一种基于电子鼻和高光谱数据融合技术的轻量级DMCF-net模型,用于水稻和花生的品种鉴定

《Microchemical Journal》:A lightweight DMCF-net for rice and peanut origin identification based on the fusion of electronic nose and hyperspectral data

【字体: 大 中 小 】 时间:2026年01月03日 来源:Microchemical Journal 5.1

编辑推荐:

  农业产品溯源需多传感器信息融合,本文提出DMCF-Net模型,通过电子鼻和高光谱技术获取样本气体与光谱特征,设计交叉信息融合模块(Cif)和自注意力与卷积混合模块(ACmix)实现多源数据互补融合,有效平衡局部与全局特征贡献,实验在稻米和花生数据集上分别达到98.05%和99.00%的准确率。

  
华志杰|王贺|张秦仑|门红|史燕|刘静静
东北电力大学自动化工程学院,吉林132012,中国

摘要

准确识别农产品的来源对于保护消费者权益和维护品牌声誉至关重要。多传感器信息融合技术能够全面捕捉样品的挥发性成分和表面化学键合信息,为农产品来源的识别提供解决方案。本文提出了一种双模互补融合网络(DMCF-Net),用于精确识别农产品的来源。通过使用电子鼻和高光谱系统充分探索气体和光谱信息的互补性,我们在DMCF-Net中设计了交叉信息融合(Cif)模块,该模块融合气体和光谱信息以获得更全面的农产品来源特征。此外,为了提高特征利用效率,在Cif模块之后引入了自注意力与卷积混合(ACmix)模块,以捕捉特征的局部和全局依赖性。在两个不同的数据集上评估了DMCF-Net的有效性:在稻米来源识别上的准确率为98.05%、精确率为98.22%、召回率为97.78%;在花生来源识别上的准确率为99.00%、精确率为99.18%、召回率为99.08%。结果表明,DMCF-Net是一种高效且轻量级的识别网络,为农产品来源的识别提供了一种有效方法。

