双通道自主监督多任务学习,用于光谱检测Korla香梨中的可溶固体含量和度

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:

• 水果质量检测对于农业经济至关重要.
• 与获得标记的光谱数据极限进步相关的高成本.
• 开发高效,具有成本效益的水果质量评估方法至关重要.

研究的目的:

• 提出一个深度学习框架,降低标记数据的成本,以检测水果质量.
• 整合多源光谱数据 (Vis/NIR和NIR) 与自我监督学习 (SSL) 和多任务学习 (MTL).
• 准确预测可溶性固体含量 (SSC) 和坚固度 (FI) 的Korla香梨.

主要方法:

• 从Korla香梨收集的可见/近红外 (Vis/NIR) 和近红外 (NIR) 光谱数据.
• 测量了标记数据的可溶性固体含量 (SSC) 和度 (FI).
• 开发了单任务学习卷积神经网络 (STL-CNN) 和多任务学习CNN (MTL-CNN).
• 实施了一个SSL策略,以利用未标记的光谱数据进行知识传输和模型微调.

主要成果:

• 多任务学习CNN (MTL-CNN) 与单任务学习CNN (STL-CNN) 相比,表现出更好的预测性能.
• 使用合并的Vis/NIR-NIR光谱的MTL-CNN实现了SSC (R_p=0.9576,RMSEP=0.3657%) 和FI (R_p=0.9297,RMSEP=0.9941 N) 的高预测精度.
• 自主监督学习显著提高了CNN预测性能,特别是在有限的标记数据下,在仅700个样本中实现了两种属性的R_p>0.9.

结论:

• 多源光谱数据与SSL-MTL策略的整合有效地提高了水果质量预测的准确性.
• 这种方法提供了一种具有成本效益和高效的方法,可以同时检测多个水果质量属性.
• 拟议的框架提供了一个强大的解决方案,以改善对Korla香梨质量的评估.