Aplicación del algoritmo 1D-CNN mejorado por atención en la imagen hiperespectral y detección de fusión espectral del contenido de humedad en mandarina Orah (Citrus reticulata Blanco)
Autores: Li, Weiqi; Wang, Yifan; Yu, Yue; Liu, Jie
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Aplicación del algoritmo 1D-CNN mejorado por atención en la imagen hiperespectral y detección de fusión espectral del contenido de humedad en mandarina Orah (Citrus reticulata Blanco)
Categoría
Gestión y administración
Subcategoría
Gestión de la tecnología y la inovación
Palabras clave
Contenido de humedad
Modelo 1d-cnn
Módulos de atención
Modelos de aprendizaje automático
Imágenes hiperespectrales
Fusión de información
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
Se propuso un método que fusiona información espectral e imagen con una red neuronal convolucional unidimensional (1D-CNN) para la detección del contenido de humedad en la mandarina Orah (Citrus reticulata Blanco). El modelo 1D-CNN se integró con tres módulos de atención diferentes (SEAM, ECAM, CBAM) y se aplicaron modelos de aprendizaje automático a espectros individuales e información fusionada, omitiendo la etapa tradicional de extracción de características. Además, se realizó la reducción de dimensionalidad de imágenes hiperespectrales y la extracción de características de color y textura unidimensionales de las imágenes reducidas, evitando así los grandes volúmenes de parámetros y la disminución de eficiencia inherentes a la modelización directa de imágenes bidimensionales. Los resultados indicaron que el modelo 1D-CNN con módulos de atención integrados mostró claras ventajas sobre los modelos de aprendizaje automático en el manejo de información de múltiples fuentes. Se determinó que el modelo de aprendizaje automático óptimo era el modelo de bosque aleatorio (RF) bajo la información fusionada, con un coeficiente de correlación (R) de 0.8770 y un error cuadrático medio (RMSE) de 0.0188 en el conjunto de predicción. El modelo CBAM-1D-CNN bajo la información fusionada mostró el mejor rendimiento, con un R de 0.9172 y un RMSE de 0.0149 en el conjunto de predicción. Los modelos 1D-CNN que utilizan información de fusión mostraron un rendimiento superior en comparación con el espectro único, y el 1D-CNN con la información fusionada basada en SEAM, ECAM y CBAM mejoró respectivamente Rp en un 4.54%, 0.18% y 10.19% en comparación con el espectro, con la RMSEP disminuida en un 11.70%, 14.06% y 31.02%, respectivamente. El enfoque propuesto de 1D-CNN con atención integrada puede obtener excelentes resultados de regresión utilizando solo datos unidimensionales y sin pre-extracción de características, reduciendo la complejidad de los modelos, simplificando el proceso de cálculo y convirtiéndolo en una aplicación práctica prometedora.
Descripción
Se propuso un método que fusiona información espectral e imagen con una red neuronal convolucional unidimensional (1D-CNN) para la detección del contenido de humedad en la mandarina Orah (Citrus reticulata Blanco). El modelo 1D-CNN se integró con tres módulos de atención diferentes (SEAM, ECAM, CBAM) y se aplicaron modelos de aprendizaje automático a espectros individuales e información fusionada, omitiendo la etapa tradicional de extracción de características. Además, se realizó la reducción de dimensionalidad de imágenes hiperespectrales y la extracción de características de color y textura unidimensionales de las imágenes reducidas, evitando así los grandes volúmenes de parámetros y la disminución de eficiencia inherentes a la modelización directa de imágenes bidimensionales. Los resultados indicaron que el modelo 1D-CNN con módulos de atención integrados mostró claras ventajas sobre los modelos de aprendizaje automático en el manejo de información de múltiples fuentes. Se determinó que el modelo de aprendizaje automático óptimo era el modelo de bosque aleatorio (RF) bajo la información fusionada, con un coeficiente de correlación (R) de 0.8770 y un error cuadrático medio (RMSE) de 0.0188 en el conjunto de predicción. El modelo CBAM-1D-CNN bajo la información fusionada mostró el mejor rendimiento, con un R de 0.9172 y un RMSE de 0.0149 en el conjunto de predicción. Los modelos 1D-CNN que utilizan información de fusión mostraron un rendimiento superior en comparación con el espectro único, y el 1D-CNN con la información fusionada basada en SEAM, ECAM y CBAM mejoró respectivamente Rp en un 4.54%, 0.18% y 10.19% en comparación con el espectro, con la RMSEP disminuida en un 11.70%, 14.06% y 31.02%, respectivamente. El enfoque propuesto de 1D-CNN con atención integrada puede obtener excelentes resultados de regresión utilizando solo datos unidimensionales y sin pre-extracción de características, reduciendo la complejidad de los modelos, simplificando el proceso de cálculo y convirtiéndolo en una aplicación práctica prometedora.