Sep, 2022

应用高光谱成像技术评估澳大利亚小麦供应链不同阶段的质量指南：综述

PDF
TL;DR使用高光谱成像技术研究小麦储存质量的评估方法，以实现在澳大利亚供应链的不同阶段实施实时数字质量评估方法所需的信息的单一和紧凑的文档。
wheat qualitynon-invasive methodhyperspectral imagingfood quality measurementsupply chain
发现论文，激发创造
  • 基于 3D 卷积神经网络的农作物病害缺陷分类技术综述，使用非无人机高光谱图像

    本文综述了使用基于 3D-CNN 的架构与典型的深度学习流程进行检测病害和有缺陷作物的高光谱图像分类的方法，并讨论了使用 HSI 数据时 3D-CNN 存在的挑战及开放性研究领域。

    Jun, 2023

  • 农业中的高光谱图像分析深度学习技术综述

    本文研究了在农业领域中，利用深度学习方法如 Autoencoders、卷积神经网络（1D，2D 和 3D）、循环神经网络、深度置信网络和生成对抗网络等技术在已知土地覆盖数据集（包括 Indian Pines，Salinas Valley 和 Pavia University）上的成果来解决高光谱成像 (HSI) 分类的过程中，克服光谱区间高度冗余、有限的训练样本以及空间位置与光谱区间之间非线性关系的复杂任务。

    Apr, 2023

  • 高通量塑料特性的系统降维超光谱图像

    为了提高高光谱成像数据的质量和分析效率，我们应用凸包方法选择关键像素和波长，以去除无用和冗余信息，从而减小计算压力并有效地消除高度混合的像素，从而提供基于证据的分拣决策，进而实现高效的废物管理。

    Aug, 2023

  • 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

  • 高光谱基准：通过全面数据集和预训练填补 HSI 应用之间的差距

    通过引入包含不同应用领域（食品检查、遥感和回收）的创新基准数据集，本研究解决了目标数据集规模有限的限制，从而促进了高光谱图像模型能力的全面评估，并提供了最先进技术的深入研究和更加稳定的训练流程。

    Sep, 2023

  • 自监督高光谱图像修复的等变成像

    基于自监督学习的新型高光谱成像算法（Hyper-EI）用于修复不完整或损坏的高光谱图像，实验结果显示该算法相较现有方法具有最先进的修复性能。

    Apr, 2024

  • 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

  • 遥感维度规约方法分析及综合仪表盘

    本文综述了寻找好的波段来分类区域项目的方法。一些方法利用互信息和阈值选择相关图像，而其他方法则控制和避免冗余。作者提出的仪表板有助于分析假定的特征选择和提取软件。

    Oct, 2022

  • 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

  • 基于高光谱图像重建的小鸟胚胎死亡预测：促进禽蛋和孵化产业的发展

    该研究集中在利用图像重建算法进行高光谱图像的重建，以实现对鸡胚胎死亡的早期预测，从而提高畜禽养殖的健康与效率。同时，该研究认为整合智能传感器和数据分析的成像技术有助于改进自动化、增强生物安全性，并实现可持续农业 4.0 的资源管理优化。

    May, 2024