图像分割技术VS高光谱文献阅读
文章平均质量分 86
专栏将从算法开始,详细讲解算法,并将图像分割技术项目实施的细节记录下来,同时也会分享图像分割领域优秀论文。方便小白逐步成为科研生,专栏作为学习激励方式,将作为笔记的一种。(附有之前总结的高光谱论文)
优惠券已抵扣
余额抵扣
还需支付
¥69.90
¥99.00
购买须知?
本专栏为图文内容,最终完结不会低于15篇文章。
订阅专栏,享有专栏所有文章阅读权限。
本专栏为虚拟商品,基于网络商品和虚拟商品的性质和特征,专栏一经购买无正当理由不予退款,不支持升级,敬请谅解。
@@南风
这个作者很懒,什么都没留下…
展开
-
DS Transunet:用于医学图像分割的双Swin-Transformer U-Net
DS-TransUNet图像分割原创 2022-06-19 16:15:37 · 2120 阅读 · 0 评论 -
利用深度学习网络检测草莓灰霉病及其严重程度
灰霉病是由坏死营养真菌病原体(灰霉病菌)引起的一种致死性疾病,影响多种植物。这也是草莓的一种常见病害,限制了产量。因此,灰霉病的现场检测和量化是必不可少的。大多数深度卷积神经网络(CNN)都是基于网络的最高概率值来进行植物病害识别和分类的。然而,像素级分割可以量化植物中的疾病严重程度,这对于确定杀虫剂的剂量至关重要。疾病严重程度也是监测植物对特定疾病抗性的有用参数。因此,准确量化植物病害在农业中至关重要。在这种情况下,设计并测试了一个基于深度学习的语义分割模型来检测草莓植株灰霉病。为此,在每组10株草莓上接原创 2022-05-11 12:01:37 · 615 阅读 · 0 评论 -
基于语义分割的水稻作物和杂草分类
杂草是农田里不需要的植物,对农作物有有害影响。有时严重的杂草会显著降低作物产量,给农民造成巨大损失。控制杂草的普遍方法是使用化学除草剂。众所周知,这些除草剂会对我们的环境造成有害影响。控制除草剂不良影响的方法之一是遵循特定地点杂草管理(SSWM)。特定地点的杂草管理是在农田上使用适量的除草剂。本文研究了一种语义分割方法,对稻田中的两种杂草进行分类,即莎草和阔叶杂草。该算法采用了SegNet、PSPNet和UNet三种语义切分模型 水稻作物和两种杂草的分割。获得了准确率超过90%的有希望的结果。我们相信,这可原创 2022-05-02 13:33:20 · 994 阅读 · 0 评论 -
用于语义分割和自动估计病虫害叶片症状严重程度的深度学习体系结构
背景不均匀时,它们的性能较差。在这项研究中,六种卷积神经网络(CNN)结构被训练用于对单个叶片的图像进行语义分割,这些叶片表现出由害虫咖啡潜叶虫(CLM)和两种真菌疾病:大豆锈病(SBR)和小麦褐斑(WTS)引起的坏死病变和/或变黄。所有图像被手动标注为三类:叶背景(B)、健康叶(H)和受伤叶(I)。在测试图像集中,B类的精确度、召回率和联合交集(IoU)指标最高,其次是H类和I类,而不管是哪种体系结构。当像素级预测用于计算严重性百分比时,特征金字塔网络(FPN)、Unet和DeepLabv3+在架构中表现原创 2022-04-27 22:54:08 · 2187 阅读 · 0 评论 -
类特征注意机制融合Deeplabv3+语义分割
针对经典语义分割网络在高分辨率遥感图像语义分割中存在的边缘目标分割不准确、不同类型目标分割不一致、预测效率慢等问题,本文提出了一种融合改进的Deeplabv3+网络CFAMNet的分类特征注意机制,用于遥感图像中常见特征的语义分割。首先,利用类特征注意模块增强类间的相关性,更好地提取和处理不同类别的语义信息;其次,利用多并行无网格空间金字塔池化结构增强空间间的相关性,更好地提取图像不同尺度的上下文信息;最后,利用编码器-解码器结构对分割结果进行细化。在公共数据集高奋图像数据集(GID)上进行了实验,验证了所原创 2022-03-11 13:34:51 · 5338 阅读 · 0 评论 -
数据增强语义分割和作物杂草分类
卷积神经网络(CNN)等深度学习方法已成为解决农业机器人中作物和杂草分类问题的流行方法。然而,为了获得满意的性能并避免过拟合,训练深度神经网络通常需要数千幅标记图像。这导致了语义分割中繁琐的像素标记。在本文中,我们基于数据增强的最新发展,并进一步利用该概念对农作物和杂草进行语义分割和分类。具体而言,我们提出了一种新的数据增强框架,该框架基于随机图像裁剪与修补(random image crop and patch, RICAP)方法,该方法最初是为了增强数据而设计的,用于泛型图像分类。该框架对原始的RICA原创 2022-03-11 12:22:58 · 1024 阅读 · 0 评论 -
