使用高光谱成像与注意力增强的3D-CNN相结合,对蛋裂进行非破坏性识别
Hao Li1, Aoyun Zheng1, Chaoxian Liu1
1School of Mathematics and Computer Science, Wuhan Polytechnic University, Wuhan 430048, China.
Foods (Basel, Switzerland)
|December 30, 2025
概括
使用高光谱成像 (HSI) 的新型3D-CrackNet模型准确地检测到微妙的蛋裂. 这种非破坏性方法可以提高工业应用中的蛋质量和食品安全监测.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 食品科学 食品科学 食品科学
背景情况:
- 蛋的裂会影响蛋的质量和食品安全.
- 传统的裂检测方法难以处理微小的裂和复杂的背景.
研究的目的:
- 开发一种非破坏性方法,用于高精度识别和定位蛋裂.
- 改善工业环境中的蛋质量分类和微缺陷监测.
主要方法:
- 使用了一个增强的三维卷积神经网络 (3D-CNN),命名为3D-CrackNet.
- 综合超谱成像 (HSI) 在1000-2500nm光谱范围内.
- 采用光谱预处理,最佳频段选择,残留学习和SimAM注意力机制.
主要成果:
- 3D-CrackNet获得了75.49%的F1得分和60.62%的交集在联盟 (IoU) 上.
- 该模型的性能明显优于传统的1D-CNN和2D-CNN模型.
- 证明有效地捕捉与裂相关的细微空间纹理和光谱图案.
结论:
- 3D-CrackNet提供了一个强大的,非破坏性的,有效的解决方案,用于检测微妙的蛋裂.
- 该方法显示了智能在线蛋质量分级的巨大潜力.
- 在工业应用中验证了微缺陷监控能力.
