利用近红外光谱和轻量级一维卷积神经网络（1D-CNN），在肉鸭供应链中实现无损性别鉴定

《Food Analytical Methods》：Nondestructive Gender Identification in the Meat Duck Supply Chain Using NIR Spectroscopy and a Lightweight 1D-CNN

　　

摘要

鸭苗的早期性别鉴定对于肉鸭供应链中的标准化生产和质量控制至关重要。传统的人工方法效率低下，不适合大规模自动化生产。本研究利用近红外光谱（NIRS）技术来捕捉雄性和雌性鸭苗之间的生化差异，旨在开发一种稳定、轻量级的非破坏性检测模型，以便嵌入到边缘设备中。研究人员从600只鸭苗样本中收集了光谱数据。为了实现最佳的数据降维效果，建立了一个多策略波长选择框架，该框架结合了深度自动编码器、ShuffleNet模块以及网络梯度属性反向选择策略。以基础的一维卷积神经网络（1D-CNN）作为五折交叉验证的统一评估框架，通过1D-VGG16架构反向筛选出29个关键特征波长，这些波长被确定为最佳特征输入子集。随后，基于这29个固定波长，构建了一个专门设计的轻量级分类网络，该网络使用了1D深度可分离卷积和反向残差结构来应对边缘计算的限制。同时，对三种一维注意力机制（包括简单无参数注意力机制SimAM、坐标注意力机制CA和高效多尺度注意力机制EMA）进行了横向评估。最终提出了SimAM-lightweight 1D-CNN模型，其综合性能最优。实验结果表明，该轻量级模型仅有61,186个可训练参数，在五折交叉验证下的平均测试准确率为99.17%±0.75%，平均推理延迟为21.21毫秒。最后，将训练好的模型部署在基于Jetson Nano的智能原型机上，进行了硬件与软件的集成及系统验证，为工业分选应用奠定了技术基础。