基于多模式数据的梅子质量的非破坏性检测和分级

科学领域:

• 农业科学 农业科学
• 计算机科学 计算机科学
• 频谱学是一种光谱学.

背景情况:

• 梅的质量评估传统上依赖于外观,这可能是不可靠的.
• 需要客观和准确的方法来进行非破坏性的梅子分类.

研究的目的:

• 开发一种多式联网深度学习技术,用于准确评估梅子的质量.
• 为了融合彩色图像和光谱数据,以增强梅分级.

主要方法:

• 使用视觉几何组16层网络 (VGG16) 进行彩色图像特征提取.
• 采用1D卷积神经网络 (1D-CNN) 进行近红外光谱数据特征提取.
• 两种分类方式的综合特征,使用完全连接的层进行分类.

主要成果:

• 多式联通融合方法实现了100%的梅子质量分类准确度.
• 显著优于单模方式的方法:彩色成像 (85.71%) 和光谱 (83.33%).
• 证明了用于非破坏性的梅子质量检测的稳定性和适用性.

结论:

• 多模式数据融合为子质量评估提供了一种优越的方法.
• 这种技术可以同时检测内部和外部的质量指标.
• 提供先进的技术解决方案,用于非破坏性的梅分类.