语义分割总结
语义分割的目标是根据语义信息对输入图像进行分割,并从给定的标签集中预测出每个像素的语义类别。随着现代生活的逐渐智能化,越来越多的应用需要从图像中推断出相关的语义信息进行后续处理,如增强现实、自动驾驶、视频监控等。本文综述了基于深度学习的语义分割技术的最新进展。由于语义分词需要大量的像素级标注,为了降低标注的细粒度要求和降低人工标注的经济和时间成本,本文对弱监督语义分词进行了研究。为了提高分割模型的泛化能力和鲁棒性,本文研究了语义分割中的领域自适应问题。在一些实际应用中,如自动驾驶和医学图像分析,通常会配备多原创 2022-03-11 11:23:55 · 4134 阅读 · 0 评论 -
基于标记不确定性和类别不平衡的语义分割在植被制图中的应用(soybean+FCN_segNet+newloss)
近年来,卷积神经网络(CNN)方法在语义分割任务中取得了显著的成功。然而,围绕样本的类别不平衡和人类像素标记的不确定性等挑战并没有完全解决。在这里,我们提出了一种方法,计算每个像素的权重,考虑其类别和不确定性在标记过程中。在训练阶段使用像素加权来增加或减少像素的重要性。对已知的CNN方法FCN和SegNet进行了实验验证;然而,这种策略可以应用于任何分割方法。对航拍图像中城市树木语义分割的实验结果进行了评价。利用极端不平衡条件下的陆地植被图像数据集评估了该方法的鲁棒性。与基线方法相比,我们在任务方面取得了显原创 2022-03-10 22:01:02 · 593 阅读 · 0 评论 -
TransUNet:Transformers医学图像分割强编码器
0、研究内容医学图像分割是医疗系统开发的必要前提,特别是疾病诊断和治疗规划。在各种医学图像分割任务中,U-Net结构已经成为事实上的标准,并取得了巨大的成功。然而,由于卷积操作固有的局部性,U-Net在显式地建模远程依赖关系方面通常存在局限性。用于序列到序列预测的transformer已经成为具有固有全局自注意机制的替代架构,但由于缺乏低层细节,可能导致定位能力有限。在本文中,我们提出TransUNet,它兼具transformer和U-Net的优点,作为一种强有力的医学图像分割替代方案。一方面,Tran原创 2022-03-07 19:31:03 · 2298 阅读 · 1 评论 -
基于深度学习和模糊逻辑的葡萄黑麻疹疾病自动检测与严重程度分析(受控背景)
研究内容葡萄黑麻疹可能是所有植物病害中最著名、研究时间最长、破坏性最大的一种,它最终会降低产品的生产率和质量。及时、有效、准确地评价葡萄黑麻疹病是田间管理的重要环节。本文提出了一种基于深度学习和模糊逻辑的葡萄黑麻疹疾病自动检测和严重程度分析方法。在第一阶段,我们将训练基于resnet50的最先进的DeepLabV3+语义分割模型,用于在真菌引起的病理病变的单个叶片图像中进行像素级预测。这样就得到了所提取的ROI和POI特征。其次,针对每个特征,建立基于模糊规则的疾病危害程度预测系统;此外,在模糊逻辑系统中原创 2022-02-27 01:29:29 · 454 阅读 · 0 评论 -
基于深度学习的咖啡叶病害识别和严重程度评估(源代码+数据集)
研究内容生物胁迫包括通过其他生物体对植物的损害。对害虫和病原体(病毒、真菌、细菌等)等生物制剂的有效控制与农业可持续性的概念密切相关。农业可持续性促进了新技术的发展,这些新技术可以减少对环境的影响,让农民更容易获得,从而提高生产力。将计算机视觉与深度学习方法结合使用可以及早和正确地识别引起压力的因素。因此,可以尽快采取纠正措施来缓解问题。这项工作的目的是设计一个有效且实用的系统,能够识别和估计生物制剂对咖啡叶造成的压力严重程度。所提出的方法由一个基于卷积神经网络的多任务系统组成。此外,我们还探索了使用数据原创 2022-02-25 22:58:22 · 1384 阅读 · 1 评论 -
一种结合实例和语义分割从田间图像中识别咖啡叶病虫害的深度学习方法
