Mar, 2022

樱桃番茄的高光谱成像

PDF
TL;DR本文基于高光谱图像和相应的深度学习回归模型，开发了一种用于测量甜樱桃番茄 SSC 和果实硬度的无损检测技术，实验结果表明，该技术相对于现有技术，可以使 SSC 和硬度检测的准确性分别提高 26.4％和 33.7％，这表明了高光谱成像技术在检测甜樱桃番茄果实质量方面的应用潜力，为未来的非破坏性测试提供了新的选择。
cherry tomatosoluble solids contentfirmnessnon-destructive testinghyperspectral imaging
发现论文，激发创造
  • 利用高光谱成像进行特种作物成熟度分类的双频带特征选择

    草莓和番茄等特殊作物的成熟度分类对于选择性采摘和质量控制是农业下游的重要活动。本文提出了一种特征提取方法，展示了在特征选择方面的最新成果，并通过比较分析表明该方法在成熟度分类和时间效率方面的表现优于现有方法。

    May, 2024

  • 基于深度学习的农产品高光谱图像重建质量评估

    通过深度学习从 RGB 图像重建高光谱图像，可用于预测甘薯中的可溶性固形物含量，结果表明基于重建光谱的部分最小二乘回归模型优于使用全光谱范围的模型，突显了基于深度学习的高光谱图像重建作为一种低成本、高效的农业应用工具的潜力。

    May, 2024

  • 使用去噪扩散模型实现番茄植株分割

    本研究提出了 TomatoDIFF，一种新的基于扩散的模型，用于对植物上的西红柿进行语义分割。在高度遮挡的环境中，我们的模型表现出卓越的性能，甚至超过其他竞争方法。此外，我们还介绍了一个新的、大规模且具有挑战性的数据集 Tomatopia，其中包括高分辨率 RGB-D 图像和水果的像素级注释。

    Jul, 2023

  • 一种基于智能手机的番茄营养评估方法：通过毛状物密度测量

    通过开发一种简单且经济的基于智能手机的方法来测量毛刺密度，本研究有效地反映了番茄植物的肥料应激。

    Apr, 2024

  • 农业与生物应用中基于深度学习的高光谱图像重建的比较分析

    利用深度学习进行高光谱图像重建，以实现农产品质量评估的成本效益和高效工具。

    May, 2024

  • 基于深度学习的复杂场景下番茄分类方法

    基于深度学习的番茄成熟监测方法，通过计算机视觉与人工智能技术优化番茄成熟状态的监测，实现及时检测并采摘成熟番茄，实验结果表明在极端条件下具有良好的分类准确率。

    Jan, 2024

  • 卷积神经网络集成学习在非控农场环境下基于高光谱成像的黑莓果实成熟度检测中的应用

    本研究提出了一种新颖的多输入卷积神经网络（CNN）集成分类器，用于检测黑莓果实成熟度的微小特征。通过实验，该模型在未见数据集上获得了 95.1% 的准确率，在实地条件下获得了 90.2% 的准确率，并进一步证明机器感知与人类感知之间在黑莓果皮纹理方面存在高度正相关性。

    Jan, 2024

  • 基于视觉的番茄尺寸测量系统在室内大棚种植环境中的应用

    本文提出了一种结合机器学习模型和三个低成本 RGBD 相机捕捉深度图像的大小测量方法，以便检测和测量西红柿的高度和宽度，以解决现有视觉系统在农业环境中的遮挡和可扩展性问题。在实验室环境的测试中，该系统能够实现 0.9114 的高度测量精度和 0.9443 的宽度精度以提高测量准确度。

    Apr, 2023

  • 基于高光谱成像的植物病害识别解释：三维卷积神经网络和显著性地图

    本研究利用高光谱数据，开发了一个分类准确性为 95.73% 的 3D 卷积神经网络模型，用于大豆炭疽病的识别，发现最敏感的波长为 733nm，说明该模型对于大豆各种病害的诊断有较高的精确度。

    Apr, 2018

  • 通过自适应数据采集和基于 NeREF 的反射校正生成高质量的三维植物表型数据以促进高效植物表型研究

    该研究提出了一种使用多传感器机器人平台的高质量 3D 多光谱点云（3D-MPC）的方法，其中包括自适应数据采集和反射率校正，以便在自然光条件下为植物进行表型分析。

    May, 2023