使用机器和深度学习的高光谱成像检测类果中的可溶性固体含量:对两种类作物进行比较研究

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:

• 溶性固体含量 (SSC) 是水果的关键质量指标.
• 超光谱成像 (HSI) 为评估水果质量提供了一种非破坏性的方法.
• 预测果中的SSC,像普通菜一样,对于收获管理和消费者满意度至关重要.

研究的目的:

• 评估高光谱成像 (HSI) 与机器学习 (ML) 和深度学习 (DL) 结合用于预测Ponkan和天普通话中的可溶性固体含量 (SSC).
• 为了比较SSC预测的传统ML模型 (SVM,PLSR) 和DL模型 (CNN,LSTM,变压器) 的性能.
• 用SHapley添加式扩展 (SHAP) 来研究影响SSC预测的光谱特征的品种差异.

主要方法:

• 获取Ponkan和Tianchao普通话的高光谱图像.
• 传统的ML模型的应用:支持向量机 (SVM) 和部分最小平方回归 (PLSR).
• 实现DL模型:卷积神经网络 (CNN),长期短期记忆 (LSTM) 和变压器架构.
• 探索结合DL模型和SHAP分析的特征重要性.

主要成果:

• 在普通品种之间,SSC的预测性能在普通品种之间差异很大.
• 对于Ponkan mandarins,部分最小平方回归 (PLSR) 的表现优于所有深度学习模型.
• 对于天 mandarins,一个卷积神经网络 (CNN) 模型略高于传统方法.
• SHAP分析揭示了品种特定的影响波长,表明了不同的光谱特征.

结论:

• 超光谱成像 (HSI) 与先进的建模相结合,显示了类SSC预测的前景.
• 最优的预测模型取决于特定的普通话品种.
• 未来的研究应该通过包括各种类品种及其特征来寻求更普遍的模型.