开发多模式融合技术用于番茄成熟度评估
Yang Liu1, Chaojie Wei1, Seung-Chul Yoon2
1Beijing Key Laboratory of Optimization Design for Modern Agricultural Equipment, College of Engineering, China Agricultural University, Beijing 100083, China.
Sensors (Basel, Switzerland)
|April 27, 2024
概括
这项研究引入了一种多式深度学习方法,使用颜色,光谱和触觉数据进行准确的番茄成熟度评估. 融合数据方法实现了99.4%的准确性,超过单一模式技术.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 食品科学 食品科学 食品科学
背景情况:
- 番茄的质量,包括味道和保质期,受到成熟度的重大影响.
- 番茄的不均成熟对传统的单一模式评估方法提出了挑战.
- 准确的成熟度确定对于农业生产和食品加工行业至关重要.
研究的目的:
- 开发一种深度学习辅助的多式联通数据融合技术,用于番茄成熟度评估.
- 整合色彩成像,光谱和触觉传感以进行全面的成熟度评估.
- 提高非破坏性农产品分类的准确性和效率.
主要方法:
- 从彩色图像中提取特征,可见光和近红外光谱 (350-1100 nm) 和触觉感应.
- 多模式特征融合以使用自身向量创建统一的特征集.
- 使用完全连接的神经网络模型对番茄成熟度的分类.
主要成果:
- 多式联络融合模型在番茄成熟度分类中实现了99.4%的准确性.
- 这超过了单模方法:彩色成像 (94.2%),光谱 (87.8%) 和触觉 (87.2%).
- 该技术在不均的内部和外部成熟方面显示了94.4%的准确性,验证了其有效性.
结论:
- 多模式数据融合显著提高了番茄成熟分类的准确性.
- 深度学习方法提供了一种高效,非破坏性的方法来分类农业和食品产品.
- 这项研究为应用多式联技术来评估其他产品的质量和成熟度提供了坚实的基础.
