同时检测 internal质量属性使用近红外光谱和高光谱成像与多任务深度学习和仪器转移学习

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:

• 评估类水果的质量属性,如可溶性固体含量 (SSC) 和pH值,对于市场价值至关重要.
• 超光谱成像 (HSI) 和近红外 (NIR) 光谱为质量分析提供非破坏性方法.
• 模型在不同工具中的可转移性仍然是广泛采用的重大挑战.

研究的目的:

• 开发和比较单任务和多任务卷积神经网络 (CNN) 模型,用于使用HSI和NIR进行果质量评估.
• 调查将这些开发的模型从HSI转移到NIR仪器的可行性.
• 评估模型在确定两个类品种的SSC和pH时的准确性.

主要方法:

• 使用高光谱成像 (HSI) 系统和便携式近红外 (NIR) 光谱仪.
• 开发单任务和多任务卷积神经网络 (CNN) 模型用于质量属性预测.
• 探索仪器转移学习以适应HSI和NIR光谱之间的模型.
• 使用可溶性固体含量 (SSC) 和pH相关系数的验证模型.

主要成果:

• 在两个类品种中,最佳模型实现了SSC的0.8和pH的0.9以上的相关系数.
• 证明了单任务和多任务CNN模型从HSI到NIR的成功转移.
• 多任务学习和转移学习方法显示出强大的质量评估潜力.

结论:

• 多任务学习和仪器转移学习是使用HSI和NIR进行果质量检查的可行策略.
• 这些方法增强了光谱技术的实际应用,用于非破坏性的水果质量评估.
• 这项研究为水果行业更容易获得和可靠的质量控制铺平了道路.