登录
 机构网站
  1. 首页
  2. 情报产品
  3. 快讯详情

《挪威大学：开发低秩近似和深度神经网络的统一框架，用于使用vis/NIR高光谱成像预测“西班牙”西瓜SSC的空间变异性》

  • 来源专题：食品安全与健康
  • 编译者： 王晓梅
  • 发布时间：2025-05-19

  • 开发低秩近似和深度神经网络的统一框架，用于使用vis/NIR高光谱成像预测“西班牙”西瓜SSC的空间变异性



    2024年9月25日，挪威大学科学与技术部Jobin Francis、Sony George、Binu M. Devassy及印度国家技术研究院Sudhish N. George在国际期刊《Postharvest Biology and Technology》（JCR一区，IF2023=6.4）发表了题为“Development of a unified framework of low-rank approximation and deep neural networks for predicting the spatial variability of SSC in `Spania' watermelons using vis/NIR hyperspectral imaging”（ 开发低秩近似和深度神经网络的统一框架，用于使用vis/NIR高光谱成像预测“西班牙”西瓜SSC的空间变异性）的研究论文。

    摘要

    可溶性固形物（SSC）是衡量水果内部品质的重要指标，而高光谱成像（HSI）结合化学计量学方法已成为无损测量SSC的有效手段。由于西瓜果肉中的SSC分布不均匀，准确预测其SSC存在挑战。本文提出一种基于低秩近似和深度神经网络的框架，通过高光谱成像从不同视角采集西瓜的光谱数据，以消除噪声并提升SSC预测的精度。实验结果表明，该方法在校准和预测中的R2分别达到0.982和0.945，优于其他常用回归方法。研究为高精度SSC预测提供了新的解决方案。

    引言

    西瓜（Citrullus lanatus）因其丰富的水分、维生素和矿物质在全球广受欢迎。西瓜的品质尤其是甜度，主要受可溶性固形物（SSC）影响。传统检测SSC的方法多为破坏性、费时的实验室操作，而可视/近红外（Vis/NIR）高光谱成像提供了无损、实时的检测可能。然而，由于西瓜内部SSC分布不均，准确测量果实不同部位的SSC具有挑战性。本研究旨在通过低秩近似和深度学习模型，提升SSC空间变异性预测的精度。


    研究内容

    （1）样本采集与数据获取：选择“Spania”品种西瓜，通过高光谱成像系统从顶部、底部及两侧采集光谱数据，获取多角度的西瓜表面信息。利用数字糖度仪测量SSC，作为模型的参考数据。

    （2）低秩近似用于光谱特征提取：使用低秩近似去除光谱中的不必要变异，保留低秩分量以优化数据质量。

    （3）深度神经网络用于光谱回归：设计由完全连接层和ReLU激活函数组成的深度神经网络，用于低秩光谱的回归预测。该网络由七层组成，其中包括五个隐藏层。使用Adam优化器最小化均方误差，提升预测精度。

    （4）模型性能评估：采用决定系数（R2）和均方根误差（RMSE）评估模型性能，结果显示该方法显著优于其他回归方法如PLSR、SVR等。


    结论与展望

    本研究成功开发了结合低秩近似和深度神经网络的框架，用于无损检测西瓜中SSC的空间变异性。实验表明，该方法在不同视角下能准确预测西瓜内部的SSC分布，具有潜在的商业化应用前景。未来研究可进一步优化该框架，以提高其他水果品质参数的预测精度。


    原文链接：

    https://www.sciencedirect.com/science/article/pii/S0925521424004678?via%3Dihub



  • 原文来源：https://www.sciencedirect.com/science/article/pii/S0925521424004678?via%3Dihub
25浏览量
原文链接
相关报告