研究概况对影响咖啡作物的病虫害的自动诊断是咖啡农民面临的一个重要问题。传统的计算机视觉和模式识别方法在解决这类具有挑战性的问题上存在局限性。然而,在过去的几年里,人们对深度学习的兴趣越来越大,特别是从智能手机获取的植物现场图像中检测/识别生物胁迫,因为它们受光照变化、复杂的背景、图像噪声等影响。在这项工作中,我们提出了一个集成的框架,通过使用不同的卷积神经网络(CNN),从包含咖啡树部分的智能手机收集的现场图像中自动检测/识别病变。在第一阶段,我们使用一个Mask R-CNN网络进行实例分割;第二阶段采用原创 2022-02-24 21:25:29 · 979 阅读 · 0 评论 -
基于深度学习语义分割自动估算叶片病虫害严重程度(R语言项目)
研究内容颜色阈值数字成像方法通常能够准确地测量受病虫害影响的叶面积百分比(严重程度),但当场景光照和背景不均匀时,它们的性能就会很差。在本研究中,我们训练了6个卷积神经网络(CNN)架构,用于对由咖啡斑叶虫(CLM)和大豆锈病(SBR)和小麦褐斑病(WTS)引起的呈现坏死病变和/或变黄的单个叶片图像进行语义分割。所有图像都手动标注了三个类别:叶片背景(B)、健康叶片(H)和受损叶片(I)。无论采用何种结构,测试图像集中B类图像的精度、召回率和联合交叉(IoU)度量最高,H类和I类次之。当像素级预测被用来计原创 2022-02-21 23:03:57 · 1563 阅读 · 0 评论 -
一种用于亚洲大豆锈病黄化和坏死严重程度评估的自动植物病理测量系统
1、研究内容通过遗传育种的方法,可以培育出抗大豆粗粒锈病(Phakopsora pachyrhizi)的大豆品种。在选择抗性基因型阶段,可以采用的一个因素是目测大豆植株小叶锈病症状的严重程度。通过量化每个样品的褪绿、坏死和未受影响的区域的确切数量,自动方法被发展为锈蚀严重程度分级,并相应地对样品进行分类。本文提出的方法使用大豆小叶的输入图像,从健康到不同程度的ASR严重程度,采样自巴西东南部一个农场的对照试验。然后对图像进行通道变换(RGB到CIELab)、通道分布分析和聚类算法,对三个主要区域进行区域分原创 2022-02-10 11:52:26 · 1735 阅读 · 0 评论 -
温室番茄一般病害的检测与严重程度评估系统(COCO Annotator 是一种基于 Web 的图像注释工具)
1、研究内容在温室番茄生产中,病害的防治是一个重要的经济和环境因素。人类在评估疾病的存在和程度方面的专门知识对制定和执行管理计划很重要,但获得这些专门知识既困难又昂贵。在本文中,我们提出了一个新的计算机视觉系统,以自动识别几种疾病,检测以前未见的疾病和估计每片严重程度。模型的训练和测试使用了PlantVillage番茄数据集的9种番茄病害的几个修改版本,显示了不同的叶片特性如何影响病害检测。2、研究相关番茄病害管理是一个具有挑战性的过程,需要在整个作物周期内持续关注,占总生产成本的很大一部分(Peet原创 2021-12-29 17:15:53 · 2077 阅读 · 0 评论 -
利用U-Net进行两阶段超声图像分割,并增加测试时间
1、研究内容超声成像检测乳腺病变是计算机辅助诊断系统的重要应用。针对乳腺病变的检测和分割,提出了几种自动的方法;然而,由于超声伪影,以及病变形状和位置的复杂性,从超声乳腺图像中分割病灶或肿瘤仍然是一个有待解决的问题。在本文中,为了提高分割的准确性,我们提出在分割阶段之前使用损伤检测阶段。我们使用了一个乳腺超声成像数据集,其中包含163张乳房的图像,其中包括良性病变或恶性肿瘤。首先,我们使用一个U-Net来检测病变,然后使用另一个U-Net来分割检测区域。可以看出,当病灶被精确地检测到时,分割性能显著提高原创 2021-12-18 13:50:22 · 2305 阅读 · 0 评论 -
用于h&e染色组织细胞核分割的两阶段U-Net算法
1、研究内容在H&E染色组织切片分析中,核分割是一项重要但具有挑战性的任务。虽然已经提出了各种分割方法,但基于机器学习的算法,特别是基于深度学习的模型已被证明能够提供更好的分割性能。在这项工作中,我们提出了一种新的方法,利用基于u - net的模型在两个连续阶段分割h&e染色显微图像中的核。在第一阶段,我们使用分类U-Net从背景中分离细胞核进行语义分割。在第二阶段,使用回归U-Net创建每个核的距离图。最后的实例分割掩码,然后使用分水岭算法创建基于距离地图。在一个包含各种人体器官图像的公原创 2021-12-18 13:05:43 · 781 阅读 · 0 评论 -
基于深度学习的番茄叶片分割算法在手机上的应用(GDL+复杂背景只分割叶片有意义?)
