May, 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

PDF
TL;DR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。
maturity classificationhyperspectral imagingfeature extraction3d-cnntime efficiency
发现论文，激发创造
  • 樱桃番茄的高光谱成像

    本文基于高光谱图像和相应的深度学习回归模型，开发了一种用于测量甜樱桃番茄 SSC 和果实硬度的无损检测技术，实验结果表明，该技术相对于现有技术，可以使 SSC 和硬度检测的准确性分别提高 26.4％和 33.7％，这表明了高光谱成像技术在检测甜樱桃番茄果实质量方面的应用潜力，为未来的非破坏性测试提供了新的选择。

    Mar, 2022

  • 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

    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。

    Jan, 2024

  • 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 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

  • 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

  • 一种用于高光谱图像分类的快速三维卷积神经网络

    本论文提出了一种利用 3D CNN 模型用于 HSI 分类的方法，其利用了空间光谱特征图以实现良好的性能，并对其性能进行了实验验证。

    Apr, 2020

  • 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

  • 互信息和最陡上升策略的特征选择智能算法

    本文设计了一个基于互信息的算法，与最陡上升算法相结合，以提高对 HSI 分类有用的相关波段的对称不确定性系数策略的特征选择工具和包装器策略，以控制冗余和提高对人工智能的理解和适应。

    Oct, 2022

  • 利用高斯贝叶斯模型和神经网络对来自 NASA 高光谱卫星图像数据的 GHISACONUS USGS 数据进行作物分类

    本文提供了一种使用标准 LDA、QDA 以及基于贝叶斯方法的分类方法，通过美国地质勘探局卫星搜集的包括五种农作物在内的 7000 个像素光谱数据，进行作物分类识别和生长期预测，其中使用基于贝叶斯的方法可以获得更好的结果，而神经网络的表现则与 LDA 和 QDA 类似。

    Jul, 2022