基于高光谱成像的有限标注数据谷物质量评估

近年来，基于高光谱成像（HSI）的谷物质量评估引起了研究关注。然而，与其他成像模态不同，HSI数据缺乏有效训练深度卷积神经网络（DCNN）分类器所需的足够标注样本。在本文中，我们提出了一种新颖的谷物质量评估方法，将HSI与少样本学习（FSL）技术相结合。传统的谷物质量评估方法虽然可靠，但具有侵入性、耗时且成本高。HSI通过捕获空间和光谱信息提供了一种非侵入性的实时替代方案。然而，将DCNN应用于基于HSI的谷物分类的一个重大挑战是需要大型标注数据库，而这通常难以获得。为了解决这个问题，我们探索了FSL的使用，它使模型能够在有限标注数据下表现良好，从而成为需要快速部署的实际应用中的实用解决方案。我们还探索了FSL在散装谷物高光谱图像分类中的应用，以便在谷物供应链的各个接收点实现快速质量评估。我们在两种场景下评估了少样本分类器的性能：第一，对训练期间见过的谷物类型进行分类；第二，泛化到未见过的谷物类型，这是实际应用中的一个关键特性。在第一种场景中，我们引入了一种新颖的方法，使用预计算的集体类原型（CCP）来提高推理效率和鲁棒性。在第二种场景中，我们评估了模型使用有限支持示例对新型谷物类型进行分类的能力。我们的实验结果表明，尽管用于训练的标注数据非常有限，我们的FSL分类器的准确性与使用显著更大标注数据库训练的完全训练分类器相当。