胡桃的识别不同氧化水平通过整合self-supervised和监督学习gydF4y2Ba
晧瑜康gydF4y2Ba
1gydF4y2Ba,gydF4y2Ba
丹戴gydF4y2Ba
1gydF4y2Ba
*gydF4y2Ba,gydF4y2Ba
剑郑gydF4y2Ba2、3gydF4y2Ba
*gydF4y2Ba,gydF4y2BaZile梁gydF4y2Ba1、3、4gydF4y2Ba,gydF4y2BaSiwei陈gydF4y2Ba1、3、4gydF4y2Ba和gydF4y2BaLizhong叮gydF4y2Ba5gydF4y2Ba
- 1gydF4y2Ba数学与计算机科学学院,浙江农林大学,杭州,中国gydF4y2Ba
- 2gydF4y2Ba食品和健康学院、浙江农业和林业大学,杭州,中国gydF4y2Ba
- 3gydF4y2Ba重点实验室林业感知技术和智能设备的国家林业局,杭州,中国gydF4y2Ba
- 4gydF4y2Ba浙江林业智能监控和信息技术研究重点实验室,杭州,中国gydF4y2Ba
- 5gydF4y2Ba临安地区农业和林业技术推广中心,杭州,中国gydF4y2Ba
山核桃(Carya cathayensis)坚果被认为是一个传统的螺母在亚洲由于营养成分如酚类和类固醇,氨基酸和矿物质,尤其是高水平的不饱和脂肪酸。然而,食用山核桃坚果质量迅速恶化的氧化酸败。更深层次的蒙面autoencoders (DEEPMAE)具有独特的结构自动提取一些特征可以从本地到全球可伸缩图像分类,一直被认为是最先进的计算机视觉技术,分级任务。本文旨在提出一个新颖的和准确的评分方法山核桃坚果不同氧化水平。由于使用self-supervised和监督过程中,该方法能够预测胡桃的图像具有不同氧化水平有效,即。,DEEPMAE可以预测坚果的氧化水平。拟议中的DEEPMAE模型是由视觉变压器(VIT)架构,其次是蒙面autoencoders(美)。这个模型训练和测试图像数据集包含四类,这些类之间的差异主要是由于不同程度的氧化。DEEPMAE模型能够实现96.14%的总体分类精度验证集和测试集。结果96.42%建议DEEPMAE模型的模型表明,应用程序可能是一个有前途的方法,分级山核桃坚果与不同程度的氧化。gydF4y2Ba
1。介绍gydF4y2Ba
有超过20种不同品种的核桃。根据粮农组织(2019年),中国生产世界上超过一半的核桃。从2009年到2019年,中国核桃产量同比增加11.3%至2521504吨。山核桃属植物(gydF4y2BaCarya cathayensis Sarg。gydF4y2Ba)是主要发现在临安区,中国。由于山地和高原气候,山核桃在自然区域。在临安山核桃种植占地面积40000公里gydF4y2Ba2gydF4y2Ba,年生产15000吨的山核桃坚果。整个山核桃坚果产业的产值约为50亿元。gydF4y2Ba
有544种脂质在成熟的山核桃坚果(gydF4y2Ba黄et al ., 2022gydF4y2Ba)。此外,一个成熟的山核桃坚果内核包含超过90%的不饱和脂肪酸和70%的石油,这是所有油料作物(在顶部的地方gydF4y2Ba库尔特,2018gydF4y2Ba;gydF4y2BaNarayanankutty et al ., 2018gydF4y2Ba;gydF4y2BaZhenggang et al ., 2021gydF4y2Ba)。胡桃的氧化是一个不可避免的问题和主要贡献者坚果的质量的下降。人们普遍认为坚果的脂质氧化过程所得的一个名为自然氧化的自由基机理(gydF4y2BaKubow 1992gydF4y2Ba;gydF4y2BaLopez-Uriarte et al ., 2009gydF4y2Ba)。gydF4y2Ba
氧化的山核桃坚果,一系列的变化颜色,气味,品味,和其他疾病的发生。明显山核桃坚果变化的内核从淡黄色到黄褐色或褐色,味道逐渐变得越来越轻,从坚果和强大的令人作呕的味道(gydF4y2Ba江et al ., 2012gydF4y2Ba)。识别山核桃坚果的传统方法主要是手动和电子鼻检测(gydF4y2Ba彭日成et al ., 2011gydF4y2Ba)。另一方面,前者主要依靠主观的人类经验,复杂的准确性筛查和减缓了速度。此外,电子鼻技术可以检测胡桃的物质内容根据氧化、酸度的程度不同的存储年(gydF4y2Ba彭日成et al ., 2019gydF4y2Ba),即。,hickory nuts with different degrees of oxidation will produce different odors. However, electronic nose technology has a slow response time and requires special equipment, making it difficult to promote in the marketplace. Therefore, accurate identification and fine classification of hickory nuts based on color appearance could contribute to factory production and processing to safeguard consumers' food safety.
在某些农产品分类,形状和颜色的两个基本特征。众所周知,自然之间的最重要的特色农产品种植是外表(gydF4y2BaFernandez-Vazquez et al ., 2011gydF4y2Ba;gydF4y2BaRodŕıguez-Pulido et al ., 2021gydF4y2Ba)。例如,不同尺寸、圆度、长度和宽度区分核桃品种。这些特征为分类的核心基础。在研究核桃,它是至关重要的使用他们的形态分类的属性(gydF4y2BaErcisli et al ., 2012gydF4y2Ba;gydF4y2Ba陈et al ., 2014gydF4y2Ba;gydF4y2BaSolak Altinişik, 2018gydF4y2Ba)。各种颜色的表面特征对分类对象是至关重要的,他们主要利用RGB和高光谱图像生成。例如,在RGB图像颜色信息可以生成一维信号(gydF4y2Ba安东内利et al ., 2004gydF4y2Ba)或一个矩阵的信号,产生很好的分类结果榛子(gydF4y2Ba吉兰多et al ., 2018gydF4y2Ba)和玉米(gydF4y2BaOrlandi et al ., 2018gydF4y2Ba)。gydF4y2Ba
此外,光谱成像技术可以实现相同的更高层次的分类精度(gydF4y2BaAlamprese et al ., 2021gydF4y2Ba;gydF4y2BaBonifazi et al ., 2021gydF4y2Ba)。还有一个重要的RGB和高光谱数据之间的区别。RGB数据包含的信息要少于高光谱数据。然而,前者更容易获得,也广受欢迎。尽管以上这些研究已经交付成功的结果在特定应用程序中,大多数情况下,专家手动提取或指定的特性。在每一个这些提取功能,既有强和弱的特性,如果很难算出目标的强大特性,是具有挑战性的产生非常成功的结果。gydF4y2Ba
深度学习(gydF4y2Ba勒存et al ., 2015gydF4y2Ba)是一个机器学习领域,获得了巨大的识别在计算机视觉在过去的十年。深度学习的普遍性是相对比上述方法更有利。深度学习方法主要是多层人工神经网络(ANN;像高维抽象函数)由计算机。在人工神经网络中,图像特征能产生反馈信号,帮助调整参数模型。直到最后的ANN模型包含关键特性,可以区分不同的图像。gydF4y2Ba
