基于近红外光谱的桃子溶解固体的检测,使用高阶空间相互作用网络
Hengnian Qi1, Jiahao Luo1, Gang Chen2
1School of Information Engineering, Huzhou University, Huzhou, China.
Journal of the science of food and agriculture
|February 2, 2024
概括
深度学习使用高阶空间交互网络 (HOSINet) 准确预测桃子的可溶性固体含量 (SSC). 这种先进的模型改进了非破坏性质量评估的传统方法.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 频谱学是一种光谱学.
背景情况:
- 深度学习越来越多地用于对桃子内部质量的非破坏性测试.
- 溶性固体含量 (SSC) 是桃子质量的关键指标,影响其味道和质地.
- 准确的SSC预测有助于收获决策和市场价值评估.
研究的目的:
- 开发和评估一种新的深度学习模型,用于预测桃子的可溶性固体含量 (SSC).
- 将拟议模型的性能与传统机器学习和深度学习方法进行比较.
- 通过 permutation 算法研究深度学习模型的可解释性.
主要方法:
- 高级空间交互网络 (HOSINet) 的开发,集成位置注意模块 (PAM) 和频道注意模块 (CAM).
- 实现特征波长选择算法 (GCSR-C-like) 以建立位置和通道注意模块-高顺序空间交互 (PC-HOSI) 模型.
- 使用代算法对特征波长重要性和模型可解释性的视觉评估.
主要成果:
- 最优的PC-HOSI模型 (PC-HOSI-3) 实现了0.421°Brix的根平均平方误差和0.864.4的确定系数.
- 与传统的机器学习 (R2增加0.07) 和深度学习 (R2增加0.39) 相比,PC-HOSI模型显示出更好的预测准确性.
- 增加PC-HOSI模型的顺序增强了其空间相关性学习和预测性能.
结论:
- PC-HOSI模型,特别是在第3顺序,提供了桃子SSC的准确和可靠的预测.
- 该研究强调了注意力机制和更高阶空间相互作用在深度学习中对农业质量评估的有效性.
- 调配算法为光谱带的重要性提供了有价值的见解,提高了深度学习模型在预测桃子质量的解释性.
