通过GAF增强特征融合卷积神经网络准确分类多种植西瓜
Changqing An1,2,3, Maozhen Qu1, Yiran Zhao1,2,3
1College of Biosystems Engineering and Food Science, Zhejiang University, 866 Yuhangtang Road, Hangzhou 310058, China.
Foods (Basel, Switzerland)
|August 28, 2025
概括
这项研究引入了一种使用格拉米角场 (GAF) 和卷积神经网络 (CNN) 准确分类西瓜的新方法. 用GAF增强的CNN显著改善了使用VIS-NIR光谱的无种子和种子西瓜的分类.
科学领域:
- 农业科学
- 光谱学
- 机器学习
背景情况:
- 精确分类多种植的西瓜对于行业质量控制至关重要.
- 一维的光谱干扰阻碍了视觉上相似的西瓜的高精度分类.
- 通过VIS-NIR透射光谱,可以进行非破坏性质量评估.
研究的目的:
- 开发一种创新方法来快速在线分类多种植的西瓜.
- 通过解决光谱干扰问题来提高分类准确性.
- 将格拉米安角场 (GAF) 技术与深度学习相结合,以增强特征提取.
主要方法:
- 将一维VIS-NIR光谱转换为二维格拉米角总结场 (GASF) 和格拉米角差异场 (GADF) 图像.
- 设计了一种双输入卷积神经网络 (CNN) 架构,用于从GASF和GADF图像中的特征融合.
- 应用波长优化使用竞争性自适应重量取样 (CARS) 来提高效率和准确性.
主要成果:
- 用GAF增强的CNN模型在预测集中实现了95.1%的分类准确性,超过了传统的单维光谱模型.
- 波长优化将GAF图像生成时间减少了55.19%,精度提高到96.3%.
- 该模型在不同来源的西瓜上表现出很好的概括性,准确率为91.9%.
结论:
- 拟议的GAF增强特征融合CNN显著提高了多种种类西瓜分类的准确性.
- 这种方法提供了一种使用VIS-NIR透射光谱进行水果质量评估的创新方法.
- 整合GAF和CNN为光谱数据分析的挑战提供了强大的解决方案.