深度学习技术已广泛用于农业产品质量的分类gydF4y2Ba阿什蒂亚尼et al ., 2021gydF4y2Ba;gydF4y2BaJavanmardi et al ., 2021gydF4y2Ba;gydF4y2Ba伯纳德et al ., 2022gydF4y2Ba;gydF4y2BaMukasa et al ., 2022gydF4y2Ba)。卷积神经网络(CNN)成立了一个浅深度分类四类烟草具有95%的准确率gydF4y2Ba李et al ., 2021gydF4y2Ba)。gydF4y2BaNasiri et al。(2019)gydF4y2Ba采用VGG16确定日期的修改版本,实现96.98%的准确性。创建各种模型从不同的角度分类农产品成熟(gydF4y2BaZhang et al ., 2018gydF4y2Ba;gydF4y2BaGarillos-Manliguez和蒋介石,2021gydF4y2Ba)。此外,gydF4y2BaSaranya et al。(2022)gydF4y2Ba能够区分四种不同成熟度级别的香蕉的准确性达96.14%。因为他们的浅架构,上述应用程序中使用的网络可能不具备必要的泛化能力。gydF4y2Ba陈et al。(2022 b)gydF4y2Ba开发了一种高性能分类模型基于152 -层深ResNet识别不同类型的核桃。此外,由于深学习算法自动提取的能力强大的高级功能(gydF4y2BaZhang et al ., 2019gydF4y2Ba),大多数研究没有显式地指定特征这些算法已经学到了什么。通过这种方式,手动特征提取更有利于解释,如分级基于形状,颜色和大小的草莓(gydF4y2Ba李明和验钞,2010gydF4y2Ba)。然而,gydF4y2Ba苏et al。(2021)gydF4y2Ba能够成功地利用ResNet算法有效地评估草莓的成熟和质量,并指出pigment-related信息准确成熟识别至关重要。这样解释可以更深入地了解深学习算法的潜力。除了cnn,深度学习基于维特也迅速发展为各种应用程序像杂草从无人机影像的分类(gydF4y2BaBi et al ., 2022gydF4y2Ba;gydF4y2Ba李x et al ., 2022gydF4y2Ba;gydF4y2BaReedha et al ., 2022gydF4y2Ba)。数量不断增长的新兴技术,应用研究在农业产品正变得越来越可行。gydF4y2Ba
深度学习算法是利用本文自动提取山核桃坚果的外观特征,从而避免传统方法的缺点,实现更有效的结果。此外,基于深度学习分类模型能够处理图像在毫秒(gydF4y2Ba陆et al ., 2022gydF4y2Ba),这有利于提高工厂的自动化生产加工,从而提高能力,确保食品安全。本文基于深self-supervised DEEPMAE,模型算法(gydF4y2Ba他et al ., 2022年gydF4y2Ba构造)和监督学习,使识别和区分不同程度的氧化和胡桃的酸味内核。本文列举的主要贡献如下:gydF4y2Ba
1。这是证明了山核桃坚果内核炮击外貌表现出显著差异对应不同的氧化水平。gydF4y2Ba
2。DEEPMAE结合self-supervised和监督学习,这通常被认为是两种不同的方法,为一个统一的模型。和DEEPMAE优于基本美模型分类山核桃坚果内核。此外,DEEPMAE模型是打火机。它使用更少的参数来实现更好的结果。gydF4y2Ba
3所示。是验证DEEPMAE确实学的特性的颜色和亮度山核桃坚果的外观,符合氧化坚果在不同时间的变化,从而证明DEEPMAE的现实意义。本研究可以为山核桃果生产加工提供一定的参考价值。gydF4y2Ba
2。材料和方法gydF4y2Ba
2.1。样品gydF4y2Ba
山核桃坚果从well-growing收获和10岁的胡桃木树Daoshi镇,中国(林,118°58 11”E, 30°16”50 N,海拔:120)于2021年9月。收获后,坚果被运送到实验室,在烤箱干40°C 72 h维持水分含量低于8%。gydF4y2Ba
2.2。实验细节和准备gydF4y2Ba
有几个步骤的实验研究中,我们将描述准备和实验细节。gydF4y2Ba
2.2.1。控制实验条件gydF4y2Ba
山核桃坚果是身体完整的木质外壳的保护,和脂质氧化比他们慢没有壳。通常,坚果和外壳完好保存。我们存储的坚果壳完整但试图加快坚果的脂质氧化,以减少实验的持续时间。在正式实验之前,我们决定通过pre-experiments小样品的氧化速率山核桃坚果35°C对这次试验是在可容忍的范围内,所以我们决定把坚果在恒温恒湿室35°C和35%加速氧化过程。通过时间,脂质在山核桃坚果内核进行连续的氧化。此外,我们取样实验每30天。gydF4y2Ba
2.2.2。收购的RGB图像坚果内核gydF4y2Ba
280山核桃坚果/实验的样本是在这项研究中,和坚果内核分离后壳破碎。在这之后,内核的RGB图像。gydF4y2Ba
图像采集系统是由通过将智能手机连接到电脑上一个实验的立场。智能手机安装在实验水平站在保持垂直高度不变。此外,我们使用电脑来控制电话,以避免手机的角度和位置的变化。此外,有两个对称的4 w灯填充光。更具体地说,手机是小米和LineageOS 6 x,相机软件OpenCamera, 20像素相机参数,镜头光圈f / 1.75, 4.07毫米焦距,ISO设置为100。gydF4y2Ba
2.2.3。测量山核桃坚果的物理化学性质gydF4y2Ba
完成图像采集后立即,我们身体上压山核桃坚果内核获得坚果油。然后我们测量油的过氧化值(POV)和酸价(AV)。观点确定根据中国标准方法GB 5009.227 - -2016。过氧化测试表明不饱和油脂的酸败,观点是最常用的值。它措施的程度石油样品经历了初级氧化。此外,AV是螺母损坏最敏感的指标之一。在这项研究中,AV测量国家标准GB -2016 - 5009.229的使用方法。大约80毫升的石油提取每个实验。,36毫升为观点分为三个复制实验测量,剩下的油是AV测量分为三个复制实验。gydF4y2Ba
2.2.4。准备工作的总结gydF4y2Ba
这个实验了四个样品不同氧化时间,导致四组A, B, C和D,包含1090好山核桃坚果。另外,13000的内核也采取了RGB图像。他们都是裁剪的512×512像素。然后,我们随机选择了9000名图像作为训练集,2800作为验证集和其余1200作为测试集。gydF4y2Ba
2.3。聚合图像值的算法gydF4y2Ba
CIELAB颜色空间表示为三个值:在人类的视觉,l值从低到高表明感知亮度从黑到白,一个值由负到正代表着绿色,红色,和b值从负到正代表了从蓝色到黄色。调查之间的关系特性产生的深度学习模型和山核桃坚果内核的视觉属性,我们做了有针对性的处理内核的RGB图像在CIELAB颜色空间。gydF4y2Ba
原始图像gydF4y2Ba我gydF4y2Ba和图像gydF4y2Ba我gydF4y2BaggydF4y2Ba(方程1)生成完全卷积网络(FCNN),几乎平滑首先从RGB到CIELAB (gydF4y2Ba图1gydF4y2Ba)。CIELAB图像分割三个值。相应的值在CIELAB颜色空间结合在一个“增强”操作将CIELAB图片回RGB图像。整个过程是EdgeFool几乎相同(gydF4y2BaShamsabadi et al ., 2020gydF4y2Ba),除了“增强”。gydF4y2Ba
图1gydF4y2Ba。聚集一个图像的过程。gydF4y2Ba
我们的增强方法,相应的通道增强的图像,是一种聚合一组数据聚合算法更接近一个指定值β(公式2)。一般来说,β落在范围之内的。此外,l值,每个被分配一个值,b值可以单独β值。有聚合L-values (*), b值的聚合(Ab),和co-aggregation L-values和b值(AL b * *),但没有聚合值(gydF4y2Ba图2gydF4y2Ba)。gydF4y2Ba
图2gydF4y2Ba。数据集。四列的四组实验图像的山核桃坚果内核,A, B, C, D;“原始”行获得的原始图像,艾尔从L * *是聚合图片频道,Ab *是聚合的照片b *通道,和AL * b *聚合图像从L *和b *通道。gydF4y2Ba
2.4。分类方法gydF4y2Ba
我们最后的工作依赖于分类深度学习模型。基于现有的研究,本研究提出了一种更有效的和改进的模型,本节描述详细的建设和我们的模型。gydF4y2Ba
2.4.1。维特和梅gydF4y2Ba
工作流的视觉变压器(维特;gydF4y2BaDosovitskiy et al ., 2020gydF4y2Ba)首先需要将原始图像划分为几个常规重叠块和传播块划分为一个序列,序列后传播到变压器编码器。最后,变压器编码器的输出特性是交给完全连接层的分类。gydF4y2Ba
