粗颗粒土壤颗粒大小分析的计算机视觉
本研究探讨了便携式 X 射线荧光光谱法和土壤图像分析在快速评估土壤肥力方面的应用,重点关注可利用的硼、有机碳、可用锰、可用硫和硫可利用性指标等关键参数。通过分析来自东印度不同农业气候区的 1,133 个土壤样本,研究采用了随机森林模型将显微土壤图像的颜色和纹理特征、PXRF 数据和辅助土壤变量 (AVs) 进行结合。结果表明,将图像特征 (IFs) 与辅助变量 (AVs) 相结合,能显著提高可利用硼 (R^2 = 0.80) 和有机碳 (R^2 = 0.88) 的预测准确性。数据融合方法进一步提高了可用锰和硫可利用性指标的预测准确性,R^2 分别为 0.72 和 0.70。该研究展示了这些综合技术有潜力提供快速、经济的土壤测试选项,开发更精密的预测模型,更好地理解土壤的肥力和健康状况。未来的研究应集中在应用更大规模的土壤图像数据集和更广泛的农业气候区域的土壤开展深度学习模型的应用。
Apr, 2024
应用先进的图像分析方法,采用改进的 Unet 语义分割模型和基于扩展的后处理技术,成功地刻画了爆破岩石颗粒的细分离现象,并通过相对特征直径提供了岩石颗粒尺寸的空间异质性,为采石场管理中资源管理和运营决策提供了更好的信息。
Jun, 2024
本文研究了使用卷积神经网络 (CNN) 在没有使用颜色处理的情况下进行混凝土分割的可行性,并证明其优于基于颜色的分割方法并具有与人工专家相当的准确度,从而缩短了分割时间。
May, 2020
使用基于机器学习的高分辨率脉冲触发波雷达(SFCW)测量结合地质雷达(GPR)仪器,对应用于农业环境中提取土壤参数的方法进行了广泛的研究,结果表明该方法可在根部深度上以成本效益较高的方式提供深度分辨的土壤参数。
Apr, 2024
该研究提出了一种使用计算机视觉的新型活性溶解度传感器装置,它可以通过改变背景图像来测量溶解度、估计颗粒的存在,并且具有高精确度,可以用于液相色谱仪和蒸发器等分离设备的分离纯化性能的提高和故障的预防,同时可应用于合成自动化系统的溶解检测。
Apr, 2023
利用 YOLOv5m 和低分辨率多光谱图像成功检测和定位了玉米田中自发棉苗的生长状态,进而开发了一种基于自主机系统 (Unmanned Aircraft Systems) 的喷雾应用,用于有效管理棉铃虫害。
Jul, 2022
本研究将谷物外观检查 (Grain Appearance Inspection,GAI) 定义为细粒度识别、域自适应和识别方法的三个计算机视觉任务,开发出大规模公开的谷物数据集 GrainSpace,有助于检测谷物质量。
Mar, 2022
本研究提出了一种快速有效的方法,通过使用 FT NIR 反射光谱技术和深度学习方法来预测土壤中的碳酸盐含量,并利用多种机器学习方法比较了它们在两个 NIR 光谱库的结合数据集上的预测性能,结果显示深度学习模型是优秀的土壤碳酸盐含量预测工具。
Jul, 2023
本文提出了一种叠加分割图像识别方法,可实现硅晶体纳米粒子 SEM 图像的自动识别和信息统计,该方法基于形态处理算法实现有效的粒径识别和轮廓统计,并在不同的 SEM 拍摄条件下优于其他方法
Jun, 2022
本研究提出了一个针对扫描电子显微镜(SEM)图像的纳米粒子精确检测和全面分析的计算框架。该框架利用 Python 的强大图像处理能力,特别是利用 OpenCV、SciPy 和 Scikit-Image 等库,采用阈值处理、膨胀和腐蚀等技术提高图像处理结果的准确性。该框架在 RStudio 环境中无缝集成了纳米粒子数据,用于详细的后处理分析,包括模型准确性评估,特征分布模式识别和复杂的颗粒排列研究。该框架在主要样本图像中表现出了高纳米粒子识别率,并在来自 SEM 纳米粒子数据集的五个不同测试图像上具有 97%的粒子检测准确率。此外,该框架还能够识别出低强度纳米粒子,并绕过对照组的手动标记。
Aug, 2023