基于高光谱成像和深度学习的混合印加大米谷物品种的识别

科学领域:

• 农业科学 农业科学
• 数据科学数据科学数据科学
• 频谱学是一种光谱学.

背景情况:

• 精确分类米品种对于质量控制至关重要,影响粮食安全和市场价值.
• 超光谱成像与机器学习相结合,为精确的米品种分类提供了潜力.
• 挑战包括管理高维光谱数据和确保模型可解释性.

研究的目的:

• 开发和评估一种优化的CNN-Transformer模型,用于混合印加卡米米谷物品种分类.
• 为了应对光谱数据维度和可变性的挑战.
• 为了提高在米品种识别中的模型解释性.

主要方法:

• 使用了与标准正常变量 (SNV) 预处理集成的CNN-变压器模型.
• 采用竞争性适应性重权取样 (CARS) 进行最佳特征波长选择.
• 进行了可解释性分析,以了解模型决策.

主要成果:

• CNN-Transformer模型的分类准确率达到95.33%,F1得分达到95.40%,分类准确率达到95.33%.
• 该模型表明,与基线模型相比,从关键波长特征中获得优异的学习.
• 已确定用于分类的关键光谱频段:400-440nm,580-700nm和880-960nm.

结论:

• 超光谱成像与拟议的机器学习方法相结合,为自动化大米质量控制提供了一种强大且可解释的方法.
• 这项研究强调了CNN-Transformer模型在精确的混合印第卡米分类方面的有效性.
• 确定了关键的光谱区域,有助于未来的农业实践研究和应用.