蒙面autoencoders(美;gydF4y2Ba他et al ., 2022年gydF4y2Ba)是一个self-supervised学习方法,推断原始图像与全球信息从本地特性强烈相关。梅的解码器可以重建相同数量的特性与原始图像块,从而从局部图像重建一个完整的图像。当应用于下游分类任务,美可以把训练有素的编码器和解码器和编码器只使用特征提取的分类。这是类似于一个标准的过程维特的图像分类。与生命相比,美只使用图像数据分类任务的一部分,可以大大减少计算工作量。此外,梅的解码器可以重建原始图像的局部特征,也可以在该协会表示特征信息。gydF4y2Ba
2.4.2。Re-attentiongydF4y2Ba
美主要是由多头Self-Attention堆叠(MHSA;方程(3)模块的香草维特。然而,基于变压器结构通过简单地叠加获得更好的结果不像卷积网络(CNN)的结构。相反,它迅速沉入饱和度在更深层次的水平。被称为注意崩溃(gydF4y2Ba周et al ., 2021gydF4y2Ba)。Re-attention方程(4)可以取代MHSA模块维特和再生的注意力地图建立十字头通信方式可学的。Θ乘以self-attention地图沿着维度。Re-attention利用之间的交互的不同关注正面收集互补信息,再生注意图在计算成本,但更好的增强特性的多样性之间的层。顺理成章地,该DeepVIT (gydF4y2Ba周et al ., 2021gydF4y2Ba)模型使用Re-attention机制也实现出色的性能分类任务。gydF4y2Ba
2.4.3。DEEPMAEgydF4y2Ba
本文提出了DEEPMAE模型与美和DeepVIT为骨干(gydF4y2Ba图3gydF4y2Ba)。首先,与维特,梅和DeepVIT块序列输入DEEPMAE不是从原始图像,而是由低级特征从原始图像中提取的卷积运算。其次,我们引入Re-attention美,减少美模型宽度,实现更深层次的叠加和增加其深度的变压器获得一个更有活力的代表的一些街区,从而减少计算工作量,同时避免崩溃的关注。此外,与美,只使用的训练参数编码器在处理分类任务,我们DEEPMAE总是保留编码器和译码器结合了重建图像的特性和分类成一个完整的模型。重建是一个self-supervised学习。它是通过比较译码器的输出特性与原功能和试图使他们尽可能相似。分类是一个监督学习。最终,DEEPMAE既包含self-supervised的完整结构和监督过程。gydF4y2Ba
图3gydF4y2Ba。DEEPMAE的架构。gydF4y2Ba
梅的块序列,维生素,和DeepVIT源于原始图像。这种方法首先切一个原始图像水平和垂直顺序和传播块切成一片嵌入块序列。默认情况下,一个补丁,也一块,是16×16像素,由卷积实现内核和16的步长。结果在许多卷积参数和高度的随机性。切片的过程也导致大量随机矩阵,这在某种程度上影响补丁嵌入和稳定的,因此,变压器的不稳定(gydF4y2Ba肖et al ., 2021gydF4y2Ba)。在此之前,VGG (gydF4y2BaSimonyan Zisserman, 2014gydF4y2Ba),而小内核的cnn的知觉领域大内核。他们发现多层连续小内核和单层大内核是相似的。所以VGG取代了大回旋的内核通过叠加多层3×3小卷积操作,和3×3小回旋的内核也占据了cnn之后(gydF4y2BaSimonyan Zisserman, 2014gydF4y2Ba;gydF4y2BaIandola et al ., 2016gydF4y2Ba;gydF4y2Ba霍华德et al ., 2019gydF4y2Ba;gydF4y2Ba谭和Le QV 2020gydF4y2Ba)。除了稳定,全球关注的变压器模型属性计算。然而,它缺乏一些归纳cnn固有偏见,比如翻译equivariance和位置(gydF4y2Ba汉et al ., 2020gydF4y2Ba)。Transformer模型,因此,缺乏一些当地的特色从早期层相比,美国有线电视新闻网。因此,我们改变DEEPMAE的补丁中嵌入一个操作与多个小回旋的内核和获得图像的低层特征转换成补丁,类似于Image-to-Tokens模块(gydF4y2Ba元et al ., 2021gydF4y2Ba)。在美,编码器的输入是一个子集的补丁,和我们DEEPMAE做同样的事,只使用补丁的一个子集组成的底层图像特征作为编码器的输入。最后,因为图像固有的强位置的相对性,DEEPMAE固定使用一个二维正弦余弦编码的位置蔓延补丁。gydF4y2Ba
DEEPMAE作为一个整体也主要由两个部分,一个编码器和解码器,但是添加了分类器在整个译码器来弥补。编码器是由变压器组成的街区Re-attention (RTB)。译码器由self-attention变压器块(机顶盒)。很明显,编码器和译码器方面的不对称的宽度和深度。此外,该分类器不使用的所有信息从解码器的输出;它只依赖于重建的译码器的一些特性使其分类决策。gydF4y2Ba
2.5。绩效评估gydF4y2Ba
混淆矩阵(gydF4y2Ba卡尔·皮尔森,1904年gydF4y2Ba)是一个分类问题的性能测量技术。这是一个列联表包含真正的阳性(TP),真正的底片(TN),假阳性(FP),和假阴性(FN)模型的预测。DEEPMAE的主要责任是分类。分类精度指标使用方程(5),kappa系数(方程6;gydF4y2Ba科恩,1960gydF4y2Ba),精确方程(7),回忆方程(8),特异性方程(9),和F1分数方程(10)(gydF4y2BaLabatut Cherifi, 2012gydF4y2Ba;gydF4y2Ba吉兰多et al ., 2018gydF4y2Ba;gydF4y2BaAlamprese et al ., 2021gydF4y2Ba;gydF4y2Ba陈et al ., 2022 agydF4y2Ba;gydF4y2BaSaranya et al ., 2022gydF4y2Ba摘要)。gydF4y2Ba
此外,图像特征的重建DEEPMAE译码器是一个关键组成部分。我们使用多尺度结构相似度指数(MS-SSIM;gydF4y2Ba王et al ., 2003gydF4y2Ba),误差相对整体Adimensionnelle综合(ERGAS;gydF4y2Ba瓦尔德,2000gydF4y2Ba),视觉信息保真度(VIF;gydF4y2Ba酋长和Bovik, 2004gydF4y2Ba)测量重建功能的美好。MS-SSIM多尺度结构相似度方法,考虑了观测条件和变化提供了一个可靠的近似图像质量。VIF的忠诚是一个量化的图像信息度量图像信息。gydF4y2Ba
3所示。结果gydF4y2Ba
3.1。脂质氧化分析四个样品gydF4y2Ba
提取山核桃坚果油的质量是用来评估生理样品的质量。样品显示不同的观点和AVs氧化后不同时间(gydF4y2Ba图4gydF4y2Ba)。gydF4y2Ba
图4gydF4y2Ba。观点和AVs四个实验。gydF4y2Ba(一)gydF4y2Ba观点。gydF4y2Ba(B)gydF4y2BaAVs。gydF4y2Ba
观点是一个指示性的油脂的质量指标(gydF4y2BaBeyhan et al ., 2017gydF4y2Ba)。在35°C和35%相对湿度,观点以四个样品,A, B, C和D,与储存时间逐渐增加。样品A和B显示缓慢增加的观点,而实验C表现出更快的增加。的四个样品,观点持续增加,证明山核桃坚果油正经历连续的氧化。gydF4y2Ba
AV反映脂肪水解酸败的程度表明石油的离解脂肪质量浓度水平(gydF4y2BaChatrabnous et al ., 2018gydF4y2Ba)。四个样品的结果,测量基于时间维度的差异山核桃坚果,表现出明显的上升趋势。AVs的A和B样品,样品积累更加迅速,同时在以后的实验中,AVs积累更慢。最终,AV样本中D超过0.6毫克/克,翻倍样品a AVs的增加的价值在胡桃的存储是由于油脂的酶水解,从而影响山核桃坚果。gydF4y2Ba
的观点和AVs的山核桃坚果油四个样本表明,样品的氧化程度恶化增加以顺序的方式。这提供了一个客观基础进一步区分样本不同程度的氧化降解。gydF4y2Ba
3.2。四个样品不同内核的图像gydF4y2Ba
