فیوژن داده های تصویر هیپراسپکترال و چندطیفی با یادگیری عمیق چند حسی برای تشخیص خودکار و دسته بندی پیشرفته ناهنجاری های زیستی و ساختاری در مواد غذایی با استفاده از شبکه های عصبی کانولوشنی چند شاخه ای و الگوریتم های توجه تطبیقی

در دهه اخیر هم افزایی فناوری های تصویربرداری ابرطیفی (HS) و چندطیفی (MSI) به عنوان سکوی نوین در کنترل کیفیت و پردازش چند مرحله ای مواد غذایی مطرح شده است. یکپارچه سازی چند مودالی داده ها و فیوژن چند بعدی در مقیاس های میکرو و ماکرو توان شناسایی و طبقه بندی پاتوژن ها، آنومالی های متابولومیک و مورفومتریک را به طور چشمگیری بهبود بخشیده است. بهره گیری از معماری های پیشرفته شبکه های عصبی چندشاخه Multi-branch CNN همراه با مکانیزم های توجه چندلایه موجب بازپیکربندی پویا و بهینه سازی وزن دهی هیبریدی داده ها، افزایش حساسیت مدل به ناهنجاری های پراکنده و ارتقای استخراج ویژگی های انتزاعی سطح بالا شده است. فرایند پیش پردازش شامل هم ترازی دقیق فضایی و حذف نویز تطبیقی، چند کاناله با تضمین همگنی و تقارن آماری داده ها، پایداری و همگرایی مدل های یادگیری عمیق را تقویت می کند. استفاده گسترده از داده کاوی و بهینه سازی چندهدفه در محیط های داده بزرگ امکان پیش بینی تطبیقی و تشخیص زودهنگام فساد و آلودگی را فراهم می سازد. ارزیابی ها نشان می دهد که این رویکرد با دستیابی به F۱-score بالای ۹۵ درصد و پردازش بلادرنگ تصاویر بسیار حجیم در خطوط تولید علاوه بر کاهش نیاز به نمونه برداری مخرب و بهینه سازی کاهش ضایعات موجب ارتقای ایمنی مصرف کننده نیز شده است. ادغام سامانه های مبتنی بر اینترنت اشیاء با الگوریتم های پیشرفته یادگیری ماشین بستر ایجاد سیستم های خودتنظیم کننده برای کنترل پویا و کاهش ریسک کیفی را مهیا ساخته و در پایش ایمنی طیف گسترده ای از محصولات پروتئینی، باغی و لبنی نتایج موفقی به همراه داشته است. در نهایت، تلفیق یادگیری چندحسی عمیق با داده های HSI و MSI پارادایم های نوینی در پایش ایمنی غذایی ایجاد کرده که با افزایش دقت توان پیش بینی و واکنش سریع مسیر انطباق با استانداردهای جهانی و بهینه سازی فرآیندهای تولید را هموار می سازد.

کلیدواژه ها:

یادگیری عمیق ، فیوژن داده ها ، تصویر هیپراسپکترال ، بینایی ماشین ، شبکه عصبی کانولوشنی ، توجه تطبیقی ، ناهنجاری های زیستی