基于高光谱成像技术和迁移学习的人参种子品种鉴定

《Journal of Chemometrics》：Ginseng Seed Variety Identification Based on Hyperspectral Imaging Technology and Transfer Learning

人参种子高光谱成像与迁移学习分类研究，融合主成分图像与预训练模型（如改进AlexNet）实现97%准确率，验证多模态特征融合在药材个体分类中的优势

　　

摘要

本研究提出了一种基于高光谱成像和迁移学习的快速、无损的人参种子分类方法，能够对单个种子进行精确分类。研究使用了来自三种人参品种的900颗种子，每种品种300颗样本。从感兴趣的圆形区域提取了光谱特征，并利用预处理后的光谱数据构建了PLS-DA、LSSVM和随机森林等分类模型，分别取得了92%、92%和93%的准确率。将主成分图像（PC1–PC3）融合为RGB格式后输入到预训练的深度学习模型（AlexNet、GoogLeNet、Inception-V3、ResNet-50、SqueezeNet）中。其中，改进后的AlexNet模型取得了最高的准确率（97%）。结果表明，结合光谱特征和图像特征的迁移学习模型优于传统的光谱模型，为人参种子的精确分类和质量控制提供了有效解决方案。

利益冲突

作者声明没有利益冲突。