《Expert Systems with Applications》：TGFS-Net: Texture-guided frequency-spatial attention network for hyperspectral reconstruction of anisotropic wood
编辑推荐：
木材非破坏性检测中，hyperspectral成像需克服各向异性和复杂纹理带来的重建难题。本文提出TGFS-Net模型，通过双金字塔自适应融合网络和空频协同注意力机制，在WoodSpeac85和CAVE数据集上实现最优精度（MRAE 0.0231，RMSE 0.0198），ΔE00低至1.6921，有效提升木材检测色差精度与工业应用适配性。
Xuemei Guan|Yingli E|Pengyan Zhuang|Zijun Xia
中国哈尔滨东北林业大学计算机与控制工程学院，邮编150040
摘要
木材作为一种可持续资源，其应用范围日益广泛。然而，由于其固有的高度异质性，现有的无损检测技术往往效率低下，严重影响产品质量。高光谱成像技术在木材无损分析中展现出巨大潜力，因为它能够捕捉详细的光谱和空间信息。然而，现有的光谱重建方法在应用于木材时表现不佳，因为材料的各向异性和复杂的纹理会降低重建的准确性和捕捉细节的能力。为了解决上述问题，本研究提出了基于纹理引导的频率-空间注意力网络（TGFS-Net）。TGFS-Net旨在实现木材表面的高分辨率、高精度光谱重建。该模型的核心采用了双金字塔自适应融合网络，并结合了自适应动态非局部补丁策略，同时融入了空间-频率协同特征学习机制，从而能够学习到语义完整性和纹理一致性。在WoodSpeac85数据集上的实验表明，TGFS-Net取得了最佳性能，其在干净子集上的平均相对误差（MRAE）为0.0231，均方根误差（RMSE）为0.0211，峰值信噪比（PSNR）为33.52 dB，显著优于所有竞争方法。在实际的RGB输入数据上，TGFS-Net的MRAE达到了0.0336，ΔE00为1.6921，满足了高精度颜色再现的工业要求。该模型在CAVE数据集上的评估结果显示，其RMSE最低（0.0198），MRAE（0.1531）和ΔE00（1.6265）也具有竞争力。此外，TGFS-Net还进行了基于颜色差异检测的下游评估实验，证明了其作为传统高光谱成像的低成本替代方案的可行性。
章节片段
信息
木材作为建筑、家具制造和艺术创作中的核心资源，其商业价值和应用安全性在很大程度上取决于加工过程中的质量控制。在众多评估指标中，颜色不仅是决定产品美观属性的主要因素，也是木材内部物理化学状态的直接反映（Yang等人，2024年）。因此，颜色变化检测已从单纯用于……的工具发展成为……
数据集构建
由于各向异性材料和多尺度纹理变化的存在，准确重建高光谱图像仍然具有挑战性。现有的在自然场景上训练的重建模型往往无法捕捉这些复杂特征。为了解决这一难题，我们构建了专门用于真实木材表面高光谱重建的WoodSpeac85数据集。数据采集过程如图1所示，其中包含了关于树种来源的详细信息
数据集和实现细节
为了评估和验证我们的模型，我们使用了自建的HSI数据集以及公开可用的HSI数据集。木材数据集的收集及其具体细节在2.1小节中有详细描述。WoodSpeac85数据集被划分为训练集（75张图像）、验证集（5张图像）和测试集（5张图像），比例为15:1:1。为了进一步增加训练样本的数量，我们对训练样本应用了数据增强技术，包括随机裁剪等手段
总结与讨论
为了满足木材加工行业的精确参数需求并避免色变现象，我们提出了一种高精度的木材高光谱图像重建方案。首先，我们构建了HIS-RGB木材数据集，并引入了TGFS-Net模型，该模型能够更有效地捕捉木材独特的纹理-光谱相关性。与现有的最先进方法相比，TGFS-Net在真实数据集上的MRAE降低了0.0336，降幅约为19.42%
CRediT作者贡献声明
我们声明本手稿是原创的，之前未发表过，目前也没有在其他地方被考虑发表。我们确认所有署名的作者都已阅读并批准了该手稿，且没有其他符合作者资格但未列出的人员。我们进一步确认手稿中作者的顺序得到了所有作者的认可。我们理解通讯作者是唯一的联系人
利益冲突声明
作者声明他们没有已知的可能会影响本文研究工作的财务利益或个人关系。