1、研究内容利用图像处理技术进行叶片病害识别是当前的研究热点。文献中已经报道了较高的疾病识别准确性,特别是在依赖于受控照明和均匀背景条件下捕获的实验室图像的研究中。然而,当这些系统在实际现场条件下测试时,它们的性能急剧下降。研究表明,复杂的背景显著地导致了性能的下降,背景去除提高了疾病识别的准确性。不幸的是,目前还没有一种快速、准确的方法来自动执行叶子图像的背景减影。在本文中,我们提出了完全卷积神经网络来执行自动背景减除的叶子图像在移动应用程序。在移动应用程序用例中,目标叶子通常占据农民捕获的图像。叶子还原创 2021-12-16 08:07:30 · 446 阅读 · 0 评论 -
基于DeepLabV3+与U-Net融合的黄瓜叶片病害严重程度分类方法
1、研究内容基于深度学习的简单环境下蔬菜病害识别与分割研究取得了一定的成功。然而,在复杂的环境中,图像背景中往往包含与叶片和病斑表示相似的元素,使得识别模型难以分割叶片和病斑。因此,分割精度明显降低,进一步影响疾病严重程度分类的准确性。针对这一问题,本研究在讨论分析DeepLabV3+和U-Net优缺点的同时,提出了在复杂背景下融合DeepLabV3+和U-Net进行黄瓜叶片病害严重程度分类(DUNet)的两阶段模型。在第一阶段,该模型使用DeepLabV3+从复杂的背景中分割叶子。分割后得到的叶子图像作原创 2021-12-14 13:47:09 · 766 阅读 · 0 评论 -
BB-UNet:带有包围框先验的U-Net
1、研究内容医学图像分割是解剖分离器官进行分析和治疗的过程。著名的U-Net在这一领域产生了领先的成果。尽管它取得了成功,但最近的工作已经表明UNet在进行分割时的局限性,因为图像的特殊性,如噪声、损坏或缺乏对比度。先验知识集成可以克服分词歧义。本文介绍了BB-UNet (Bounding Box U-Net),这是一种将位置和形状先验结合到模型训练中的深度学习模型。该模型的灵感来自于U-Net,并通过在跳跃连接层引入一个新的卷积层来整合先验。提出的结构有助于将注意力核呈现在神经训练中,以指导模型在何处寻原创 2021-12-12 16:35:34 · 3113 阅读 · 0 评论 -
利用可分离卷积UNet进行木薯叶病分类
1、研究内容在这项工作中,我们开发并训练了深度学习模型,用于将木薯叶片疾病分割和分类为枯萎病或花叶病。作为非洲第二大碳水化合物供应商,木薯是小农种植的一种关键粮食安全作物,因为它能承受恶劣的环境。在撒哈拉以南非洲,至少80%的家庭农场种植这种淀粉根茎,但病毒性疾病是低产量的主要来源。我们这里的重点是发生在尼日利亚的两种主要木薯疾病,即木薯花叶病(CMD)和木薯细菌性白叶病(CBBD)。在一天中不同时间采集的21397张木薯叶图像中,包含了不同程度的症状表现,共训练了5类46个模型。一个模型诊断出健康叶片,原创 2021-12-11 15:21:31 · 1044 阅读 · 0 评论 -
私有数据集制作类似Voc数据集总结
1、labelme标注2、json和image分开labelme标注完后自动生成json,磁盘搜索jpg和json,就能轻松地分开jpg和json,注意留备份。3.json生成maskjson生成mask的代码import cv2import numpy as npimport jsonimport osimport recategory_types = ["A", "B", "C"]#对应labelme的类images_dir = r"jpg地址"jsons_dir = r"j原创 2021-12-11 13:06:19 · 2354 阅读 · 0 评论 -
利用语义分割对木薯根坏死进行评分