后的数据分布分析了RGB图像转换为CIELAB图像。更重要的是,本文分析了山核桃果粒的外观变化之间的关系和他们的内部脂质氧化和酸败。奥尔蒂斯(gydF4y2BaOrtiz et al ., 2019gydF4y2Ba)表示,l值的褐变反应核桃内核的外观。他们分析了外部的变化之间的相关性核桃内核和酸败和氧化过程。很明显,L-values和b值的分布在山核桃果内核从四个样品的外观显示变化(gydF4y2Ba图5gydF4y2Ba)。周围有一个大的浓度L-values 47在实验,和周围37岁,38岁和31日在实验B, C和D,分别。首先,看L-values的分布(gydF4y2Ba图5一个gydF4y2Ba),之间有很多交叉实验B和C . C的平均亮度也略高于B .然而,L-values变化的四个实验表明逐渐减少的总体趋势。四个实验的得分也大约40,24岁,20 - 18 b值。gydF4y2Ba
图5gydF4y2Ba。L-values和b值分布的原始图像。gydF4y2Ba(一)gydF4y2Bal值分布;gydF4y2Ba(B)gydF4y2Bab值分布。gydF4y2Ba
以实验为基准,通过观察l值的分布和b值,它可以发现,亮度和色度的变化的外观山核桃坚果内核表现出不均匀状态的更大,然后小。在后者的一部分样本,人眼的差异化优势是大大削弱。这意味着它将不可能直接区分之间的差异用肉眼外观的内核。这种不均匀的变化来解释gydF4y2Ba杨et al。(2022)gydF4y2Ba。山核桃褐变的主要原因是膜过氧化反应,多酚氧化酶催化酶促褐变。在收获后贮藏期,山核桃坚果维护他们的抗氧化能力,和褐变的速度是最快的早期阶段存储,之后逐渐轻轻地褐变率的改变。gydF4y2Ba
上述结果表明有某种程度上的变化之间的相关性内在氧化酸败的山核桃坚果和内核的外观的变化。对同一批次的山核桃坚果,随着内部油脂氧化的进行,坚果会改变的内在质量,体现在内核的外观l值的降低和b值的偏离黄色。也有效地支持后续分化不同的氧化和酸化内核的形象特征。gydF4y2Ba
3.3。分类结果gydF4y2Ba
基于上述分析,我们也需要分类的图像山核桃坚果内核来推断的内核的内部质量。gydF4y2Ba
3.3.1。常规配置gydF4y2Ba
本文的主要优化点DEEPMAE基于其支柱模型是前面提到的。烧蚀实验是为了进行评估模型的有效性在指定的三分。gydF4y2Ba
1。组成的一个序列块低级特征提取的卷积操作来替换原来的16×16-pixel-sized图像块序列的骨干。gydF4y2Ba
2。美最关键的点是使用局部图像提取特征,减少应用程序的计算工作。DEEPMAE也保留了这一特性,但由于图像的低层特征与原始图像,没有冗余DEEPMAE将有不同的编码器的输入规模比梅,我们比较三个面具比率。gydF4y2Ba
3所示。DEEPMAE包含self-supervised和监督学习和有一个编码器和译码器。解码器,self-supervised操作,可以重建图像的特性。非常不同的推理过程的美,所以我们想验证分类过程中的译码器的作用。gydF4y2Ba
后建立DEEPMAE的核心结构,介绍了一些CNN模型和变压器模型和DEEPMAE模型相比,和他们的分类效果进行了评估。常见的cnn AlexNet (gydF4y2BaKrizhevsky et al ., 2017gydF4y2Ba),VGG19 (gydF4y2BaSimonyan Zisserman, 2014gydF4y2Ba),SequeezeNet (gydF4y2BaIandola et al ., 2016gydF4y2Ba),MobileNetV3 (gydF4y2Ba霍华德et al ., 2019gydF4y2Ba)和EfficientNet (gydF4y2Ba谭和Le QV 2020gydF4y2Ba),分别和变压器模式DEEPMAE的骨干,主要维特(gydF4y2BaDosovitskiy et al ., 2020gydF4y2Ba)和梅(gydF4y2Ba他et al ., 2022年gydF4y2Ba)。cnn都是通过调用实现PyTorch torchvision官方接口来实现。此外,学习速率,优化器,数据,和其他可控hyperparameters跨模型保持一致。培训是在相同的环境中完成对每个模型(gydF4y2Ba表1gydF4y2Ba)。gydF4y2Ba
表1gydF4y2Ba。实验环境的配置。gydF4y2Ba
3.3.2。DEEPMAE:低级特征和RGB图像数据gydF4y2Ba
许多研究人员结合卷积块和变压器块(gydF4y2Ba郭et al ., 2022gydF4y2Ba;gydF4y2Ba李j . et al ., 2022gydF4y2Ba;gydF4y2Ba刘et al ., 2022gydF4y2Ba),尤其是与输入数据的更改。由于RGB图像的冗余,梅使用原始图像块作为输入,但DEEPMAE提取图像的底层特征作为输入。因此,本文将比较块嵌入由原来的RGB图像补丁嵌入由低级特性。此外,低级特征的尺寸远小于原来的RGB图像,这是一种卷积操作的特点。相比之下,使用的MHSA编码器和解码器DEEPMAE没有收缩功能映射,和层的模式是类似的,使DEEPMAE容易伸缩。随后,四个比较实用的结构构造基于DEEPMAE (gydF4y2Ba表2gydF4y2Ba)。gydF4y2Ba
表2gydF4y2Ba。四个DEEPMAEs的配置。gydF4y2Ba
参数的数量和分类精度的两种类型的补丁嵌入从四个不同大小的DEEPMAEs比较gydF4y2Ba表3gydF4y2Ba。精度提高1.14 -1.17%,验证集和测试集上的1.67 - -2.67%。分类,低级特性的改善意义重大,表明添加后的变压器模型非常有效提取的低级功能卷积操作。gydF4y2Ba
表3gydF4y2Ba。比较RGB补丁和补丁四DEEPMAEs低级特征。gydF4y2Ba
3.3.3。DEEPMAE:面具比率输入补丁gydF4y2Ba
是提到的原始美面具一定比例输入补丁,这减少了操作的数量,提高了模型的推理时间。DEEPMAE也吸收了这一优势。然而,DEEPMAE的输入是低级特性比原始图像更少的冗余。此外,DEEPMAE将整个过程的分类和MAE-like训练相结合。DEEPMAE需要关注的揭露部分图像和掩盖的部分。因此,面具比DEEPMAE将不同于美。我们进行了进一步的对比实验。gydF4y2Ba
美默认屏蔽75%,即。,面具比率= 0.75。在此基础上,我们比较面具比率为0.25,0.5和0.75 DEEPMAE模型。此外,它还可以看到DEEPMAE仍有增加的趋势(gydF4y2Ba图6 bgydF4y2Ba),所以培训时期的数量在这一节中设置的上限为300。gydF4y2Ba
图6gydF4y2Ba。不同模型的精度验证数据集。gydF4y2Ba(一)gydF4y2BaEfficientNet、SqueezeNet AlexNet, MobieNetV3;gydF4y2Ba(B)gydF4y2BaDEEPMAE美,维特,VGG。gydF4y2Ba
面具的大小比与其特性模型中可见的数量,更大的面具比给予学习的模型更少的特点。随着面具比增加顺序(gydF4y2Ba图7gydF4y2Ba),很明显,总体损失也为后者比前者高。看着解码器重构特征图谱的损失,损失的程度下降约100时代的面具比= 0.5相当于损失下降300时代的面具比= 0.75,即。面具比= 0.5,培训时间只有三分之一的面具比= 0.75。这意味着面具比= 0.5的培训时间只有三分之一的面具比= 0.75,而面具比= 0.25,只有0.5的三分之一。在分类损失,损失更大面具比例明显高于一个较小的一个。因此,一个更小的面具比DEEPMAE培训可以释放更多的功能,实现更好的结果。顺便说一下,我们的实验已经达到了97%的准确率在第240期通过深化编码器深度32在使用面具比为0.25。然而,面具比越小,需要更多的硬件,计算资源。尽管使用一个较小的面具比,深化和扩展网络模型的训练时间可以进一步提高精度,所需的计算资源超过这些精度的改进。因此,为了平衡模型的性能和效率,一个温和的面具比促进模型的实现。此外,对cnn屏蔽操作有相当大的影响。 The default Mask ratio for the experiments in this paper is 0.5 unless otherwise stated.
