Spectral Band Attention Networks for Efficient Multi-Feature Fusion in Hyperspectral and RGB Data with Ensemble Deep Learning Networks

Der Artikel geht auf die entscheidende Rolle von Saatgut im landwirtschaftlichen Sektor ein und konzentriert sich auf die Herausforderungen bei der Unterscheidung zwischen Weizensorten aufgrund ihres ähnlichen Erscheinungsbildes. Traditionelle Methoden der Saatgutbewertung wie Sichtkontrollen und chemische Techniken sind zeitaufwändig und zerstörerisch. Die Studie stellt die hyspektrale Bildgebung (HSI) als zerstörungsfreie Technik vor, die eine überlegene spektrale Auflösung bietet und eine detaillierte Analyse der chemischen Zusammensetzung von Materialien ermöglicht. HSI tut sich allerdings schwer, Erscheinungsmerkmale wie Farbe, Textur und Form zu erfassen, die für die Unterscheidung kleiner Objekte wie Samen entscheidend sind. Um diesem Problem zu begegnen, schlägt der Artikel vor, die Stärken der HSI- und RGB-Bildgebung zu kombinieren, die sich durch die Erfassung visueller Merkmale auszeichnet. Die hohe Dimensionalität hyperspektraler Daten stellt die Verarbeitung und Verallgemeinerung von Modellen vor Herausforderungen, die zum Hughes-Phänomen oder zum Fluch der Dimensionalität führen. Um diesen Herausforderungen zu begegnen, werden Methoden zur Featureextraktion und -auswahl eingesetzt, wobei die Integrität physikalischer Informationen durch die Featureauswahl gewahrt bleibt. Der Artikel stellt ein innovatives End-to-End Spectral Band Attention Network (SBAN) vor, das entwickelt wurde, um den Bandauswahlprozess effektiv zu verbessern. Die SBAN besteht aus einem Spectral Band Priority Attention Block (SBPAB) und einem benutzerdefinierten DenseNet-Modell, das die informativsten Banden für weitere Experimente identifiziert. Für die endgültige Vorhersage der Saatgutklasse wird ein Ensemblemodell entwickelt, das vier tiefe konvolutionale neuronale Netzwerke und eine Support Vector Machine (SVM) umfasst. Die Studie erstellt einen umfassenden Datensatz von 96 indischen Weizensorten, der mittels RGB und hyperspektraler Bildgebung in einem Wellenlängenbereich von 900-1700 nm erfasst wurde. Die Leistung des vorgeschlagenen Modells wird bewertet und mit einer unterschiedlichen Anzahl von Spektralbanden verglichen, die durch verschiedene Methoden der Bandauswahl ausgewählt wurden. Der Artikel enthält eine detaillierte Methodik, einschließlich Datenerfassung, Vorverarbeitung und Modellschulung, sowie eine umfassende Analyse der experimentellen Ergebnisse. Er schließt mit Schlüsselergebnissen und zukünftigen Richtungen, wobei das Potenzial des vorgeschlagenen Ansatzes für eine verbesserte Bewertung der Saatgutqualität und Sortenidentifikation hervorgehoben wird.