跳转至

面向高光谱鱼类新鲜度分类的域感知轻量级光谱分组卷积

文章背景与核心概要

高光谱成像（HSI）通过捕获跨多个光谱波段的生化变化，为评估鱼类新鲜度提供了一种强有力且无损的方法。然而，标准深度学习模型往往忽视了HSI数据的独特属性——例如光谱对空间纹理的主导地位、序数标签结构以及有限的训练样本规模。

为了克服这些挑战，本文作者提出了 SGNet（光谱分组网络，Spectral-Grouped Network），这是一种专为实时工业应用设计的轻量级架构。该架构通过解耦特征提取、引入双注意力机制以及构建全新的16天冷藏三文鱼切片数据集，实现了高达97.8%的分类准确率和极低的参数量，为工业级的精确、实时新鲜度预测提供了强有力的域感知设计方案。

📌 摘要与核心要点

Hyperspectral imaging (HSI) provides a powerful, non-destructive method for assessing fish freshness by capturing biochemical changes across various spectral bands. However, standard deep learning models often fail to account for the unique properties of HSI data—such as spectral dominance over spatial textures, ordinal label structures, and limited training sample sizes.

To overcome these challenges, the authors propose SGNet (Spectral-Grouped Network), a lightweight architecture designed specifically for real-time industrial applications.

高光谱成像（HSI）通过检测各个光谱波段的生化变化，为鱼类新鲜度的无损评估提供了有效方法。然而，传统的深度学习方法并未完全解决HSI数据的特殊属性，例如光谱对空间纹理的主导地位、序数标签结构以及较少的训练样本。为此，作者提出了 SGNet（光谱分组网络），这是一种轻量级架构，它利用分组卷积和深度空间路径分离了光谱和空间特征的提取。通道级挤压与激励与空间门控相结合的双注意力机制能够自适应地突显信息丰富的特征。在作者新开发的为期16天的冷藏三文鱼切片数据集上测试时，SGNet仅凭475万个参数就实现了97.8%的分类准确率和0.64天的平均绝对误差（MAE）。消融实验验证了各组件的贡献，而对比表明，与ResNet-50和视觉Transformer（ViT）相比，该模型的参数量减少了5到18倍。研究结果表明，域感知设计支持用于工业实现的精确、实时新鲜度预测。

🔬 关键贡献与架构

  • 解耦特征提取： 结合分组卷积与深度空间路径，有效地将光谱特征和空间特征的提取分离。
  • 双注意力机制： 将通道级的挤压-激励（squeeze-and-excitation）与空间门控相结合，自适应地强化包含丰富信息的特征。
  • 全新数据集： 基于一个新开发的、涵盖16天冷藏周期的三文鱼切片数据集进行评估。
  • 高效性能： 仅拥有 475万（4.75M）参数，即实现了 97.8% 的分类准确率 和 0.64 天的平均绝对误差（MAE）。
  • 卓越的可扩展性： 相比 ResNet-50 和视觉Transformer（ViTs）等较重的替代方案，实现了 5倍到18倍的参数量缩减。

📄 论文摘要

Hyperspectral imaging (HSI) offers nondestructive assessment of fish freshness by detecting biochemical alterations across spectral bands. However, conventional deep learning approaches do not fully address the particular characteristics of HSI data, such as spectral dominance over spatial textures, ordinal label structure, and a small number of training samples. We propose SGNet (Spectral-Grouped Network), a lightweight architecture that separates spectral and spatial feature extraction using grouped convolutions and a depthwise spatial pathway. A dual attention mechanism that couples channel-wise squeeze-and-excitation with spatial gating adaptively highlights informative features. SGNet achieves 97.8% classification accuracy and 0.64 days mean absolute error (MAE) with just 4.75M parameters when tested on our newly developed 16-day refrigerator-stored salmon fillet dataset. Ablation studies validate the contribution of each component, while comparisons demonstrate a five- to eighteen-fold parameter reduction relative to ResNet-50 and Vision Transformers. Our findings indicate that domain-aware design supports precise, real-time freshness prediction for industrial implementation.

高光谱成像（HSI）通过检测跨光谱波段的生化改变，提供了对鱼类新鲜度的无损评估。然而，传统深度学习方法未能充分应对HSI数据的特定特征，例如光谱相对于空间纹理的主导地位、序数标签结构以及少量的训练样本。我们提出了SGNet（光谱分组网络），这是一种轻量级架构，利用分组卷积和一个深度空间路径来分离光谱与空间特征提取。将通道级挤压-激励与空间门控相结合的双注意力机制，能够自适应地突显富含信息的特征。在我们在新开发的16天冷藏三文鱼切片数据集上测试时，SGNet仅使用4.75M参数便达到了97.8%的分类准确率和0.64天的平均绝对误差（MAE）。消融实验验证了每个组件的贡献，而对比显示，相比ResNet-50和视觉Transformer，其参数量减少了5到18倍。我们的发现表明，域感知设计支持用于工业实现的精确且实时的新鲜度预测。

🔗 链接与资源