一种用于本地菠菜品种多类别新鲜度及病害检测的混合卷积神经网络（CNN）模型

《BMC Plant Biology》：A hybrid CNN model for multi-class freshness and disease detection in local spinach varieties

菠菜品质智能检测模型研究

　　

摘要

确保叶类蔬菜采后质量和健康状况对于减少经济损失、增强粮食安全以及促进可持续农业实践至关重要。菠菜是一种营养丰富但易腐烂的作物，特别容易快速失去新鲜度并受到叶部病害的影响。尽管计算机视觉和深度学习在自动化质量评估方面展现出巨大潜力，但现有模型往往缺乏处理多种本地菠菜品种的新鲜度和病害状态双重分类的鲁棒性。为了解决这一难题，本文提出了一种新型的混合卷积神经网络（CNN）架构，专门用于检测本地菠菜叶片的新鲜度和视觉病害症状。该模型将强大的特征提取机制与定制的注意力机制和融合机制相结合，提升了其捕捉对细粒度分类至关重要的空间和纹理特征的能力。该模型在包含三种主要本地菠菜品种（马拉巴尔菠菜、水菠菜和红菠菜）的高分辨率图像的数据集上进行了训练和验证，这些数据集涵盖了新鲜和非新鲜两种状态。实验结果表明，该混合模型的分类准确率达到98.36%，显著优于包括DenseNet121、ResNet50和EfficientNetB0在内的现有顶级模型。此外，可解释人工智能（XAI）技术从视觉上验证了模型的决策过程，证实了模型对生物相关叶片区域的关注。这些结果表明，所提出的混合框架是一种高度准确、可靠且可解释的非破坏性实时质量监测工具。这项工作为智能采后管理系统做出了重要贡献，有助于减少浪费并支持本地菠菜种植的产业链。