基于ResNet-ViT-SVM混合架构的椰枣品种高精度分类新方法及其在农业智能化中的应用

《Journal of Food Composition and Analysis》：ResNet-ViT-SVM: A new hybrid architecture proposal and experimental comparisons on date fruit

本文提出了一种名为ResNet-ViT-SVM的新型混合深度学习框架，通过融合卷积神经网络（CNN）、视觉Transformer（ViT）和支持向量机（SVM）的优势，在三阶段流程中实现了对9种椰枣品种的高精度（高达99.40%）分类。该模型在实验室和田间场景下均表现出优异的泛化能力，为农产品非接触式智能分选提供了创新性解决方案。

　　

结果

本节讨论了使用三阶段方法对椰枣进行分类所获得的结果。研究在MATLAB R2023b环境中进行，硬件配置为Intel Core i7-7700HQ CPU、16 GB RAM和NVIDIA GeForce GTX 1050 (4 GB) GPU。ResNet50模型训练了10个周期（epoch），小批量（mini-batch）大小为32，采用随机梯度下降动量（SGDM）优化算法（学习率=1e-4）；而ViT模型训练了4个周期，小批量大小为8，采用Adam优化算法（学习率=1e-4）。

DFDIG数据集

为了进一步评估所提出的ResNet-ViT-SVM架构的鲁棒性和泛化能力，我们使用第二个公开数据集“用于检查和分级的椰枣数据集”（DFDIG）进行了消融研究。该数据集包含在各种光照和背景条件下捕获的多样化椰枣图像，这些条件与主要数据集的受控环境显著不同。

讨论

实验结果证实了结合ResNet50和ViT架构在多种椰枣品种分类中的显著有效性。混合ResNet-ViT-SVM方法利用了局部和全局特征表示，并辅以支持向量机（SVM）进行分类。这种三阶段流程（准确率99.10%）显著优于独立的深度学习（DL）模型和经典图像处理技术。所开发的方法具有实际应用潜力，并可能被证明在农业质量控管中非常有用。

结论

在本研究中，我们解决了准确分类视觉上相似的椰枣品种这一挑战，该任务对于农业质量控管、分级和市场价值评估至关重要。传统的机器学习（ML）和单一模型的深度学习（DL）方法通常无法在不同的成像条件下良好地泛化，并且缺乏同时捕获局部和全局特征的能力。为了克服这些局限性，我们提出了一种新颖的混合分类架构ResNet-ViT-SVM。