基于光谱成像分析算法检测土豆品种的研究
You Li1, Zhaoqing Chen1, Fenyun Zhang1
1School of Automation, Hangzhou Dianzi University, Hanzhou, Zhejiang Province 310018, China.
Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
|February 9, 2024
概括
一种新方法使用可见近红外光谱和图像编码来准确地分类土豆品种. 这种技术显著提高了准确性,为农业加工和消费者需求提供了可行的解决方案.
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:
- 马品种识别对于加工和消费者满意度至关重要,因为它们适合不同的应用.
- 对于大规模农业需求,现有的土豆分类方法可能缺乏效率或准确性.
研究的目的:
- 开发和验证一种用于分类五种不同的土豆品种的新方法.
- 通过将可见近红外光谱与先进的图像编码和深度学习技术相结合,提高土豆分类的准确性.
主要方法:
- 可见近红外 (Vis-NIR) 频谱是通过传输和反射测量获得的.
- 一维光谱数据被转换为二维图像,使用格拉米安角总和场 (GASF),格拉米安角差异场 (GADF),马尔科夫过渡场 (MTF) 和反复图 (RP).
- 一个ConvNeXt V2模型,增强了协调注意力机制模块 (ConvNeXt V2-CAP),被用于基于图像的分类.
主要成果:
- 频谱数据的图像编码明显优于直接的一维分类模型.
- 使用ConvNeXt V2-CAP模型对传输光谱的GADF图像编码,实现了99.54%的最高分类精度.
- 协调注意力机制模块提高了模型性能,特别是在较小的数据集上,在减少训练集的情况下,精度增加了2.33%.
结论:
- 可见近红外光谱学与图像编码技术相结合,为马品种分类提供了可行和高度准确的方法.
- 拟议的ConvNeXt V2-CAP模型表现出卓越的性能,为需要精确的土豆识别的农业应用提供了强大的解决方案.
