May, 2024

利用高光谱成像和机器学习进行非破坏性泥炭分析

PDF
TL;DR通过使用高光谱成像技术进行非破坏性分析，本文旨在解决威士忌酿造中保持泥炭利用效率的问题。结果表明，短波红外数据对于分析泥炭样本和预测总酚水平更为有效，准确率高达 99.81%。
peatwhisky productionecosystemscarbonhyperspectral imaging
发现论文，激发创造
  • 便携式拉曼光谱鉴别威士忌的学习算法

    使用机器学习算法结合携带式拉曼光谱仪直接识别和表征商业威士忌样品中乙醇 / 甲醇浓度，可实现超过 99% 的品牌识别准确性，并能通过瓶内光谱分析检测伪造或掺杂的酒精和其他高价值液体样品。

    Sep, 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

  • 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

    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。

    Sep, 2022

  • 利用短波红外高光谱成像进行塑料分析的预处理和模型复杂性影响研究

    本文介绍了如何利用计算机视觉和深度学习技术，通过对塑料的短波红外高光谱图像进行自动分析，实现了塑料废物的回收，通过专门的塑料超光谱架构，解决了分割塑料片的任务，并介绍了信号预处理在超光谱成像中的重要性，并提出了最大、最全面的塑料碎片高光谱数据集。

    Mar, 2022

  • 基于机器学习的高光谱图像分析：一项调查

    本文综述和比较了最近发表在文献中的基于机器学习的高光谱图像分析方法，将方法按图像分析任务和机器学习算法类型进行组织，并提出了一种两向映射。文章全面涵盖了高光谱图像分析任务和机器学习算法，涵盖的图像分析任务包括土地覆盖分类、目标检测、反混合和物理参数估计，涵盖的机器学习算法包括高斯模型、线性回归、逻辑回归、支持向量机、混合高斯模型、稀疏线性模型、高斯混合模型、集成学习、有向图模型、无向图模型、聚类、高斯过程、狄利克雷过程和深度学习。同时，文章也讨论了高光谱图像分析领域的挑战和可能的未来方向。

    Feb, 2018

  • 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

  • 利用近红外光谱、深度学习方法和粉末 X 射线衍射相量化技术快速检测土壤碳酸盐

    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

  • 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

  • 利用卫星光谱和机器学习进行甘蔗健康监测：综述

    通过使用卫星遥感光谱技术和机器学习方法，对甘蔗健康监测和病虫害检测领域尚未探索和不够深入的问题进行了研究，并讨论了系统开发的关键考虑因素，包括相关卫星，植被指数，机器学习方法，影响甘蔗反射率的因素以及传统检测方法。该研究弥补了文献中未充分考虑的变量，并呼吁进一步的研究，以推动利用卫星技术开发有效的甘蔗健康监测系统。

    Feb, 2024

  • 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