图7gydF4y2Ba。三个面具的损失比率。每个子图包含的损失解码器(LD)重建图像的特性和分类(LC)的损失。gydF4y2Ba(一)gydF4y2Ba面具比(先生)= 0.25;gydF4y2Ba(B)gydF4y2Ba面具比(先生)= 0.5;gydF4y2Ba(C)gydF4y2Ba面具比(先生)= 0.75。gydF4y2Ba
3.3.4。DEEPMAE:解码器用于分类gydF4y2Ba
我们DEEPMAE self-supervised方法结合使用的图像重建美与监督分类的过程。但是,与美,只雇佣了pre-trained编码器参数分类,DEEPMAE还使用解码器参数分类过程中重建的一些特性更好的分类。因此,DEEPMAE图像重建是非常密切相关的分类。因此,我们仍然使用四个不同大小DEEPMAEsgydF4y2Ba表2gydF4y2Ba进行比较,探索解码器的角色在重建图像。从四个DEEPMAEs(的性能gydF4y2Ba表4gydF4y2Ba),它的结果可以看出,“分类和功能重建”高于“分类,这表明图像特征重建DEEPMAE译码器也是一个关键因素。gydF4y2Ba
表4gydF4y2Ba。比较“分类”和“分类和功能重建”四个DEEPMAEs。gydF4y2Ba
除了测试集上的性能,本文还测量了解码器的性能后的图像特征。从人类视觉的角度来看,重建图像特征明显的区别于原始而显得难以理解(gydF4y2Ba图8gydF4y2Ba)。因此,图像重建的质量特性是衡量使用MS-SSIM ERGAS, VIF指标,比较这些图像从图像的角度。比较三个指标(gydF4y2Ba表5gydF4y2Ba),很明显,图像特征由“分类和功能重建”比“分类”的形象特征,这是一个译码器的优势。这意味着,考虑“分类”和“图像重建”都可以提高分类效果的影响,并确保“图像重建”在同一时间。如果分类,分类效果略低,和最终的图像质量特征提取的解码器是负面影响。gydF4y2Ba
图8gydF4y2Ba。图像重建特性的例子。此外,图像数据之前必须转化为张量在PyTorch输入模型。从这些张量转换后的图像。gydF4y2Ba
表5gydF4y2Ba。比较的“分类”和“分类和功能重建”重建图像的质量。gydF4y2Ba
3.3.5。比较DEEPMAE和受欢迎的模型gydF4y2Ba
每个模型的精度性能的验证集(gydF4y2Ba图6gydF4y2Ba),很容易看到MobileNetV3和VGG19模型平均水平执行。他们缓慢的优化,最后精度略高于80%。SqueezeNet,其余的模型,如Alexnet EfficientNet,识别高,性能稳定,卷积运算的快速收敛的优点。gydF4y2Ba
维特和梅模型,变压器,代表执行顺利,维特达到最大精度为94.04%在第95期和梅最大精度为94.36%,这不是太远EfficientNet等从CNN的识别模型。此外,变压器模型具有较高的精度从一开始,然后逐渐变得更加准确。这是因为变压器模型使用初始化参数,而CNN模型随机参数。变压器模型的初始化是必要的,但这并不影响与CNN模型比较结果。DEEPMAE模型优于上述模型,达到最大精度在第89期96.14%,明显高于其他模型。gydF4y2Ba
关于曲线(gydF4y2Ba图6 bgydF4y2Ba),DEEPMAE显示了相对较大的振幅在第一个60时代之后,只有轻微的振荡。曲线仍然倾向于增加,不达到一个瓶颈模型的性能在100时代。关于模型的性能验证集,DEEPMAE优于普通人工神经网络,不失去CNN模型在分类识别。此外,DEEPMAE是一套网络,可以轻松地扩展和调整的深度和宽度。此外,由于全球MHSA关联的本质,各层之间的连接更可调比cnn。gydF4y2Ba
3.3.6。比较DEEPMAE DEEPMAE的骨干gydF4y2Ba
实验的原始美是由编码器和解码器,这纯粹是堆叠机顶盒块。编码器和解码器pre-trained 300时代,那么训练有素的编码器参数加载和训练分类。因为没有通用的山核桃坚果ImageNet规模数据集,我们使用相同的数据集的训练和分类的过程,也叫自我训练的gydF4y2Ba周et al。(2022)gydF4y2Ba。所以美迁移从更多的扩展训练的重量在分类过程中,而不是使用参数初始化(gydF4y2BaGlorot Bengio, 2010gydF4y2Ba;gydF4y2Ba他et al ., 2015年gydF4y2Ba)。因此,美达到初始精度超过90%的验证集,这是远远领先于其他模型。然而,梅经过自我训练方法不大幅提高结果的分类任务,这意味着美模型仍然严重依赖训练图像重建过程更新模型参数。虽然比较gydF4y2Ba图6gydF4y2Ba是“不公平的”,训练的基于图像重建是一个健壮的功能美,所以DEEPMAE模型还保留了译码器来重建图像。gydF4y2Ba
美有精确的相同数量的参数作为维生素与相同的结构分类培训。然而,由于前随机输入补丁的面具一定比例的,原梅的编码器输入只占四分之一的初始数据量。它比后者更快和更准确。此外,DEEPMAE模型具有更多的特征信息和更少的冗余低级的编码器的输入特性比原始图像。因此,DEEPMAE设置屏蔽率低于美,掩蔽的比例50%。gydF4y2Ba
梅的混淆矩阵(gydF4y2Ba图9gydF4y2Ba)和(gydF4y2Ba图9 bgydF4y2Ba)测试集显示两个几乎完全区分图像。然而,美模型分类B图像更频繁。之间的误分类B, C, D与美和维特也是不可避免的。然而,美是更好的区分D图像。相应地,维特僵死的图像从C和D超过美。这些明显的歧视错误的主要原因可能是在数据本身存在着细微的差别。此外,有许多相似之处的亮度和颜色山核桃坚果内核从相邻图像的实验。此外,内核中的个体差异也不可避免地影响结果。导致图像数据中的一些缺陷,因此,差异不是绝对的和完整的农业,是可以理解的。gydF4y2Ba
图9gydF4y2Ba。混淆矩阵的美,维特,DEEPMAE测试数据集。每个类别的测试集包含300张图片。预测的数量显示在列和行真正的标签的数量。gydF4y2Ba(一)gydF4y2Ba梅的混淆矩阵。gydF4y2Ba(B)gydF4y2Ba维特的混淆矩阵。gydF4y2Ba(C)gydF4y2BaDEEPMAE的混淆矩阵。gydF4y2Ba
根据DEEPMAE的测试集上的混淆矩阵(gydF4y2Ba图9 cgydF4y2Ba),一个图像被正确分类。它也有三个以上模型的误分类的最低水平。也最明显的是显著增强DEEPMAE C和D图像的歧视。这是由于DEEPMAE的三个模型是最善于区分C和D图像。从结果,DEEPMAE一样好美在识别D,维生素B在识别和略优于A和c支柱模型相比DEEPMAE学习更多的重要特点。gydF4y2Ba
梅的具体成果,维特和DEEPMAE定量测试集进行比较,客观地评价他们的表现没有偏见(gydF4y2Ba表6gydF4y2Ba)。美pre-trained模型包含编码器和解码器~ 140 M参数。同时,美推理过程相同数量的模型参数作为维特,114.767米,DEEPMAE,也包含编码器和译码器的过程,只有35%的美和43%的维特的参数。的mac (Multiply-Accumulate操作)DEEPMAE只有三分之一的维特。在测试集的准确性方面,DEEPMAE达到96.4%,高于美和维特2.6和1.6%,分别。此外,DEEPMAE表现美和维特的平均精度,还记得,特异性和F1的分数。gydF4y2Ba
表6gydF4y2Ba。三种模式的评价。gydF4y2Ba
3.4。由DEEPMAE功能学到了什么gydF4y2Ba
由于“黑盒”问题的深度学习模型,本文模型提取的特性是否匹配图像外观的变化。我们引入一个聚合算法图像。根据该算法,本文对l值执行相应的聚合操作和b值的原始图像,证明这两个值是关键影响因素模型的微分内核的图像。gydF4y2Ba
单独的β聚合函数指定为每个实验l值和b值,例如,与l值图像是47岁的β和其他实验β相对应gydF4y2Ba图5gydF4y2Ba。增强图像的色度变化是一样的gydF4y2Ba图5gydF4y2Ba。gydF4y2Ba
图像增强后,L-values的四个实验变得更聚合和区分(gydF4y2Ba图10gydF4y2Ba,gydF4y2BaCgydF4y2Ba)。此外,L-values增强B和C的图像比原图像更明显。同时,增强图像的b值更多的聚合(gydF4y2Ba10 b的数据gydF4y2Ba,gydF4y2BaDgydF4y2Ba)。而统计分布gydF4y2Ba图5gydF4y2Ba聚合的图像处理算法,明显不同于以前的更重要的差异化的亮度和颜色。gydF4y2Ba
图10gydF4y2Ba。聚合后L-values和b值分布的图像。gydF4y2Ba(一)gydF4y2BaL-values AL *后分布。gydF4y2Ba(B)gydF4y2BaAb *后b值分布。gydF4y2Ba(C)gydF4y2BaL-values AL b * *后分布。gydF4y2Ba(D)gydF4y2Bab值分布在AL b * *。gydF4y2Ba
我们训练有素的DEEPMAE聚合上的原始数据集和测试数据集,Ab,铝青铜。尽管原始和聚合数据集之间的差异,DEEPMAE仍然注册的一些有效性测试数据集。L-values和b值的分布之间的关系gydF4y2Ba图5gydF4y2Ba混淆矩阵和分类结果是明显的,例如,重叠的区域分布导致性能降低AL, Ab,铝青铜的数据集。这表明L-values D的范围比在小得多gydF4y2Ba图5一个gydF4y2Ba很大程度上,导致图像的D并被错误地归类为相邻C B值的范围B, C, C和D是密切联系的,这表明gydF4y2Ba图11gydF4y2Ba被误诊为B和d .调整后的l值或B值图像,DEEPMAE的结果显示了一个强大的数据分布和分类效果之间的关系,表明l值或B值特征带来了巨大的DEEPMAE分类过程的重要性。这些值似乎DEEPMAE所学到的主要特征来区分核桃,如外表的亮度和颜色。的热图DEEPMAE也证实了这个结论(学习的特性gydF4y2Ba图12gydF4y2Ba)。gydF4y2Ba
图11gydF4y2Ba。的混淆矩阵DEEPMAE基地*,Ab *, * b *测试数据集。gydF4y2Ba(一)gydF4y2Ba艾尔*;gydF4y2Ba(B)gydF4y2BaAb *;gydF4y2Ba(C)gydF4y2BaAL b * *。gydF4y2Ba
图12gydF4y2Ba。的热图DEEPMAE学习的特性。gydF4y2Ba
4所示。结论gydF4y2Ba
本研究探讨了生理质量和外观的变化之间的联系山核桃坚果内核。它使用山核桃坚果氧化为出发点,通过文献和实验验证氧化山核桃坚果在存储期间的变化导致内核的亮度和颜色的变化。本文的目的是使用深度学习模型优化区分坚果与不同程度的氧化和酸败。DEEPMAE模型,较轻的深度学习模型基于MAE,旨在了解更多关键特点来帮助区分不同程度的氧化在山核桃坚果。特别是,坚果的抗氧化能力导致了轻微的褐变率的变化在存储。我们的DEEPMAE可以区分山核桃坚果中学到的基本特征的基础上。gydF4y2Ba
结果表明,DEEPMAE达到96.14%的精度验证组第一后100时代的培训还会增加。与深层DEEPMAE学习和更多的功能,它可以超过97%精度的验证和测试集第240期。此外,通过聚合信息从图像样本,我们已经证实DEEPMAE正是所学到的关键特性的亮度和颜色的内核。结论我们来自相同的生理实验山核桃坚果。此外,本文进行烧蚀实验证实其效率从三个主要改进点。此外,我们说明一些不同的拓扑DEEPMAE和cnn。相比之下,DEEPMAE显示更大的灵活性、有效性和可伸缩性比cnn。gydF4y2Ba
这项研究提供了一种准确、有效的方法来区分氧化酸败的程度山核桃坚果。在未来,我们将集中研究方法的适用性,长期山核桃坚果氧化过程,反思胡桃的其他生理表现。gydF4y2Ba
数据可用性声明gydF4y2Ba
原始数据支持了本文的结论将由作者提供,没有过度的预订。gydF4y2Ba
作者的贡献gydF4y2Ba
香港、DD和生理改变计划和设计实验。香港进行了实验。香港,DD,生理改变、ZL SC, LD分析数据并起草了手稿输入DD和生理改变。所有作者的文章和批准提交的版本。gydF4y2Ba
资金gydF4y2Ba
这项研究是由国家青年科学基金(42001354)、浙江省基本公共福利研究项目(LGN18C130003),全国大学生创新与创业培训项目(202010341067)、国家大学生创新与创业训练计划(202210341031)和浙江省教育部科研项目(Y202250121)。gydF4y2Ba
的利益冲突gydF4y2Ba
作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。gydF4y2Ba
出版商的注意gydF4y2Ba
本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。gydF4y2Ba
引用gydF4y2Ba
Alamprese C。葛,S。,Tugnolo,一个。,和C一个年代我raghi, E. (2021). Prediction of olive ripening degree combining image analysis and FT-NIR spectroscopy for virgin olive oil optimisation.食品控制gydF4y2Ba123:107755。doi: 10.1016 / j.foodcont.2020.107755gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
