创新的卷积神经网络和高质量的高光谱数据集，用于木材早期霉菌的无损检测

《Scientific Reports》：Innovative convolutional neural networks and high-quality hyperspectral datasets for non-destructive detection of early mold in wood

　　

摘要

在温暖潮湿的条件下，木材很容易滋生霉菌。然而，霉菌的早期生长往往在视觉上不易察觉，其光谱特征也会受到木材种类和表面纹理的影响而变得复杂。SSAM-Net是一个采用可见光到近红外光谱技术的两阶段分析框架：首先在像素级别识别木材种类，然后利用具有通道-光谱联合注意力机制的物种特异性多尺度一维卷积网络对霉菌严重程度进行分级。研究人员使用Cunninghamia lanceolata、Pinus massoniana和Ulmus pumila这三个木材品种，并接种Trichoderma harzianum、Penicillium citrinum、Cladosporium cladosporioides和Fusarium oxysporum>这四种霉菌，构建了一个覆盖400–1000纳米波段的像素级数据集。根据VTT霉菌生长指数制定的视觉和显微镜验证标准，将这些样本分为“无生长”、“轻度生长”和“重度生长”三类。该模型在物种识别方面的像素级准确率达到91.48%。通过Savitzky–Golay平滑处理后，三种木材的霉菌严重程度分级的像素级准确率分别为88.35%、93.10%和89.63%。整个SSAM-Net系统的端到端像素级准确率为88.24%。SHAP分析揭示了模型中起关键作用的光谱特征主要分布在可见光区域以及红光到近红外光区域；同一批样本的宏观图谱则直观地展示了预测的霉菌严重程度在木材表面的空间分布情况。这些结果表明，在受控实验条件下，可以根据像素级别区分出三种不同的霉菌严重程度等级，这为开发木材表面霉菌的非破坏性检测和监测方法提供了基础。