基于深度学习的超光谱成像技术,用于高精度的非破坏性量化多品种果的营养成分
Hanhan Zhai1, Pan Xie1, Xin Xie2
1School of Advanced Agricultural Sciences, Kashi University, Kashi, China.
Frontiers in plant science
|October 6, 2025
概括
这项研究引入了CNN-BiGRU-Attention模型,使用高光谱成像进行非破坏性果质量分析. 该模型准确量化了可溶性固体含量,维生素C和可溶性蛋白质,使收获后监测有效.
科学领域:
- 农业科学 农业科学
- 频谱学是一种光谱学.
- 人工智能的人工智能
背景情况:
- 传统的果质量量测量方法具有破坏性,并且对于大规模监测是不切实际的.
- 准确的,非破坏性的方法对于收获后的质量评估至关重要.
研究的目的:
- 为果中维生素C (VC),可溶性固体含量 (SSC) 和可溶性蛋白质 (SP) 开发一个高精度,非破坏性的量化模型.
- 为此目的,利用高光谱成像 (HSI) 和混合深度学习架构 (CNN-BiGRU-Attention).
主要方法:
- 利用了来自六种果品种的高光谱数据 (400-1000nm,512波段).
- 使用原始超光谱数据开发并应用了CNN-BiGRU-Attention模型.
- 采用全频谱建模和波长选择 (SPA) 进行最佳量化.
主要成果:
- 在CNN-BiGRU-Attention模型中,VC (R2=0.891),SSC (R2=0.807) 和SP (R2=0.848) 的预测准确度高.
- 特征选择改善了SP量化,与特定的光谱带相关联.
- 跨年验证证明了该模型的稳定性和可靠性.
结论:
- 开发的混合深度学习模型提供了一个可部署的解决方案,用于非破坏性的多品种果质量监测.
- 这种方法有效地解决了HSI数据中的高维数据冗余.
- 该模型为收获后质量评估提供了破坏性测试的可行替代方案.


