SGNet: Rete Leggera a Gruppi Spettrali per la Classificazione della Freschezza del Pesce tramite Iperspettro

Un nuovo framework di deep learning leggero chiamato SGNet (Spectral-Grouped Network) è stato sviluppato dai ricercatori per valutare la freschezza del pesce attraverso l'imaging iperspettrale (HSI). Questo approccio innovativo affronta problemi significativi nei dati HSI, come la predominanza delle informazioni spettrali rispetto alle texture spaziali, la struttura delle etichette ordinali e la scarsità di campioni di addestramento. SGNet impiega convoluzioni raggruppate e un percorso spaziale depthwise per differenziare l'estrazione delle caratteristiche spettrali e spaziali, ulteriormente migliorato da un meccanismo di doppia attenzione che integra squeeze-and-excitation a livello di canale con gating spaziale. Valutato su un nuovo dataset di filetti di salmone conservati in frigorifero per 16 giorni, SGNet ha raggiunto una notevole accuratezza del 97,8% e un errore assoluto medio (MAE) di 0,64 giorni, utilizzando solo 4,75 milioni di parametri. I risultati sono pubblicati in un articolo su arXiv (arXiv:2608.12227) e suggeriscono un potenziale per valutazioni di freschezza in tempo reale e non distruttive nel settore ittico, minimizzando gli sprechi e migliorando la qualità.