用于牛油果成熟度检测的少样本学习：一种基于 Transformer 的 NIR 方法

本研究探讨了利用少样本学习（FSL）改进预训练 Transformer 模型，以使用便携式低成本扫描仪的近红外（NIR）光谱数据对牛油果成熟度进行分类。其目标是允许现场用户利用少量的本地数据定制模型，在保持预测准确性的同时减少对集中式重新训练的依赖。研究利用 AS7265x 传感器的光谱扫描构建了一个数据集，为每个样本采集了 18 个波长。样本总体包括处于三个成熟度阶段（未熟、过熟和成熟）的 Buccaneer 牛油果样本。提取不同大小的子集进行模拟，以代表各种 k-shot 支持场景，覆盖每类总标注数据的 2% 至 50%。采用少样本 Transformer 架构在情景学习（episodic learning）条件下对样本进行分类。我们使用 5 折交叉验证（5-fold cross-validation），通过平均 F1-score、ROC AUC 和混淆矩阵评估了性能。研究结果表明，仅需每类 20% 的标注支持数据，模型的 F1-score 即可达到 80% 以上，证明了通过极少的样本扩展即可实现显著的性能提升。分类准确率持续提高，直至在 40–50% 的样本比例附近趋于平稳。本研究通过展示少样本自适应在便携式 NIR 扫描仪中用于本地化模型改进的有效应用，推进了嵌入式农业人工智能的发展。局限性包括在低样本场景下可能对类别不平衡和噪声敏感，因而需要稳健的采样和校准。