一个双分支的选择性注意力囊网络,用于通过高光谱图像对果软腐烂进行分类

科学领域:

• 农业科学 农业科学
• 计算机视觉 计算机视觉
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 果软腐烂是一种高度传染性的疾病,导致收获后的重大经济损失.
• 早期检测和消除对于有效的收获后处理和储存果至关重要.
• 目前的检测方法可能缺乏大规模应用所需的准确性和效率.

研究的目的:

• 开发一种准确的方法来检测果软腐烂使用高光谱成像.
• 为了利用深度学习对果软腐烂的图像分类.
• 引入和评估一种新的深度学习架构,以提高分类性能.

主要方法:

• 一个双分支选择性注意力囊网络 (DBSACaps) 设计用于高光谱图像分类.
• 该网络使用两个分支独立提取光谱和空间特征,最大限度地减少干扰.
• 特征融合是通过注意力机制实现的,用于特征提取和分类的囊网络.

主要成果:

• 与现有方法相比,拟议的DBSACaps模型显示了优越的分类性能.
• 果软腐烂检测的整体准确率达到了97.08%.
• 专门用于识别软腐烂的准确率为97.83%.

结论:

• 超光谱成像,结合DBSACaps的深度学习模型,提供了一个非常准确的方法来检测潜在的果软腐烂.
• 这种方法可以大大有助于减少与果腐败相关的经济损失.
• 这些发现支持将这些技术纳入智能农业,以改善作物管理和食品安全.