深度PHSI:以注意力驱动的CNN-LSTM融合,在Pogostemon cablin批次中实现高光谱起源可追溯性
Xiaqiong Fan1, Yulin Liu1, Zihao Zhang1
1School of Artificial Intelligence and Big Data, Henan University of Technology Zhengzhou 450001 PR China.
RSC advances
|October 8, 2025
概括
一个新的深度学习模型,DeepPHSI,使用高光谱图像准确地识别了Pogostemon cablin起源. 这种自动化方法可以区分植物部件和来源,改善行业的质量控制.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 生物技术是生物技术.
背景情况:
- 波戈斯特蒙 (P. cablin) 在医药,食品和香水行业具有价值.
- 原产地,生长条件和加工对P. cablin的质量有很大的影响.
- 传统的识别方法是劳动密集型和主观的.
研究的目的:
- 开发一种自动化,准确的方法来识别P. cablin的起源和部分.
- 为了克服传统的P. cablin识别技术的局限性.
主要方法:
- 一个深度学习网络,DeepPHSI,是使用像素级超光谱成像开发的.
- 该模型结合了卷积神经网络和长期短期记忆网络.
- 收集并使用超光谱数据在各种实验条件下进行训练和微调.
主要成果:
- 通过转移学习,DeepPHSI通过不同的实验条件准确地确定了P. cablin的起源.
- 该模型成功地区分了三个主要来源和植物部分 (茎/叶子) 从背景.
- 实现了原产地和零件的完全自动识别.
结论:
- DeepPHSI为大规模的P. cablin分析提供了一个有前途,快速和自动化的解决方案.
- 这种高光谱成像方法提高了P. cablin的质量控制和可追溯性.