1、研究内容木薯是非洲许多地区的主要粮食作物,主要受到木薯褐条病(CBSD)的影响。该病影响块根,表现为含淀粉组织内黄/棕色、干燥、木栓状坏死。木薯种植者目前依靠目测来评分,根坏死基于定性评分,这是相当主观的。本文提出了一种基于深度卷积神经网络的自动根坏死评分方法。实验表明,UNet模型执行这一任务具有很高的精度,在测试集上实现了对Union (IoU)的平均交点0.90。该方法提供了一种方法,用于定量测量根横截面上的坏死评分。这是通过对木薯根横截面的坏死像素和非坏死像素进行分割和分类而完成的,不需要任何原创 2021-12-11 12:48:19 · 1500 阅读 · 0 评论 -
labelme制作数据集:将标注好的json文件,转换成类似VOCdevkit数据集中的SegmentationClass(标注技巧)
1、VOCdevkit数据集JPEGImages目录:里面放的是原始图片SegmentationClass目录:放的是json_to_dataset.py处理后的png图片,如下图:2、制作类似VOCdevkit数据集中的SegmentationClass2、自己数据集标注后的效果before:标注后原始图片和JSON在同一个文件夹。JPEGImages:存放原始图片的文件夹。SegmentationClass:存放经过json_to_dataset.py处理后的png图片。3、jso原创 2021-11-05 15:40:23 · 1595 阅读 · 0 评论 -
安装LabelMe出现ERROR: No matching distribution found for labelme解决方式(关闭网络代理+使用清华源)
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML 图表FLowchart流程图导出与导入导出导入欢迎使用Markdown编辑器你好! 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar原创 2021-11-04 20:57:47 · 3509 阅读 · 1 评论 -
基于多分类支持向量机和KNN分类器的大豆叶片病害检测与严重程度测量
基于多分类支持向量机和KNN分类器的大豆叶片病害检测与严重程度测量ABSTRACT大豆真菌病如枯萎病、褐斑病和褐斑病由于症状严重和缺乏治疗,是严重威胁大豆植株的疾病。传统的疾病诊断依赖于病机肉眼观察的疾病症状识别,存在较高的误认率。本文提出了一种新的系统,利用多类支持向量机和KNN分类器,对大豆病害叶片样本的彩色图像进行检测和分类。利用数码相机采集了枯萎病、褐斑病和褐斑病的健康叶片和患病叶片的图像。利用图像增强技术对获取的图像进行预处理。采用阈值法去除图像背景,得到感兴趣区域(ROI)。将基于增量k均值原创 2021-10-03 14:31:59 · 435 阅读 · 0 评论 -
ENVI高光谱物质识别
ENVI高光谱物质识别1、打开一张要识别的高光谱图像2、在波普库中找到相对应的四种物质3、在对四种矿物质命名中文后,在toolbox中有端元收集4、选中要识别的高光谱文件,点击确认5、点击确认后又一个新的窗口,窗口中有一选项为import,在这里我们勾选import from plot winndows6、出现了4种物质后,我们选择select all7、我们再新的窗口的菜单栏algcrithm中选择spectral anglemapper的选项8、将输出文件改成:物质输出结果原创 2020-09-02 16:34:33 · 1447 阅读 · 2 评论 -
高光谱地物识别练习-从ENVI标准波普库中选择端元进行物质识别
高光谱地物识别练习-从ENVI标准波普库中选择端元进行物质识别1、从标准波普库中选择相关矿物的库2、这里选择矿物的usgs库3、在usgs的库中找到有14个的单条4、这里我们选择库里的4个数据绘制成一张图5、在点击了4个数据后就形成了图,在图的右边的中间位置由一个三角符号,点击后又有一个菜单。6、在这里将曲线对应的中文名进行改正。7、点击ToolBox中的端元收集8、选择要分类的高光谱数据(.dat结尾)9、点击确定后,出现了下面的画面。10、点击import11、原创 2020-09-01 21:48:37 · 1660 阅读 · 0 评论 -
