一种基于深度学习模型的不完善大豆高光谱成像分类方法

本发明提出了一种基于深度学习的不完善大豆高光谱成像分类方法，通过融合光谱与图像特征实现高效精准分类。利用高光谱成像系统采集光谱及图像数据；通过预处理方法提升数据质量；构建双通道特征融合模型，结合注意力机制强化关键特征提取。该方法在可见光‑近红外和短波红外波段分别达到95.13％和94.00％的分类精度，较传统支持向量机和卷积神经网络方法提升显著。模型通过深度学习网络深度挖掘光谱图像特征，解析其与大豆品质的关联，增强模型鲁棒性和泛化能力。本方法具备高精度、快速检测及强适应性等特点，适用于不同品种和大规模检测场景，为农产品质量监控、自动化分选及农业科研提供高效解决方案。