Dual-representation fusion of near-infrared spectra for simultaneous identification of fresh-cocoon sex and imprinted-dead cocoons during pupal metamorphosis
Haibo He · Bing Lu · Mingqing Zhong 等 10 人
提出双表征加权融合近红外光谱网络，同时识别鲜茧性别与印痕死茧。
1D-CNN与2D-CNN双分支，结合注意力、递归图与迁移学习。
融合网络总体准确率95.39%，中期性别识别最高达97.22%。
可探索蛹期动态建模与轻量化边缘部署，提升实际分选鲁棒性。
该研究提出双表征加权融合近红外光谱网络，实现鲜茧性别与印痕死茧的高精度无损识别，方法新颖、数据可靠，对蚕桑智能化分选具有实用价值。
鲜茧性别与印痕死茧的自动化识别对生丝质量控制至关重要，需要一种高效可靠的方法。尽管近红外（NIR）光谱显示出潜力，但蛹期变态过程中的性别识别性能仍未得到充分理解，现有建模方法也尚不成熟。本研究开发了一种双表示加权融合网络，用于蛹期变态过程中鲜茧性别和印痕死茧的识别。该网络包含两个经消融优化的分支：一个一维CNN分支，融合了膨胀空间注意力、自适应坐标注意力和ConvNeXtV2模块，用于光谱序列特征提取；以及一个二维CNN分支，融合了混洗注意力网络、自适应坐标注意力和ResNet模块，用于基于递归图的结构特征提取。光谱序列分支和递归图分支捕获互补信息，通过自适应加权融合策略进行整合，并将优化后的分支参数用作迁移学习的预训练权重。在留出测试集上，双表示加权融合网络达到了95.39%的最高总体准确率，优于优化后的一维CNN（93.55%）和二维CNN（94.59%），平均单样本网络推理时间为0.921 ms。性别识别性能随蛹期变态而变化，早期准确率普遍较低且波动较大，中期性能提升，晚期有所下降。融合网络在三个时期均保持较高准确率，并在中期（第5–7天）达到了97.22%的最高平均性别识别准确率。总体而言，所提出的双表示近红外框架为非破坏性鲜茧性别识别和印痕死茧筛查提供了一种有前景的方法，同时凸显了蛹发育时期作为实际性别分选的重要考虑因素。