ENVI标准库下光谱分析
File-Display原创 2020-09-01 20:06:37 · 1193 阅读 · 1 评论 -
高光谱遥感介绍
定义 光谱分辨率在10-2λ数量级范围内的光谱图像称为高光谱图像(Hyperspectral Image)。发展 遥感技术经过20世纪后半叶的发展,无论在理论上、技术上和应用上均发生了重大的变化。其中,高光谱图像技术的出现和快速发展无疑是这种变化中十分突出的一个方面。通过搭载在不同空间平台上的高光谱传感器,即成像光谱仪,在电磁波谱的紫外、可见光、近红外和中红外区域,以数十至数百个连续且细分的光谱波段对目标区域同时成像。在获得地表图像信息的同时,也获得其光谱信息,第一次真正做到了光谱与图像的结合 。原创 2020-08-02 16:09:12 · 3754 阅读 · 0 评论 -
基于集成学习的小麦赤霉病高光谱图像识别方法研究
基于集成学习的小麦赤霉病高光谱图像识别方法研究1、研究思路【1】深度学习方法,通过构建深度神经网络模型对小麦赤霉病进行识别。构建四个不同结构的深度神经网络模型,并对这四个模型进行结构分析。【2】为进一步提高深度神经网络对小麦赤霉病识别的准确率,研究分析了深度模型网络结构和多模型的集成学习方法,构建出了多种组合模型。【3】并且评估分析了多种集成模型对小麦赤霉病识别的准确率和自身模型的泛化能力,从而寻找到最优的识别小麦赤霉病的集成模型。2、高光谱技术主要研究【1】柴阿丽等人运用光谱成像技术(400-原创 2020-09-10 10:07:27 · 715 阅读 · 0 评论 -
深度卷积神经网络的水稻穗瘟病检测方法
深度卷积神经网络的水稻穗瘟病检测方法1、发现问题穗瘟是一种严重影响水稻产量及品质的多发病害。2、研究思路以 1 467 株田间采集的穗株为试验对象,采用便携式户外高光谱成像仪 GaiaField-F-V10 在自然光照条件下拍摄穗株高光谱图像,并由植保专家根据穗瘟病害描述确定其穗瘟标签。所有高光谱图像-标签数据对构成GoogLeNet 模型训练和验证的原始数据集。采用随机梯度下降算法(SGD, stochastic gradient descent)优化 GoogLeNet模型,提出随机扔弃 1 个原创 2020-09-05 11:15:36 · 528 阅读 · 0 评论 -
基于卷积神经网络与迁移学习的油茶病害图像识别
基于卷积神经网络与迁移学习的油茶病害图像识别1、发现问题传统的植物病害图像识别准确率严重依赖于耗时费力的人工特征设计2、文章整体思路用深度卷积神经网络强大的特征学习和特征表达能力来自动学习油茶病害特征,并借助迁移学习方法将AlexNet模型在ImageNet图像数据集上学习得到的知识迁移到油茶病害识别任务。对油茶叶片图像进行阈值分割、旋转对齐、尺度缩放等预处理后,按照病害特征由人工分为藻斑病、软腐病、煤污病、黄化病和健康叶5个类别。每个类别各选取750幅图像组成样本集,从样本集中随机选择80%的样本原创 2020-09-04 18:21:40 · 771 阅读 · 0 评论 -
图谱特征与卷积神经网络的名优大米无损鉴别
图谱特征与卷积神经网络的名优大米无损鉴别1、发现问题对优质大米掺假甚 至以次充好,损害了消费者利益和大米贸易,打击了生产者的生产积极性。2、研究思路采集了全国具有代表性的七种名优大米400-1000nm范围高光谱图像,并提取了每种大米的光谱、纹理与形态特征。***使用多元散射校正算法做光谱预处理消除光谱散射。连续投影算法(SPA)、竞争自适应重加权算法(CARS)以及两者级联方法(CARS-SPA)被用来选取光谱特征的重要波长;用 SPA选择形态、纹理特征的重要变量。最后使用深度学习网络-卷积神经网原创 2020-09-04 11:00:24 · 521 阅读 · 0 评论 -