安东内利,一个。Cocchi, M。蚕豆,P。恰城对妇女实施,G。,Fr一个nchini, G. C., Manzini, D., et al. (2004). Automated evaluation of food colour by means of multivariate image analysis coupled to a wavelet-based classification algorithm.肛交。詹。学报gydF4y2Ba515年,3-13。doi: 10.1016 / j.aca.2004.01.005gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
阿什蒂亚尼,工程学系。M。,Javanmardi, S。,Jahanbanifard, M., Martynenko, A., and Verbeek, F. J. (2021). Detection of mulberry ripeness stages using deep learning models.IEEE访问gydF4y2Ba9日,100380 - 100394。doi: 10.1109 / ACCESS.2021.3096550gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
伯纳德,r . C。,De地中海e我ro年代,一个。,d一个年代我lva, L., Cantoni, L., Martins, G. F., Mastrangelo, T., et al. (2022). Deep-learning approach for fusarium head blight detection in wheat seeds using low-cost imaging technology.农业gydF4y2Ba12:1801。doi: 10.3390 / agriculture12111801gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
Beyhan, O。,Ozcan, A., Ozcan, H., Kafkas, N., Kafkas, S., Sutyemez, M., et al. (2017). Fat, fatty acids and tocopherol content of several walnut genotypes.Notulae Botan。园艺Agrobot。任gydF4y2Ba45岁,437 - 441。doi: 10.15835 / nbha45210932gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
Bi, C。,Hu, N., Zou, Y., Zhang, S., Xu, S., and Yu, H. (2022). Development of deep learning methodology for maize seed variety recognition based on improved swin transformer.农学gydF4y2Ba12:1843。doi: 10.3390 / agronomy12081843gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
Bonifazi G。,C一个pobianco, G., Gasbarrone, R., and Serranti, S. (2021). Contaminant detection in pistachio nuts by different classification methods applied to short-wave infrared hyperspectral images.食品控制gydF4y2Ba130:108202。doi: 10.1016 / j.foodcont.2021.108202gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
Chatrabnous, N。Yazdani, N。,和V一个hdati, K. (2018). Determination of nutritional value and oxidative stability of fresh walnut.j .坚果gydF4y2Ba9日、11日至20日。doi: 10.22034 / jon.2018.540862gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
陈,L。,妈,Q。,Chen, Y., Wang, B., and Pei, D. (2014). Identification of major walnut cultivars grown in China based on nut phenotypes and SSR markers.科学。HorticgydF4y2Ba。168年,240 - 248。doi: 10.1016 / j.scienta.2014.02.004gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
陈,S。,D一个我,D。郑,J。康,H。王,D。,Zheng, X., et al. (2022a). Intelligent grading method for walnut kernels based on deep learning and physiological indicators.前面。减轻gydF4y2Ba。9:1075781。doi: 10.3389 / fnut.2022.1075781gydF4y2Ba
《公共医学图书馆摘要》gydF4y2Ba|gydF4y2BaCrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
陈,S。,D一个我,D。郑,J。郑,X。康,H。密苏里州,J。,et一个l。(2022b). Research on kernel grade classification of linanCarya cathayensisgydF4y2Basarg基于改进resnet152v2模型。gydF4y2Baj .中国谷物油协会gydF4y2Ba。38 - 17。gydF4y2Ba
科恩,j . (1960)。一个协议名义尺度系数。gydF4y2Ba建造。Psychol。测量gydF4y2Ba。20日,37-46。doi: 10.1177 / 001316446002000104gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
Dosovitskiy,。拜尔,L。,Kole年代n我kov, A., Weissenborn, D., Zhai, X., Unterthiner, T., et al. (2020). An image is worth 16x16 words: transformers for image recognition at scale.arXiv预印本。arXiv: 2010.11929gydF4y2Ba。doi: 10.48550 / arXiv.2010.11929gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
Ercisli, S。,年代一个y我nc我,B., Kara, M., Yildiz, C., and Ozturk, I. (2012). Determination of size and shape features of walnut (胡桃regiagydF4y2Bal。)品种使用图像处理。gydF4y2Ba科学。HorticgydF4y2Ba。133年,47-55。doi: 10.1016 / j.scienta.2011.10.014gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
Fernandez-Vazquez, R。Stinco, c . M。,Meléndez-Martínez, A. J., Heredia, F. J., and Vicario, I. M. (2011). Visual and instrumental evaluation of orange juice color: a consumers' preference study.j .参议员螺柱gydF4y2Ba。26日,436 - 444。doi: 10.1111 / j.1745 - 459 x.2011.00360.xgydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
Garillos-Manliguez, c。,和Chiang, J. Y. (2021). Multimodal deep learning and visible-light and hyperspectral imaging for fruit maturity estimation.传感器gydF4y2Ba21:1288。doi: 10.3390 / s21041288gydF4y2Ba
《公共医学图书馆摘要》gydF4y2Ba|gydF4y2BaCrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
吉兰多,。,C一个lvini, R., Orlandi, G., Ulrici, A., Geobaldo, F., and Savorani, F. (2018). Development of an automated method for the identification of defective hazelnuts based on rgb image analysis and colourgrams.食品控制gydF4y2Ba94年,233 - 240。doi: 10.1016 / j.foodcont.2018.07.018gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
Glorot X。,和Bengio, Y. (2010). “Understanding the difficulty of training deep feedforward neural networks,” in《十三人工智能国际会议上和统计gydF4y2Ba,249 - 256。gydF4y2Ba
郭,J。,汉族,K。,Wu, H., Tang, Y., Chen, X., Wang, Y., et al. (2022). “CMT: convolutional neural networks meet vision transformers,” in《IEEE / CVF计算机视觉与模式识别会议gydF4y2Ba(洛杉矶新奥尔良),12175 - 12185。doi: 10.1109 / CVPR52688.2022.01186gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
汉族,K。,Wang, Y., Chen, H., Chen, X., Guo, J., Liu, Z., et al. (2020). A survey on visual transformer.arXiv预印本。arXiv: 2012.12556gydF4y2Ba。doi: 10.48550 / arXiv.2012.12556gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
他,K。,Chen, X., Xie, S., Li, Y., Dollár, P., and Girshick, R. (2022). “Masked autoencoders are scalable vision learners,” in《IEEE / CVF计算机视觉与模式识别会议gydF4y2Ba(洛杉矶新奥尔良),16000 - 16009。doi: 10.1109 / CVPR52688.2022.01553gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
他,K。,Zhang, X., Ren, S., and Sun, J. (2015). “Delving deep into rectifiers: surpassing human-level performance on imagenet classification,” in《IEEE计算机视觉国际会议gydF4y2Ba(圣地亚哥),1026 - 1034。doi: 10.1109 / ICCV.2015.123gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
霍华德。,年代一个ndler,M。,Chu, G., Chen, L.-C., Chen, B., Tan, M., et al. (2019). “Searching for mobilenetv3,” in《IEEE / CVF计算机视觉国际会议gydF4y2Ba(首尔),1314 - 1324。doi: 10.1109 / ICCV.2019.00140gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
