基于多重注意力卷积神经网络和高光谱成像技术的果中可溶性固体含量的非破坏性检测
Yan Tian1,2, Jun Sun1, Xin Zhou1
1School of Electrical and Information Engineering, Jiangsu University, Zhenjiang 212013, China.
Foods (Basel, Switzerland)
|November 27, 2025
概括
检测果中的可溶性固体含量 (SSC) 对质量至关重要. 一个新的多注意力卷积神经网络 (MA-CNN) 使用高光谱成像准确预测SSC,提供快速质量评估方法.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 频谱学是一种光谱学.
背景情况:
- 溶性固体含量 (SSC) 是果质量和市场价值的关键指标.
- 精确而非破坏性的SSC检测方法对于水果行业至关重要.
研究的目的:
- 开发和评估一种深度学习模型,用于检测"富士"果中的可溶性固体含量 (SSC).
- 将高光谱成像与一种新的多注意力卷积神经网络 (MA-CNN) 结合起来,以增强特征提取.
主要方法:
- 来自570个果样本的高光谱图像的获取和预处理.
- 开发一个MA-CNN模型,结合道注意力 (CA) 和空间注意力 (SA) 模块.
- 使用贝叶斯优化算法 (BOA) 的超参数优化.
主要成果:
- 该MA-CNN模型实现了SSC检测的高预测准确性.
- 用MA-CNN模型得到的Rp2值为0.9602和RMSEP值为0.0612°Brix.
- MA-CNN的表现优于其他评估模型,包括CA-CNN,SA-CNN和主流方法.
结论:
- 与高光谱成像相结合的MA-CNN提供了一种有效和快速的检测果SSC的方法.
- 在MA-CNN中的注意力机制增强了对相关的光谱空间特征的适应性关注.
- 这项技术具有非破坏性果质量评估的巨大潜力.
更多相关视频
06:50O-cresol Concentration Online Measurement Based On Near Infrared Spectroscopy Via Partial Least Square Regression
Published on: November 8, 2019
7.0K
11:37RGB and Spectral Root Imaging for Plant Phenotyping and Physiological Research: Experimental Setup and Imaging Protocols
Published on: August 8, 2017
16.9K