葡萄品质无损检测技术的研究进展
葡萄品质无损检测技术的研究进展1、基于机器视觉的无损检测研究1、1葡萄果粒大小的识别【1】利用最大类间方差法和数学形态 学方法对葡萄图像进行分割和去噪!分别建立葡萄质量和果 径大小的一元线性回归和偏最小二乘回归预测模型!预测决 定系数分别达到0.98和0.945,!准确度达到%85以上【2】术采集了42串红提葡萄的RGB图像和NIR图像,对红提葡萄果粒尺寸进行分级检测"对红提葡萄 图像进行去除果梗和轮廓干扰信息后!利用随机最小二乘椭 圆法对红提尺寸进行提取!对整串红提进行分。分级正确 率达到90.4原创 2020-09-04 09:45:19 · 650 阅读 · 0 评论 -
ENVI学习网站
ENVI学习网站原创 2020-09-03 13:02:47 · 265 阅读 · 0 评论 -
猪肉新鲜度光谱特征指数构建及敏感性分析
猪肉新鲜度光谱特征指数构建及敏感性分析1、发现问题猪肉是我国居民最主要的消费畜肉产品,其在储藏、运输、加工等环节易受酶、微生物等作用腐败变质,导致新鲜度下降。目前研究大都基于统计方法进行光谱建模,模型缺乏物理意义,适用性差,阻碍了该技术的应用推广。2、研究思路通过分析不同新鲜程度猪肉的可见-近红外光谱特征,利用反映猪肉新鲜度的肌红蛋白在760nm 处稳定的吸收特性,构建了猪肉新鲜度光谱特征指数(FI);通过模拟不同光谱分辨率与信噪比水平,进一步探索了FI指数对光谱检测设备性能的敏感性。研究表明,F原创 2020-08-31 14:25:17 · 481 阅读 · 0 评论 -
分窗 Gram-Schmidt 高光谱降维的 水稻纹枯病检测
分窗 Gram-Schmidt 高光谱降维的水稻纹枯病检测1、发现问题纹枯病是水稻生产中三大病害之一2、研究思路分窗 Gram-Schmidt 变换的高光谱数据降维与特征波段提取,构建纹枯病检测模型,对比分析了本研究方法与主成分分析、连续投影法高光谱降维效果与病害检测精度。3、方法盆栽纹枯病接种试验使用 ASD-HH2 仪器测量水稻叶片光谱, 大田试验使用的是高光谱成像仪测量水稻茎秆上的纹枯病病斑,两种试验所用的测量仪器与测量部位不同,产生的光谱反射率也不相同,增加了 GramSchmidt 算原创 2020-08-30 21:15:45 · 351 阅读 · 0 评论 -
高光谱提取薯叶特征波长
高光谱提取薯叶特征波长1、发现问题针对马铃薯晚疫病2、研究基本思想对健康和病害叶片的光谱图像进行主成分分析,并从主成分图像的权重系数曲线中提取出 6 个健康叶片特征波长和病害叶片特征波长。基于健康叶片与病害叶片的 6 个特征波长做第二次主成分分析,将特征波长优化至 712.19 nm、749.70 nm 和 841.47 nm,再基于这3 个特征波长做主成分分析,选用主成分中对比度最明显的图像来识别病害区域。研究表明,采用健康叶片与病害叶片联合使用并结合二次主成分分析可实现马铃薯叶片病害的设别,且原创 2020-08-30 20:52:23 · 2005 阅读 · 5 评论 -
基于高光谱技术的农作物常见病害监测研究
基于高光谱技术的农作物常见病害监测研究1、发现问题近年来随着信息技术的快速发展,高光谱技术以数据量丰富、灵敏、可靠的特点迅速应用于农业生产中,成为主要检测农作物病害的有效技术手段之一。2、农作物病害的研究进展粮食作物、经济作物、蔬菜作物、果类和其他农作物项目Value粮食作物水稻、小麦、玉米、马铃薯经济作物棉花、烟草蔬菜作物黄瓜、番茄、茄子、甜菜、洋葱果类苹果、脐橙、红枣、柑橘、油桃、香蕉其他农作物枸杞、板栗3、粮食作物水稻(1)杨原创 2020-08-14 22:31:50 · 1769 阅读 · 0 评论