基于Transformer的多任务深度学习模型融合双源高光谱成像同步检测鸡肉TVB-N和TVC的研究

本刊推荐：本研究创新性地提出多任务交织组Transformer模型（MIGTM），通过融合可见-近红外（VNIR）和短波红外（SWIR）双源高光谱成像（HSI）数据，实现了鸡肉挥发性盐基氮（TVB-N）和菌落总数（TVC）的同步无损检测。模型验证集预测决定系数（RV2）分别达0.9040和0.9499，较传统化学计量学模型提升4.48%和1.61%，计算成本降低50%，为肉类品质工业检测提供了创新解决方案。

　　

亮点

• 首次开发多任务交织组Transformer模型（MIGTM）同步预测TVB-N和TVC

• 融合双源高光谱成像（VNIR-SWIR）实现互补信息提取

• 模型验证集R_V²达0.9040（TVB-N）和0.9499（TVC）

• 较单任务模型预测性能提升1.84%（TVB-N）和1.40%（TVC）

• 计算效率提升50%且显著优于CNN和传统Transformer模型

光谱分析

补充材料图S2展示了不同贮藏天数样本的VNIR和SWIR平均光谱反射曲线。从第0天到第14天的平均光谱呈现出一致的波峰波谷，说明光谱模式具有相似性。但随着贮藏时间延长，反射率逐渐下降——这很可能是因为鸡肉表面微生物繁殖增强了光谱吸收能力。不同品质样本的光谱差异为模型区分TVB-N和TVC提供了关键特征。

结论

本研究推出的MIGTM模型，通过多任务深度学习巧妙融合VNIR和SWIR光谱数据，实现了鸡肉TVB-N和TVC的同步预测。模型不仅以0.9040和0.9499的R_V²值展现了卓越预测能力，更通过捕捉长程特征关联和双源光谱互补信息，成功突破了传统化学计量模型对手动预处理和波长选择的依赖。