黄,C。李,Y。,Wang, K., Xi, J., Xu, Y., Si, X., et al. (2022). Analysis of lipidomics profile ofCarya cathayensisgydF4y2Ba坚果和脂质在胚胎发育的动态变化。gydF4y2Ba食品化学gydF4y2Ba。370:130975。doi: 10.1016 / j.foodchem.2021.130975gydF4y2Ba
《公共医学图书馆摘要》gydF4y2Ba|gydF4y2BaCrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
Iandola f . N。,汉族,年代。,Moskewicz, M. W., Ashraf, K., Dally, W. J., and Keutzer, K. (2016). Squeezenet: Alexnet-level accuracy with 50x fewer parameters and < 0.5 mb model size.arXiv预印本。arXiv: 1602.07360gydF4y2Ba。doi: 10.48550 / arXiv.1602.07360gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
约飞,S。,和年代zegedy, C. (2015). “Batch normalization: accelerating deep network training by reducing internal covariate shift,” in国际会议上机器学习gydF4y2Ba(里尔),448 - 456。gydF4y2Ba
《公共医学图书馆摘要》gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
Javanmardi, S。,阿什蒂亚尼,工程学系。M。,Verbeek, F. J., and Martynenko, A. (2021). Computer-vision classification of corn seed varieties using deep convolutional neural network.j .的。促使Res。gydF4y2Ba。92:101800。doi: 10.1016 / j.jspr.2021.101800gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
江,L。,Xiao, H., Xu, H., and Zhang, W. (2012). Research progress in oxidative rancidity of walnut and delay measures.食品科学gydF4y2Ba。33岁,272 - 276。doi: 10.7506 / spkx1002 - 6630 - 201203057gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
Krizhevsky,。,年代ut年代kever, I., and Hinton, G. E. (2017). Imagenet classification with deep convolutional neural networks.Commun。ACMgydF4y2Ba84 - 90。doi: 10.1145 / 3065386gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
Kubow,美国(1992年)。路线的形成和有毒食品中脂质氧化产品的后果。gydF4y2Ba自由·拉迪奇。医学杂志。地中海gydF4y2Ba。12日,63 - 81。0891 - 5849 . doi: 10.1016 / (92) 90059 - pgydF4y2Ba
《公共医学图书馆摘要》gydF4y2Ba|gydF4y2BaCrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
库尔特,c (2018)。油含量和脂肪酸组成的变化来自不同来源的芝麻登记入册。gydF4y2Ba它含有或氢化gydF4y2Ba69:e241。doi: 10.3989 / gya.0997171gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
Labatut, V。,和Cherifi, H. (2012). Accuracy measures for the comparison of classifiers.arXiv预印本。arXiv: 1207.3790gydF4y2Ba。doi: 10.48550 / arXiv.1207.3790gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
LeCun (Y。,Bengio, Y., and Hinton, G. (2015). Deep learning.自然gydF4y2Ba521年,436 - 444。doi: 10.1038 / nature14539gydF4y2Ba
《公共医学图书馆摘要》gydF4y2Ba|gydF4y2BaCrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
李,J。,Xia, X., Li, W., Li, H., Wang, X., Xiao, X., et al. (2022). Next-VIT: next generation vision transformer for efficient deployment in realistic industrial scenarios.arXiv预印本。arXiv: 2207.05501gydF4y2Ba。doi: 10.48550 / arXiv.2207.05501gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
李,J。,Zhao, H., Zhu, S., Huang, H., Miao, Y., and Jiang, Z. (2021). An improved lightweight network architecture for identifying tobacco leaf maturity based on deep learning.j .智能。模糊系统gydF4y2Ba。1 - 10。doi: 10.3233 /出售jif - 210640gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
李X。,Chen, X., Yang, J., and Li, S. (2022). Transformer helps identify kiwifruit diseases in complex natural environments.第一版。电子。阿格利司gydF4y2Ba。200:107258。doi: 10.1016 / j.compag.2022.107258gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
李明,X。,和Yanchao, Z. (2010). Automated strawberry grading system based on image processing.第一版。电子。阿格利司gydF4y2Ba。71年,S32-S39。doi: 10.1016 / j.compag.2009.09.013gydF4y2Ba
《公共医学图书馆摘要》gydF4y2Ba|gydF4y2BaCrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
刘,Z。,Mao, H., Wu, C. Y., Feichtenhofer, C., Darrell, T., and Xie, S. (2022). “A convnet for the 2020s,” in《IEEE / CVF计算机视觉与模式识别会议gydF4y2Ba,11976 - 11986。doi: 10.1109 / CVPR52688.2022.01167gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
Lopez-Uriarte, P。Bullo, M。,C一个年代一个年代- - - - - -一个gu年代tench, P., Babio, N., and Salas-Salvadó, J. (2009). Nuts and oxidation: a systematic review.减轻。牧师gydF4y2Ba。67年,497 - 508。doi: 10.1111 / j.1753-4887.2009.00223.xgydF4y2Ba
《公共医学图书馆摘要》gydF4y2Ba|gydF4y2BaCrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
Loshchilov,我。,和Hutter, F. (2017). Decoupled weight decay regularization.arXiv预印本。arXiv: 1711.05101gydF4y2Ba。doi: 10.48550 / arXiv.1711.05101gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
陆,。,Guo, R., Ma, Q., Ma, L., Cao, Y., and Liu, J. (2022). Online sorting of drilled lotus seeds using deep learning.Biosyst。英格gydF4y2Ba。221年,118 - 137。doi: 10.1016 / j.biosystemseng.2022.06.015gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
Mukasa, P。,Wakholi, C., Faqeerzada, M. A., Amanah, H. Z., Kim, H., Joshi, R., et al. (2022). Nondestructive discrimination of seedless from seeded watermelon seeds by using multivariate and deep learning image analysis.第一版。电子。阿格利司gydF4y2Ba。194:106799。doi: 10.1016 / j.compag.2022.106799gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
Narayanankutty,。伊拉姆砂砾层,s P。,和R一个ghavamenon, A. C. (2018). Health impacts of different edible oils prepared from coconut (椰子gydF4y2Ba):一个全面的评估。gydF4y2Ba食品科学发展趋势。抛光工艺gydF4y2Ba。80年,1 - 7。doi: 10.1016 / j.tifs.2018.07.025gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
Nasiri, A。,T一个heri-Garavand, A., and Zhang, Y.-D. (2019). Image-based deep learning automated sorting of date fruit.Postharv。医学杂志。抛光工艺gydF4y2Ba。153年,133 - 141。doi: 10.1016 / j.postharvbio.2019.04.003gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
Orlandi G。,C一个lvini, R., Foca, G., and Ulrici, A. (2018). Automated quantification of defective maize kernels by means of multivariate image analysis.食品控制gydF4y2Ba85年,259 - 268。doi: 10.1016 / j.foodcont.2017.10.008gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
奥尔蒂斯,c . M。,V我cente,一个。R。,F我elds, R. P., Grilo, F., Labavitch, J. M., Donis-Gonzalez, I., et al. (2019). Walnut (胡桃regiagydF4y2Bal。)内核采后恶化影响薄膜完整性、品种和氧浓度。gydF4y2BaPostharv。医学杂志。抛光工艺gydF4y2Ba。156:110948。doi: 10.1016 / j.postharvbio.2019.110948gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
庞,L。,Wang, J., Lu, X., Zheng, J., Cheng, J., Zhang, Y., et al. (2019). Detection models of aging index of walnutcarya cathayensis sarg based on electronic nose technology.下巴。j .参议员ActuatgydF4y2Ba。32岁,1303 - 1307。gydF4y2Ba