  • 《【食品信息学】江苏大学郭志明教授团队JAFC封面综述：高光谱成像和深度学习的果蔬质量安全检测》
    • 来源专题：食品安全与健康
    • 编译者：杨娇
    • 发布时间：2025-05-07
    • 近日，江苏大学郭志明教授课题组在食品领域Top期刊《Journal of Agricultural and Food Chemistry》上以封面文章发表了题为“Hyperspectral imaging and deep learning for quality and safety inspection of fruits and vegetables: A review”的综述论文。该研究第一作者为江苏大学食品与生物工程学院博士研究生杨忱，通讯作者为江苏大学食品与生物工程学院郭志明教授，巴西坎皮纳斯大学Douglas Fernandes Barbin教授、英国利兹大学Nicholas Watson教授、Megan Povey教授等也参与了论文工作。该研究获国家自然科学基金（W2412103，32472431）等资助。 综述概要：高光谱成像和深度学习在水果分析中的应用 研究了用于检测果蔬的新型深度学习方法 高光谱成像增强了果蔬的质量评估 深度学习模型提高了安全问题检查的准确性 技术融合促进了果蔬品质实时检测应用 综述结论 果蔬特性受生长、加工、气候等因素影响，收获后可变，增加了建立鲁棒模型的难度，且自动检测系统校准成本高、实施难。因此，开发有效的校准系统和稳健的模型至关重要。用于HSI图像分析的DL是先进技术，为实现高精度分析，可从多方面优化DL算法，利用其结构特征，如采用高效网络架构搜索算法匹配HSI数据特征、引入注意力机制关注关键频带和区域。 HSI和DL的结合在果蔬质量检测方面具有显著优势。与传统方法相比，HSI的高分辨率、多维数据采集特性和DL的高效分析能力可以实现早期机械损伤检查、内部质量检查和成熟度阶段预测。 HIS和DL加速果蔬检测从实验室走向工业化应用。高速在线图像采集与实时数据处理设备，获取图像后要构建统计模型关联光谱与检测特征，DL提升数据处理速度的同时保障检测精度。 未来研究增强DL泛化学习能力，解决果蔬样本生物多样性问题，发挥HIS+DL在食品质量检测中的潜力。在食品多尺度感知中的应用将不断深化，促进果蔬质量智能精确检测，助力食品工业可持续发展。 图文赏析 摘要图 图1. HSI技术的原理和过程。 图2. （A） ：具有输入层、卷积层、池化层和输出层的CNN模型；（B）：RNN（左）及（右），从时间t-1开始的状态被记住并用作时间的输入；（C）：LSTM模型结构。 图3. 高光谱与深度学习相结合在果蔬外部质量检测中的应用（A）：SSC-AE网络结构图；（B）：SSFE-FCNN网络。 图4. 高光谱结合深度学习在果蔬内部品质检测中的应用（A）：多输入CNN结构图；（B）：自定义VGG16-CNN网络结构图；（C）：2DCNN-FCNN网络结构图。 图5. 高光谱结合深度学习在果蔬安全品质检测中的应用(A): DBSACaps网络结构图；(B): Atrous-CNN网络结构图。 郭志明 郭志明，博士，现为江苏大学食品与生物工程学院教授、博士生导师，现任江苏大学集成电路学院副院长，专注于食品农产品快速无损感知技术与智能加工装备研究。入选农业农村部首批“神农青年英才”和江苏高校“青蓝工程”优秀青年骨干教师等，兼任中国农业机械学会农副产品加工机械分会副秘书长、中国食品科学技术学会果蔬加工技术分会理事、江苏省食品科学与技术学会理事兼副秘书长等。近年主持了国家重点研发计划5项（项目1、课题2、任务2）、国家自然科学基金4项（面上2、国合1、青年1）等。第一完成人已授权发明专利11件，登记软著8件；第一/通讯作者发表SCI检索论文75篇，其中ESI高被引论文7篇，热点论文2篇。研究成果获教育部自然科学二等奖、江苏省科学技术一等奖和中国商业联合会科技进步特等奖等。 杨 忱 杨 忱，江苏大学食品与生物工程学院2023级博士研究生，主要研究方向高光谱成像与深度学习的果蔬品质无损检测，主持江苏省研究生科研实践创新项目1项，以第一作者在Journal of Agricultural and Food Chemistry等期刊发表SCI论文3篇。
    71浏览量
    原文链接

