使用高光谱成像对不健康的大豆进行歧视:基于双通道特征融合策略和注意力机制的深度学习方法
Dianyang Sun1, Li Zhang2, Haitao Li3
1College of Food Science and Technology, Nanjing Agricultural University, No. 1, Weigang Road, Nanjing, Jiangsu 210095, China.
Food research international (Ottawa, Ont.)
|March 1, 2025
概括
一个新的双通道特征融合模型 (DCFFM) 通过融合超频谱图像的光谱和图像数据来增强农产品检测. 该模型显著提高了使用可见和近红外数据识别不健康大豆的准确性.
科学领域:
- 农业科学 农业科学
- 遥感 遥感 遥感 遥感
- 计算机视觉 计算机视觉
背景情况:
- 农产品检测的高层数据融合仍然具有挑战性.
- 整合各种数据源,如光谱和图像数据,对于准确的分析至关重要.
研究的目的:
- 为优化高层数据融合提出双通道特征融合模型 (DCFFM).
- 增强利用来自高光谱图像的1D光谱和2D图像数据.
- 提高农产品检测的准确性.
主要方法:
- 开发了一个双通道特征融合模型 (DCFFM),其中包含了注意力机制.
- 使用了含有可见和近红外 (Vis-NIR) 以及短波红外 (SWIR) 数据的高光谱图像.
- 与支持矢量机 (SVM) 和卷积神经网络 (CNN) 模型对比DCFFM的性能.
主要成果:
- DCFFM实现了卓越的性能,精度,精度,回忆,特异性,F1得分达到95.13%,95.49%,94.83%,98.97%和95.12%在Vis-NIR.
- 在SWIR中,DCFFM实现了94.00%的准确性,94.43%的精度,94.16%的回忆,98.67%的特异性和94.27%的F1得分.
- 在识别不健康的大豆方面,Vis-NIR数据比SWIR更有效.
结论:
- 拟议的DCFFM框架允许全面获取和融合光谱和图像数据.
- DCFFM显示了提高农产品检测准确性的巨大潜力.
- 模型倒置和可视化证实了DCFFM的概括能力.
