基维果的高光谱成像和分类与层次的3D卷积数据处理
Botao Zhang1, Zhipeng Wu1, Yingfang Ni1
1School of Information Engineering, Wuhan University of Technology, Wuhan 430070, China.
Sensors (Basel, Switzerland)
|March 14, 2026
概括
使用分层3D卷积和注意力机制网络 (H3DAMNet) 的新方法准确地分类果糖含量. 这种非破坏性技术实现了高精度,提高了质量分级,提高了市场竞争力.
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:
- 果的质量,特别是糖含量,显著影响消费者满意度和购买决策.
- 目前用于基维果分类的破坏性采样方法是低效的,不适合大规模生产.
- 准确,快速分类对于保持产品质量和市场竞争力至关重要.
研究的目的:
- 根据含糖量开发一种非破坏性的基维果分类方法.
- 利用高光谱成像和深度学习进行精确的质量评估.
- 为现代农业实践建立一个高效的分级系统.
主要方法:
- 提出了一种新的层次式3D卷积和注意力机制网络 (H3DAMNet) 用于果分类.
- 利用超光谱数据,应用3D卷积来深度空间光谱特征提取.
- 整合了道注意力和瓶自我注意力机制,以增强功能相关性和全球信息建模.
主要成果:
- 在280个果的测试组件上,H3DAMNet获得了97.5%的整体准确率 (OA) 和97.3%的平均准确率 (AA).
- 根据行业标准的糖含量水平 (≥14.5°Brix,13.5-14.5°Brix,≤13.5°Brix) 成功将基维果分为三个等级.
- 证明了为非破坏性水果质量评估提出的深度学习模型的有效性.
结论:
- H3DAMNet提供了一种精确有效的非破坏性方法,用于根据糖含量对桃进行分类.
- 这种方法为使用高光谱成像和深度学习对类似水果的分类提供了有价值的参考.
- 该研究强调了先进的人工智能技术在革命农业质量控制方面的潜力.
