-
题名高光谱成像的草莓缺陷检测及可视化
- 1
-
-
作者
赵路路
周松斌
刘忆森
庞锟锟
殷泽轩
陈红
-
机构
广东省科学院智能制造研究所
广东省现代控制技术重点实验室
-
出处
《光谱学与光谱分析》
北大核心
2025年第5期1310-1318,共9页
-
基金
国家自然科学基金面上项目(62275056)
广东省自然科学基金面上项目(2024A1515011628)
广东省科学院发展专项资金项目(2022GDASZH2022010108)资助。
-
文摘
草莓在采摘、运输、贮藏、包装和销售过程中容易造成不同程度损伤与缺陷,如淤伤、冻伤,真菌感染等,给果农和销售商带来较大的经济损失。高光谱技术是光谱传感与视觉技术的结合,可实现水果各类品质缺陷的无损检测。然而,目前高光谱水果检测的建模方法仍存在两个方面的问题:首先,输入信息主要采用平均光谱为主,对高光谱的图像信息利用不足;其次,目前卷积网络已成为高光谱信息处理的发展趋势,但卷积网络存在感知域较小,难以获得谱段或图像信息的长程关系。为解决上述问题,实现多种草莓缺陷的准确检测与识别,提出空间光谱变换网络(SSTN)对四类(健康、瘀伤、冻伤、感染)草莓的近红外高光谱数据(900~1700 nm)进行分类。SSTN以Vision Transformer(ViT)网络为主体,将高光谱数据块进行位置编码作为输入信息,从而实现“图谱联合”建模,其内部的多头注意力机制还可捕获长距离谱段/图像关系。实验方面,以128个健康、128个淤伤、128个冻伤、118个感染,共计502个草莓作为样本,按照1∶1的比例随机划分训练集和测试集,进行分类建模实验。结果显示,SSTN模型的分类准确率最高,达到99.20%,相比于一维卷积神经网络(1D-CNN)、二维卷积神经网络(2D-CNN)和注意力卷积网络(CBAM-CNN),精度分别提升了3.8%、3.3%及1.5%。为了能够进一步可视化各类草莓缺陷的具体位置,将训练好的2D-CNN、CBAM-CNN和SSTN模型分别与Score-CAM结合进行可视化。缺陷可视化结果显示,CBAM-CNN模型中的卷积注意力机制能够提升缺陷定位的准确性,而具有多头注意力机制的SSTN模型结合Score-CAM获得最佳的可视化效果,能够准确的显示出缺陷的位置和缺陷形状轮廓。该研究为建立一种快速、无损、自动化的草莓缺陷检测方法提供参考。
-
关键词
草莓缺陷
高光谱
Score-CAM
可视化
-
Keywords
Strawberry defects
Hyperspectral
Score-CAM
Visualization
-
分类号
O657.3
[理学—分析化学]
-