  • 《韩国春川市江原国立大学：基于高光谱荧光成像的灰霉病感染草莓早期检测深度学习算法开发》
    • 来源专题：食品安全与健康
    • 编译者：王晓梅
    • 发布时间：2024-10-25
    • 基于高光谱荧光成像的灰霉病感染草莓早期检测深度学习算法开发 2024年5月10日，韩国春川市江原国立大学智能农业跨学科项目系Seung-Woo Chun（第一作者）和Changyeun Mo（通讯作者）在国际期刊《Postharvest Biology and Technology》（JCR一区，IF2023=6.4）上发表题为"Deep learning algorithm development for early detection of Botrytis cinerea infected strawberry fruit using hyperspectral fluorescence imaging"（基于高光谱荧光成像的灰霉病感染草莓早期检测深度学习算法开发）的研究论文。 摘要 灰霉病（Botrytis cinerea）是一种导致全球经济损失的草莓病害。在储存或运输过程中，若发生病害，它会迅速传播到邻近的物品，因此需要开发早期诊断技术以预防。研究开发了一种使用高光谱荧光成像技术快速无损地确定草莓果实感染阶段的方法。使用‘Keumsil’品种草莓，通过控制组和接种组在144小时内获取高光谱荧光图像。根据可见霉菌孢子将草莓分为健康、无症状、感染和感染后四个阶段。提取高光谱荧光光谱，开发基于部分最小二乘判别分析（PLS-DA）、VGG-19和ResNet-50的一维卷积神经网络（1D-CNN）模型，并对数据集应用数据增强和六种光谱预处理技术。数据增强技术的应用提高了PLS-DA和1D-CNN模型确定感染阶段的性能。基于均值归一化数据和数据增强技术的ResNet-50模型表现最佳，精度为96.88%，召回率为96.87%，F1评分为96.85%，准确率为96.86%。研究结果表明，通过高光谱荧光成像和1D-CNN技术可以确定草莓果实上灰霉病的感染阶段。预计该技术将应用于草莓生长、采后分拣和包装以及分销阶段的灰霉病早期检测。 引言 草莓（Fragaria × ananassa）因其高含量的维生素C、叶酸和酚类化合物等对人体有益成分而广泛分布。除了健康益处外，草莓还是重要的经济作物，全球年产量约为900万吨。然而，草莓表皮脆弱，易受组织损伤，因此在采后过程中容易感染各种细菌和病毒。其中，灰霉病感染全球超过200种作物，造成重大经济损失。该真菌在冷湿环境中繁殖良好，因此草莓易受感染。灰霉病感染导致多种症状，在出现明显迹象之前，细胞壁开始溶解，果皮变薄，组织软化，增加了在分销或出口期间的感染和传播可能性。需要在早期诊断感染，以防止产品质量和安全受到损害。 研究内容 材料与方法 实验使用了‘Keumsil’品种的草莓，采自韩国庆尚南道山清郡。选取200个无瘀伤或污染的草莓样品进行实验，其中100个作为对照组，剩余样品接种灰霉病菌作为接种组。所有样品在实验前均储存在4±1°C的冰箱中。 使用高光谱荧光成像系统获取样品图像，测量波长范围为463-800nm的169个波段。提取感兴趣区域的平均光谱，并将样品分为四个感染阶段：健康组（HG）、无症状组（AG）、感染组（IG）和感染后组（AIG）。 开发基于PLS-DA和1D-CNN的灰霉病早期检测模型。使用PLS-DA模型将独立变量折叠成新变量以开发判别模型，1D-CNN模型使用VGG-19和ResNet-50架构进行图像分类。 应用数据增强和六种光谱预处理技术，包括平滑、归一化、标准正态变量（SNV）和多重散射校正（MSC）。 结果 PLS-DA模型: 最佳判别模型采用均值归一化预处理，校准模型的R2c和RMSEC分别为0.900和0.405，预测样本的R2p为0.934和RMSEP为0.337。数据增强技术提高了模型的区分性能。 1D-CNN模型: 最佳模型为基于数据增强和均值归一化预处理的ResNet-50，训练和测试准确率分别为0.98和0.94。分类性能优于PLS-DA模型，能够更准确地预测感染阶段。 光谱特性: 灰霉病感染导致荧光强度变化，健康样品在紫色波段的荧光强度较高，感染样品在红色和红外波段的荧光强度较低。 总结与展望 研究首次开发了基于高光谱荧光成像和1D-CNN分析的草莓灰霉病早期检测技术。结果表明，通过高光谱荧光成像和1D-CNN技术可以准确确定草莓灰霉病的感染阶段，尤其是在感染初期。本技术预计可应用于草莓生长、采后分拣和包装以及分销阶段的灰霉病早期检测，有助于提高草莓的质量和安全性，增加消费者信心，并提高农业产业的竞争力和盈利能力。未来的研究应进一步验证该技术在实际应用中的效果，并探索其在其他农产品中的应用潜力。 图文赏析 原文链接： https://www.sciencedirect.com/science/article/pii/S0925521424001637?via%3Dihub
    73浏览量
    原文链接