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

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

Convolutional Neural Network Ensemble Learning for Hyperspectral Imaging-based Blackberry Fruit Ripeness Detection in Uncontrolled Farm Environment

PDF

Chollette C. Olisah, Ben Trewhella, Bo Li, Melvyn L. Smith, Benjamin Winstone...

TL;DR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。

Abstract

fruit ripeness estimation models have for decades depended on spectral index features or colour-based features, such as mean, standard deviation, skewness, colour moments, and/or histograms for learning traits of fruit ripeness. Recently, few studies have explored the use of

fruit ripeness estimation models deep learning techniques multi-input convolutional neural network blackberry fruits ensemble learners

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

使用卷积神经网络进行语义分割计数葡萄串图像中的浆果

文章介绍了一种基于自动图像分析的客观框架，使用卷积神经网络检测图像中的浆果并进行计数，可以在葡萄园不同种植系统中检测到绿色浆果，VSP 的检测准确率为 94.0％，SMPH 为 85.6％。

Apr, 2020

果园深度水果检测

本文介绍了使用先进的物体检测框架 Faster R-CNN 对果园中的水果进行检测，包括芒果、杏仁和苹果，通过消融实验，数据增强技术和瓦片方法来提高检测精度和效率，并获得比以前更好的检测表现，对于苹果和芒果的 F1 值达到了 > 0.9。

Oct, 2016

利用无人机高光谱成像分类葡萄品种

利用卷积神经网络对红白葡萄品种进行分类，通过空间注意力层和 Inception 块进行空间和光谱特征提取，相对于其他卷积神经网络在处理高光谱数据分类时，网络模型更轻量，并且表现出更好的准确性，和以前研究相比，准确率提高到 99％。

Jan, 2024

基于卷积神经网络的改进模型用于水果糖度检测

该研究论文介绍了人工智能在水果质量检测领域中的应用，提出了一种基于谱图的水果糖度回归模型，设计了新的神经网络结构并比较了其他传统的神经网络结构，采用多种策略处理谱图数据，通过评估数据集的可靠性和比较不同模型的效果，验证了使用人工神经网络模型进行水果糖度无损检测的可行性。

Nov, 2023

利用深度神经网络和三维关联技术进行葡萄检测、分割和跟踪

使用 CNN 技术结合计算机视觉方法对葡萄园中的葡萄簇进行检测、分割和跟踪，为农业和环境应用的传感组件的开发提供了一种可复制的检测，培训，评估和跟踪农业模式的图像的方法。

Jul, 2019

深度学习用于芒果自动质量分级：方法与洞见

使用卷积神经网络，特别是 Mask R-CNN、AlexNet、VGGs、ResNets 和 ConvAE-Clfs 等模型，并采用迁移学习技术，通过在芒果质量分级中应用预处理技术，训练细节和性能结果等方法提供可解释的洞见，即实 </em> 现对深度学习的深层次解释。

Nov, 2020

基于图像分割的苹果果园水果检测与产量估计

本文介绍了一种用于水果检测和计数的图像处理框架，使用单眼视觉系统所获得的高分辨率图像数据，包括多尺度多层感知器和卷积神经网络，结合元数据进行分割和检测，并在商业苹果园中进行了实验，得出了最佳性能。

Oct, 2016

基于视觉的蔓越莓作物成熟评估

通过使用无人机图像，我们开发了一个基于时间序列的框架，用于表征蔓越莓农作物的成熟过程，该方法通过无人机收集图像并进行光度校准和基于点选注释的半监督深度学习网络来进行浆果分割，从而提取时间序列的浆果反射率测量值，以评估四个不同品种的蔓越莓及其成熟速度的量化，这对评估蔓越莓沼泽地的实时过热风险、作物育种中的大规模后代比较以及通过寻找成熟模式异常来检测疾病具有实际意义，该研究是首个使用计算机视觉方法对成熟过程进行定量评估的工作，其影响不仅限于蔓越莓农作物，还包括葡萄酒葡萄、橄榄、蓝莓和玉米。

Aug, 2023

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