引言

农产品来源的识别在经济和文化领域发挥着重要作用。除了保护消费者的权益和区域品牌的声誉外,它还涉及多传感器信息的挖掘与整合问题。来自不同来源的农产品具有独特的特征,这些特征体现在两种核心信息模态中:气体信息(挥发性成分)揭示了内在的生化代谢特征,而光谱信息(表面功能团对光的吸收)反映了外在的物理化学性质。然而,这些模态之间的异质性(如维度和特征分布的差异)给有效融合带来了理论上的挑战。传统的单模态识别方法由于信息不完整而无法保证准确性,而多传感器融合则面临三个关键理论瓶颈:如何有效利用模态互补性、平衡局部和全局特征的贡献,以及在样本有限的情况下实现轻量化建模。这些挑战不仅限制了来源识别技术的实际应用,而且在多传感器学习领域也具有普遍的研究价值。
不法商贩将劣质产品冒充优质产品,凸显了精确来源识别的紧迫性。然而,现有多传感器融合方法在应对上述理论挑战方面存在局限性。传统的基于破坏性采样的来源识别方法[[1], [2], [3]]已逐渐被电子鼻和光谱分析等非破坏性技术[[4,5]]所取代。电子鼻利用交叉敏感传感器根据挥发性成分从内部反映样品的质量差异[[6]]。高光谱技术通过样品表面化学功能团对光吸收特性的差异来捕捉样品的外在特征[[7,8]]。通过整合这两种检测方法并结合内部和外部方法,可以全面表征样品的质量,从而显著提高农产品来源识别的可靠性和稳定性[[9]]。然而,传统的气体-光谱信息融合方法仍存在严重的理论缺陷:
  • (1)
    模态互补性利用不足。传统方法通常使用主成分分析(PCA)[10]、支持向量机(SVM)[11]或偏最小二乘回归[12,13]等技术独立处理气体和光谱信息,然后进行简单的特征连接或浅层融合[14,15]。在传统的信息融合方法中,气体和光谱信息的提取过程通常是独立的,随后进行信息融合和模式识别,导致信息整合程度较低。此外,在融合数据时,没有充分考虑气体和光谱信息的重要性和影响,容易导致信息冗余,从而影响分类性能。
  • (2)
    局部和全局特征的贡献不平衡。这源于对单一范式架构的过度依赖。卷积神经网络(CNN)[[16], [17], [18], [19]]能够有效提取局部特征,但全局建模能力较弱;而自注意力机制[[20], [21], [22]]能够有效捕捉全局依赖性,但可能忽略细粒度的局部细节。当前的混合尝试[[23], [24], [25]]尚未实现局部-全局特征提取的最佳和高效协同。
  • (3)
    模型轻量化和性能之间的冲突。许多集成CNN和自注意力的架构存在参数冗余和模块堆叠简单化的问题。这种低效率与快速、非破坏性测试的实际需求相悖,尤其是考虑到样本量通常有限的情况。
  • 在这种背景下,现有方法尚未形成系统性的解决方案来应对这些理论瓶颈:要么忽视了深度模态交互,要么牺牲了平衡局部-全局特征的效率,要么由于参数冗余而无法满足部署要求。因此,迫切需要构建一个能够深入探索模态互补性、动态平衡局部-全局特征并实现轻量化建模的理论框架。这是本研究的核心动机。
    为了解决这些挑战,本研究提出了一种轻量级网络架构,即双模互补融合网络(DMCF-Net)。本研究的主要贡献如下:
  • (1)
    设计了一种新的交叉信息融合(Cif)模块,通过跨通道维度连接气体和光谱信息的全球聚合特征,有效利用了模态互补性。
  • (2)
    为了捕捉局部和全局特征的依赖性,我们引入了自注意力与卷积混合(ACmix)[26]模块。它有效地平衡了这些方面,增强了识别任务的总体特征表示。
  • (3)
    DMCF-Net是一种轻量级多模态网络,通过协同的Cif和ACmix模块自适应融合气体和光谱信息的局部和全局特征,实现了准确的来源识别,这一点已通过实验得到验证。
  • 部分内容摘录

    仪器

    气体信息采用德国Airsense Analytics公司开发的PEN3电子鼻进行采集。PEN3电子鼻由传感器阵列、采样通道、数据处理单元和清洁系统组成。由于两个数据集中的样品都释放出复杂的挥发性有机化合物混合物,因此选择使用PEN3电子鼻,因为它配备了交叉敏感的气体传感器阵列,能够全面响应这些成分。

    数据特征和技术概念

    电子鼻和高光谱系统提供了互补的数据特征:前者通过交叉敏感传感器的响应捕捉挥发性化合物的内部属性,而后者通过功能团吸收光谱反映表面性质。有效的来源识别需要融合这两种模态。
    多传感器数据融合可以获得样品的全部属性,局部和全局特征的协同计算是关键

    多传感器数据的特征分析和可视化

    在识别稻米和花生的来源时,PCA作为一种经典的降维可视化技术,可以将高维数据投影到三维空间中,从而直观显示数据的分布和结构。通过分析不同来源样品之间的差异以及单模态和融合模式之间的差异,可以挖掘不同模态特征之间的互补性,从而认识到多传感器数据的必要性

    结论

    为了解决准确识别农产品来源的技术问题,本文提出了一种基于DMCF-Net的轻量级识别网络。通过系统的实验验证和理论分析,得出以下结论:
    创新模块的有效性:通过设计Cif模块和ACmix模块,实现了气体和光谱信息的有效融合。消融实验表明,移除Cif模块

    CRediT作者贡献声明

    华志杰:软件、方法论、调查、概念化。王贺:验证、软件。张秦仑:调查。门红:可视化。史燕:监督、资源获取、概念化。刘静静:撰写 – 审稿与编辑、调查。

    利益冲突声明

    作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。

    致谢

    本工作得到了吉林省发展和改革委员会 [2024C007-8]的支持。
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号