在线检查土豆中的黑心,使用可见近红外光谱学和基于可解释光谱的修改ResNet建模
Yalin Guo1, Lina Zhang1, Yakai He2
1Chinese Academy of Agricultural Mechanization Sciences Group Co., Ltd., Beijing, China.
Frontiers in plant science
|June 24, 2024
概括
早期发现土豆黑心病对于质量控制至关重要. 一个使用可见近红外 (Vis/NIR) 光谱的修改后的ResNet模型在识别黑心中实现了97.1%的准确性,大大降低了模型的复杂性.
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:
- 马的黑心病是一种常见的储存问题,导致外部无法检测到的内部黑点.
- 早期检测至关重要,以防止马批次的广泛质量下降和经济损失.
研究的目的:
- 开发一种高效,轻量级的模型,实时检测土豆中不同程度的黑心病.
- 将修改后的ResNet模型的性能与支持矢量机 (SVM) 等传统方法进行比较.
主要方法:
- 使用可见近红外 (Vis/NIR) 光谱仪在线对土豆进行分辨分析.
- 开发了一个修改后的ResNet模型,包括深度卷积,点向卷积和高效的道注意力模块.
- 将修改后的ResNet模型与SVM和原来的ResNet模型进行比较.
主要成果:
- 修改后的ResNet模型实现了0.971的预测准确度,用于黑心和健康的土豆.
- 模型复杂性减少了62.71%,精度提高了4.18%.
- 格拉德-CAM++可视化确定了650-750纳米范围内的关键光谱特征,与C-H键振动相关.
结论:
- 修改后的ResNet模型与Vis/NIR光谱学相结合,可以有效地早期和准确地检测土豆黑心病.
- 开发的模型可以显著降低复杂性,同时保持高性能.
- 这项技术有可能改善储存期间的土豆质量控制.
