Jul, 2023

利用深度学习自动化细纤维材料显微图像中的木材种类检测与分类

PDF
TL;DR我们开发了一种用于系统生成大型显微纤维材料的图像数据集的方法，基于此方法，我们生成了用于九种硬木属的图像数据。这是首次通过深度学习自动化识别显微图像中的硬木物种的实质性方法的基础。我们的方法包括一种灵活的管道，用于容易地注释管胞要素。我们比较了不同的神经网络架构和超参数的性能。我们提出的方法与人类专家的表现相似。这将来将改善对全球木纤维产品流动的控制，以保护森林。
image datasetmacerated woodhardwood species identificationdeep learningwood fiber product flows
发现论文，激发创造
  • 基于深度学习的纤维和导管的分割与特征化

    利用 YOLOv8 模型，本研究提出一种深度学习方法，用于高效分析和定量木材细胞，实现了快速准确的纤维和导管分割，为实际应用提供了有效的解决方案。

    Jan, 2024

  • 利用高分辨率宏观图像的深度学习方法识别木材种类

    本文提出了一种基于基于高分辨率巨观木材图像的深度学习识别方法 (TDLI-PIV methodology)，旨在自动化木材物种识别，克服了传统卷积神经网络在木材识别中面临的挑战。此方法能够捕捉木材的细粒度纹理，并通过协同投票推理过程提高鲁棒性和预测准确性。

    Jun, 2024

  • 基于多种解剖切片和深度特征转移与融合的高级木材物种识别

    我们在这篇论文中应用了两种转移学习技术和卷积神经网络对多视角的刚果木种分类数据集进行了研究，结果显示我们的方法在多样数据和解剖切片上具有优越的准确性，超过其他方法的结果，从而在木材物种识别方面取得了显著进展。

    Apr, 2024

  • 基于深度学习的图像模式化沉香树脂区域分割

    用深度学习图像分割方法取代人工区域标记，提高石楠树脂化合物的手动提取过程，并报告初步分割结果和改善分割准确性的潜在方法。

    Apr, 2024

  • 基于激光雷达的挪威树种识别与深度学习

    利用 LiDAR 数据，我们提出了一种基于深度学习的树种分类模型，该模型能够将树木种类分为四类（挪威云杉、苏格兰松树、桦树和背景），通过国家森林清查的现场样地验证，我们的模型在宏平均精确度上获得了 0.70 的得分，接近于航空或航空和 LiDAR 结合模型的性能。

    Nov, 2023

  • 深度学习方法在高级钢材微观组织分类中的应用

    通过基于深度学习和像素分割方法的微结构分类模型，成功实现了对于低碳钢微观组织多个组分类型的快速、精确分类，准确率达到了 93.94%，比现有技术提升明显，为钢质检测等领域提供了更加客观、准确的检测方法。

    Jun, 2017

  • 使用合成森林图像对深度学习算法进行树木检测训练

    本研究探讨了在森林环境中基于视觉的分割是自主林业操作（如伐树和前进）的关键功能之一。在本研究中，我们提出使用模拟森林环境来自动生成具有像素级注释的 43k 真实合成图像，并将其用于训练深度学习算法来进行树木检测。我们报告了使用这些合成数据集训练的模型在真实数据集上的有效性，证明了模型的迁移学习能力。

    Oct, 2022

  • 基于图像数据的深度神经网络对林蛙物种及新类别的识别

    我们使用机器学习的原理开发了新的工具来解决物种复合体相关问题，通过将图像分类为已知种群或新类别，并使用深度神经网络成功进行物种分类和检测，以及应用这些方法于物种复合体和真实生物多样性的记录。

    Nov, 2023

  • 自动视觉蛾类监测的深度学习流水线：昆虫定位与物种分类

    提供了一个深度学习方法的昆虫监测系统，通过定位和分类识别图像中的蛾子个体来改善物种识别准确率。

    Jul, 2023

  • 从谷歌地图到精细化的街道树目录

    本文分析了如何利用 Google 地图上的遥感图像进行城市规模的树木检测与物种识别，并提出了一种基于卷积神经网络的分类方法以及一种树木改变监测方法。通过实验证明该方法能够检测出超过 70% 的城市树木，正确地对超过 80% 的 40 种不同类型的树木物种进行分类，以及正确地检测并识别超过 90% 的变化操作。

    Oct, 2019