庞,L。,Wang, J., Wang, Y., Wu, C., and He, Z. (2011). Discrimination of aging time of walnut (Carya cathayensis sarggydF4y2Ba)电子鼻子。gydF4y2Ba下巴。j .参议员ActuatgydF4y2Ba。24岁,928 - 933。gydF4y2Ba
Reedha, R。,Der我cquebourg, E., Canals, R., and Hafiane, A. (2022). Transformer neural network for weed and crop classification of high resolution UAV images.遥感gydF4y2Ba14:592。doi: 10.3390 / rs14030592gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
Rodriuez-Pulido f·J。戈迪略,B。,Heredia, F. J., and González-Miret, M. L. (2021). Cielab-spectral image matching: an app for merging colorimetric and spectral images for grapes and derivatives.食品控制gydF4y2Ba125:108038。doi: 10.1016 / j.foodcont.2021.108038gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
Saranya, N。,年代r我n我vasan, K., and Kumar, S. (2022). Banana ripeness stage identification: a deep learning approach.j .环境智能。人类。第一版gydF4y2Ba。13日,4033 - 4039。doi: 10.1007 / s12652 - 021 - 03267 - wgydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
Shamsabadi, a S。,哦,C。,和C一个vallaro, A. (2020). “EdgeFool: an adversarial image enhancement filter,” inICASSP 2020 - 2020年IEEE国际会议音响、演讲和信号处理(ICASSP)gydF4y2Ba(巴塞罗那),1898 - 1902。doi: 10.1109 / ICASSP40776.2020.9054368gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
酋长,H。,和Bovik, A. (2004). “Image information and visual quality,” inIEEE国际会议音响、演讲和信号处理、卷。3gydF4y2Ba蒙特利尔(QC), 3 - 709。doi: 10.1109 / ICASSP.2004.1326643gydF4y2Ba
《公共医学图书馆摘要》gydF4y2Ba|gydF4y2BaCrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
Simonyan, K。,和Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition.arXiv预印本。arXiv: 1409.1556gydF4y2Ba。doi: 10.48550 / arXiv.1409.1556gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
Solak, S。,和一个lt我n我şik, U. (2018). A new method for classifying nuts using image processing and k-means++ clustering.j .食物的过程中gydF4y2Ba。41:e12859。doi: 10.1111 / jfpe.12859gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
苏,Z。,Zhang, C., Yan, T., Zhu, J., Zeng, Y., Lu, X., et al. (2021). Application of hyperspectral imaging for maturity and soluble solids content determination of strawberry with deep learning approaches.前面。植物科学gydF4y2Ba。2021:1897。doi: 10.3389 / fpls.2021.736334gydF4y2Ba
《公共医学图书馆摘要》gydF4y2Ba|gydF4y2BaCrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
棕褐色,M。,和le问V,E. (2020). Rethinking model scaling for convolutional neural networks.arXiv预印本。arXiv: 1905.11946gydF4y2Ba。doi: 10.48550 / arXiv.1905.11946gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
瓦尔德,l (2000)。“质量的高分辨率合成图片:有一个简单的标准吗?,“在gydF4y2Ba地球的第三次会议融合数据:合并点测量,栅格地图和遥感图像gydF4y2Ba(Sophia Antipolis), 99 - 103。gydF4y2Ba
王,Z。,年代我米oncell我,E., and Bovik, A. (2003). “Multiscale structural similarity for image quality assessment,” inThrity-Seventh艾斯洛玛尔会议信号系统gydF4y2Ba&gydF4y2Ba电脑,2003年,卷。2gydF4y2Ba(太平洋格罗夫,CA), 1398 - 1402。doi: 10.1109 / ACSSC.2003.1292216gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
肖,T。,年代我ngh, M., Mintun, E., Darrell, T., Dollár, P., and Girshick, R. (2021). Early convolutions help transformers see better.放置神经通知。的过程。系统gydF4y2Ba。34岁,30392 - 30400。doi: 10.48550 / arXiv.2106.14881gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
杨,X。,Jia, X., Xu, M., Mo, Z., Jia, Z., Lou, W., et al. (2022). Study on the physiological mechanism of postharvest seed coat browning of pecan.j .水果ScigydF4y2Ba。39岁,1701 - 1709。doi: 10.13925 / j.cnki.gsxb.20220077gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
元,K。,Guo, S., Liu, Z., Zhou, A., Yu, F., and Wu, W. (2021). “Incorporating convolution designs into visual transformers,” in《IEEE / CVF计算机视觉国际会议gydF4y2Ba蒙特利尔(QC), 559 - 568。doi: 10.1109 / ICCV48922.2021.00062gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
张,L。贾,J。Gui, G。,,X。,高,W。,和Wang, M. (2018). Deep learning based improved classification system for designing tomato harvesting robot.IEEE访问gydF4y2Ba6,67940 - 67950。doi: 10.1109 / ACCESS.2018.2879324gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
张,S。,张,S。,Zhang, C., Wang, X., and Shi, Y. (2019). Cucumber leaf disease identification with global pooling dilated convolutional neural network.第一版。电子。阿格利司gydF4y2Ba。162年,422 - 430。doi: 10.1016 / j.compag.2019.03.012gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
Zhenggang X。Zhiru C。,Haoran, Y., Chaoyang, L., Zhao, Y., Deyi, Y., et al. (2021). The physicochemical properties and fatty acid composition of two new woody oil resources: camellia hainanica seed oil and camellia sinensis seed oil.CyTA-J。食物gydF4y2Ba19日,208 - 211。doi: 10.1080 / 19476337.2021.1879936gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
周,D。,K一个ng,B., Jin, X., Yang, L., Lian, X., Jiang, Z., et al. (2021). Deepvit: towards deeper vision transformer.arXiv预印本。arXiv: 2103.11886gydF4y2Ba。doi: 10.48550 / arXiv.2103.11886gydF4y2Ba
《公共医学图书馆摘要》gydF4y2Ba|gydF4y2BaCrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
周,L。,l我u,H., Bae, J., He, J., Samaras, D., and Prasanna, P. (2022). Self pre-training with masked autoencoders for medical image analysis.arXiv预印本。arXiv: 2203.05573gydF4y2Ba。doi: 10.48550 / arXiv.2203.05573gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
关键词:gydF4y2Ba山核桃坚果、氧化水平,图像分类,蒙面autoencoders,视觉变压器,self-supervised,监督gydF4y2Ba
引用:gydF4y2Ba梁戴Kang H, D,郑J, Z,陈和丁胡桃的L(2023)识别不同氧化水平通过整合self-supervised和监督学习。gydF4y2Ba前面。维持。食品系统。gydF4y2Ba7:1144998。doi: 10.3389 / fsufs.2023.1144998gydF4y2Ba
收到:gydF4y2Ba2023年1月15日;gydF4y2Ba接受:gydF4y2Ba2023年2月14日;gydF4y2Ba
发表:gydF4y2Ba08年3月2023年。gydF4y2Ba
编辑:gydF4y2Ba
朱张gydF4y2Ba湖州大学,中国gydF4y2Ba审核:gydF4y2Ba
Seyed-Hassan Miraei阿什蒂亚尼gydF4y2Ba菲尔多斯大学马什哈德,伊朗gydF4y2BaSoumyajit MandalgydF4y2Ba美国布鲁克海文国家实验室(DOE)gydF4y2Ba
版权gydF4y2Ba©2023康,戴、郑、梁、陈、叮。这是一个开放分布式根据文章gydF4y2Ba知识共享归属许可(CC)gydF4y2Ba。使用、分发或复制在其他论坛是允许的,提供了原始作者(年代)和著作权人(s)认为,最初发表在这个期刊引用,按照公认的学术实践。没有使用、分发或复制是不符合这些条件的允许。gydF4y2Ba
*通信:gydF4y2Ba丹•戴gydF4y2Baboatdriver@163.comgydF4y2Ba;剑郑,gydF4y2Ba403671419 @qq.comgydF4y2Ba