通过热成像与转移学习相结合,对品种的分类进行比较分析
Norhashila Hashim1,2, Maimunah Mohd Ali3,4
1Department of Biological and Agricultural Engineering, Faculty of Engineering, Universiti Putra Malaysia, Serdang, Selangor, Malaysia.
Journal of food science
|September 9, 2025
概括
这项研究使用了热成像和深度学习模型,如InceptionV3,以非破坏性地分类品种. InceptionV3模型的准确度达到了99%,证明了农业应用的有希望的方法.
科学领域:
- 农业技术 农业技术
- 计算机视觉 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- (Ananas comosus) 是一个全球流行的热带水果,具有重要的营养价值.
- 对品种的准确分类对于质量控制和市场差异化至关重要.
- 对于水果质量评估,越来越多地寻求非破坏性方法.
研究的目的:
- 开发和比较深度学习模型,以快速,非破坏性地使用热成像对品种进行分类.
- 评估转移学习和数据增强在提高分类准确性的有效性.
- 为了对已建立的卷积神经网络 (CNN) 架构进行基准测试,用于农业热成像应用.
主要方法:
- 在受控温度下收集了来自三个品种 (莫里斯,约萨平,N36) 的3240个热图像的数据集.
- 三种深度学习模型 (ResNet,VGG16,InceptionV3) 使用转移学习和数据增强进行了微调.
- 进行了超参数调整以优化模型性能,并进行了废弃研究,证实了增强和转移学习的好处.
主要成果:
- 发明V3模型实现了最高的分类准确率99%.
- 所有品种的精度,回忆和F1分数都超过了0.85,表明了强大的性能.
- 该研究证实了使用CNN转移学习的显著潜力,用于从热图像中提取物理化学性质.
结论:
- 深度学习模型,特别是InceptionV3,与热成像相结合,为品种分类提供了高度准确和非破坏性的方法.
- 转移学习和数据增强是增强模型概括和防止农业图像分析过度拟合的有效策略.
- 这项研究为在农业热成像中应用已建立的CNN模型提供了有价值的基准,为果实评估中的先进智能系统铺平了道路.
