📌 第 1 个月：打基础
- 阅读 20–30 篇相关文献（高光谱成像、多模态融合、农产品检测）。
- 确定研究问题 + 主场景（例如核桃/胡桃氧化检测）。
- 拟定研究假设：为什么你的方法能比现有方法更好。
👉 产出：文献综述笔记 + 研究问题清单。
📌 第 2 个月：方法设计与初步实验
- 设计方法框架（模型结构图、流程图）。
- 搭建初步实验平台（小数据集，先跑通）。
- 选择对比基线模型（CNN、VIT、MAE）。
👉 产出：方法原型 + 图 1（系统结构示意图）。
📌 第 3–4 个月：主场景实验（做深）
- 数据采集：收集大规模样本（不同氧化时间/条件）。
- 实验设计：测量 POV、AV、颜色等指标。
- 模型训练：完整跑通主场景实验，输出分类准确率、曲线图。
- 数据分析：用统计学验证结果显著性。
👉 产出：图 3–6（主场景结果） + 实验数据表格。
📌 第 5 个月：副场景扩展（做广）
- 医学小实验（血氧检测/组织样本）。
- 工业小实验（苹果碰伤/纺织品缺陷）。
- 其他应用（环境或天文）可选 1–2 个轻量实验。
👉 产出：图 7–9（副场景结果）。
📌 第 6 个月：写作与收尾
- 撰写论文（IMRaD 结构）：
- 引言（3 段式逻辑）
- 方法（图 1–2）
- 结果（主场景 + 副场景）
- 讨论（意义 + 展望）
- 图表说明（Caption：这张图告诉了什么科学信息）。
- 内部审稿（导师/同学反馈）。
- 根据反馈修改，准备投稿。
👉 产出：完整论文初稿 + 投稿版本。
📌 论文写作每周任务清单（24 周）
第 1 个月（Week 1–4） → 打基础
- Week 1：搜集核心文献 10 篇，整理高光谱成像的研究现状。
- Week 2：再看 10–15 篇论文，重点是“方法类（模型/传感器）”。
- Week 3：总结现有方法的不足，写 1 页研究问题草稿。
- Week 4：和导师/同学讨论研究问题，确定「主场景」应用。
👉 目标：形成 研究问题清单 + 主场景选择。
第 2 个月（Week 5–8） → 方法设计与初步实验
- Week 5：画出方法框架图（流程图/模型结构）。
- Week 6：搭建初步实验平台，用小数据集跑通。
- Week 7：确定对比基线（CNN/VIT/MAE）。
- Week 8：生成图 1–2（系统结构示意图 + 初步性能曲线）。
👉 目标：完成 方法原型。
第 3–4 个月（Week 9–16） → 主场景实验（做深）
- Week 9–10：采集数据，保证样本量充足（不同氧化条件）。
- Week 11–12：做理化指标实验（POV、AV、颜色）。
- Week 13–14：训练模型，跑主场景实验。
- Week 15–16：数据分析 + 绘图（分类准确率、对比曲线）。
👉 目标：产出 图 3–6 + 主场景实验数据表格。
第 5 个月（Week 17–20） → 副场景扩展（做广）
- Week 17：医学场景小实验（血氧/组织）。
- Week 18：工业场景小实验（苹果碰伤/纺织品）。
- Week 19：环境/天文小实验（可选，轻量化验证）。
- Week 20：整理副场景结果，生成图 7–9。
👉 目标：产出 副场景图表。
第 6 个月（Week 21–24） → 写作与收尾
- Week 21：撰写引言（3 段逻辑）。
- Week 22：撰写方法与结果部分。
- Week 23：撰写讨论部分（意义 + 展望）。
- Week 24：内部审稿，修改，准备投稿。
👉 目标：完成 论文初稿 + 投稿版本。
🎯 这样安排的好处：
- 每周任务明确，不会迷茫。
- 保证前期深度（主场景），中期广度（副场景），后期质量（写作）。
- 即使中间某个实验不顺，也能在周任务框架下调整节奏。
