通过多任务深度学习与近红外高光谱成像,通过跨时卵种类和储存期分类
Chaoxian Liu1, Zhenyan Xia1, Hao Li1
1School of Mathematics and Computer Science, Wuhan Polytechnic University, Wuhan 430048, China.
Foods (Basel, Switzerland)
|December 11, 2025
概括
一个新的深度学习模型,MT-CTSE-Net,使用光谱数据准确识别蛋品种并预测储存期. 这项技术克服了储存引起的光谱漂移,以可靠地监测农业食品的质量.
科学领域:
- 农业科学 农业科学
- 食品科学 食品科学 食品科学
- 人工智能的人工智能
背景情况:
- 由于品种的错误标签和储存引起的恶化,蛋质量评估受到挑战.
- 非破坏性,跨时间检测方法对于可靠的农业食品监测至关重要.
- 储存期间的光谱漂移会降低传统的质量评估模型.
研究的目的:
- 开发一个深度学习框架,用于非破坏性,跨时代的蛋品种识别和储存期分类.
- 解决传统模型在处理储存引起的光谱漂移方面的局限性.
- 提高农业食品供应链中蛋质量评估的准确性和可靠性.
主要方法:
- 提出了多任务跨时间挤压和激发网络 (MT-CTSE-Net),集成CNN,SE频道注意力和变压器编码器.
- 利用了来自三种商业蛋品种的近红外 (1000-2500nm) 光谱数据.
- 采用联合学习进行品种识别和储存期分类,以提高概括性.
主要成果:
- 在跨时间的品种分类中,MT-CTSE-Net获得了约86%的准确性 (F1得分:86.1%).
- 该模型以84.2-86.4%的准确度预测了储存期.
- 在处理光谱漂移方面,MT-CTSE-Net的表现优于单任务和基准多任务模型.
结论:
- MT-CTSE-Net有效地减轻存储引起的光谱漂移,以准确评估蛋质量.
- 拟议的框架为农业食品应用中的非破坏性时间监测提供了一个强大的解决方案.
- 这种深度学习方法提高了卵子供应链的食品安全和可靠性.
