What type of study is this?

This is a Literature Review study.

September 10, 2025Open Access

مراجعة لتطبيقات التعلم العميق لكشف المكونات الخاصة في المنتجات الزراعية

YZYifeng ZhaoWestlake University QXQi XieShenzhen Polytechnic

Key Points

Deep learning significantly improves detection of special components in agricultural products, enhancing food safety.
Evaluation of applications in contaminant surveillance and nutritional component quantification shows deep learning's transformative impact.
Analyzing hybrid architectures, like convolutional neural networks and sensor fusion strategies, demonstrates superior accuracy in detection.
Overcoming challenges related to model complexity and lack of standardized protocols is vital for effective application in agriculture.

Abstract

أدى التطور السريع للتعلم العميق (DL) إلى تحويل جذري في النموذج المستخدم لكشف المكونات الخاصة في المنتجات الزراعية، متناولًا التحديات الحرجة في سلامة الغذاء، والرقابة على الجودة، والزراعة الدقيقة. تقوم هذه المراجعة الشاملة بتحليل منهجي للعديد من الدراسات الرائدة لتقييم تطبيقات DL المتطورة عبر ثلاثة مجالات رئيسية: مراقبة الملوثات (المعادن الثقيلة، والمبيدات، والسموم الفطرية)، وقياس المكونات الغذائية (المواد الصلبة القابلة للذوبان، والبوليفينولات، والصبغات)، وتقييم الهيكل/المؤشرات الحيوية (أعراض الأمراض، وخصائص الجل، والسمات الفيزيولوجية). تُظهر الهياكل الهجينة الناشئة - بما في ذلك الشبكات العصبية التلافيفية المعززة بالاهتمام (CNNs) لتحديد المواقع الآفات، والأوتوودرات المقترنة بالموجات لمعادلة الطيف، وإطارات التعلم متعدد المهام للتنبؤ بالمعلمات المشتركة - دقة غير مسبوقة في فك شفرة المصفوفات الزراعية المعقدة. من الجدير بالذكر بشكل خاص استراتيجيات دمج المستشعرات التي تجمع بين التصوير الطيفي فائق الدقة (HSI)، ومطيافية رامان، واكتشاف الموجات الميكروية مع استخراج الميزات العميقة، محققة أداء مطابق للصناعة (RPD > 3.0) مع تقليل وقت الاكتشاف بنسبة 30–100× مقارنة بالطرق التقليدية. ومع ذلك، تعيق الحواجز المستمرة في الطبيعة

اسأل الذكاء الاصطناعي

Bookmark

View Full Paper