Domain-Aware Lightweight Spectral-Grouped Convolutions for Hyperspectral Fish Freshness Classification
Di cosa parla
Usano immagini iperspettrali — fotografie che catturano molte frequenze della luce — per valutare senza danneggiare la freschezza del pesce rilevando variazioni biochimiche. Per rispondere al fatto che in queste immagini conta più l'informazione spettrale che la texture, che le etichette di freschezza seguono un ordine e che gli esempi disponibili sono pochi, propongono SGNet: un modello leggero che separa l’analisi spettrale da quella spaziale e applica un meccanismo interno che mette in evidenza le caratteristiche più informative; il tutto è stato testato su un nuovo insieme di dati con filetti di salmone conservati in frigorifero per 16 giorni.
Cosa permette di osservare
Permette di esplorare se conviene progettare modelli su misura per immagini iperspettrali invece di usare soluzioni generiche, e se sia praticabile avere controlli di qualità non distruttivi e abbastanza snelli da funzionare in contesti industriali.
Dalla fonte
Hyperspectral imaging (HSI) offers nondestructive assessment of fish freshness by detecting biochemical alterations across spectral bands. However, conventional deep learning approaches do not fully address the particular characteristics of HSI data, such as spectral dominance over spatial textures, ordinal label structure, and a small number of training samples. We propose SGNet (Spectral-Grouped Network), a lightweight architecture that separates spectral and spatial feature extraction using grouped convolutions and a depthwise spatial pathway. A dual attention mechanism that couples channel-wise squeeze-and-excitation with spatial gating adaptively highlights informative features. SGNet achieves 97.8% classification accuracy and 0.64 days mean absolute error (MAE) with just 4.75M parameters when tested on our newly developed 16-day refrigerator-stored salmon fillet dataset. Ablation…