排序方式： 共有5条查询结果，搜索用时 578 毫秒
1
1.
应用可见/近红外高光谱成像测定鲑鱼片脂肪含量分布(英文) 总被引：1，自引：1，他引：0
脂肪作为一种重要的品质参数,在大西洋鲑鱼片中的分布很不均匀。为寻找一种能替代脂肪化学检测的快速无损的方法,该研究应用可见/近红外高光谱成像测定大西洋鲑鱼片的脂肪含量分布。分别采用可见/短波近红外(400-1100 nm)和近红外(900-1700 nm)系统获取大西洋鲑鱼片样本的高光谱图像。提取样本图像的平均光谱并与其相应的脂肪含量化学值采用偏最小二乘回归(partial least squares regression,PLSR)和最小二乘支持向量机(least-squares support vector machines,LS-SVM)建立相关性模型。为降低高光谱图像的共线性和冗余度,基于竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)分别在可见/短波近红外和近红外光谱区间提取16个(468,479,728,734,785,822,863,890,895,899,920,978,1005,1033,1040,1051 nm)和15个(975,995,1023,1047,1095,1124,1167,1210,1273,1316,1354,1368,1575,1632,1661 nm)特征波长,并分别建立PLSR和LS-SVM模型。特征波长模型的性能优于全波段模型,且近红外区间的特征波长PLSR模型为最优,预测决定系数(R2p)为0.92,预测均方根误差(root mean square error of prediction,RMSEP)为0.92%,剩余预测偏差(residual predictive deviation,RPD)为3.50。最后,将最优模型用于预测高光谱图像上所有像素点的脂肪含量以展示样本上脂肪的分布。此外,还基于该技术对大西洋鲑整鱼片实现了脂肪分布可视化。结果表明高光谱成像技术结合化学计量学方法在大西洋鲑鱼片脂肪的定量和分布可视化上有一定的研究和应用前景。 相似文献
2.
基于图像光谱信息融合的鱼不同冻藏时间及冻融次数鉴别 总被引：2，自引：2，他引：0
应用高光谱成像技术(380~1023 nm),基于信息融合实现鱼不同冻藏时间后冻融次数鉴别。首先,提取鱼样品感兴趣区域(region of interest,ROI)光谱并结合竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)得到57个变量作为光谱信息,同时对鱼样品做主成分分析(principal component analysis,PCA),提取第一主成分图像信息如中值、协方差、同质性、能量、对比度、相关、熵、逆差距、反差、差异性、二阶距和自相关12个灰度共生矩阵(gray level co-occurrence matrix,GLCM)纹理特征参量,结合灰度共生矩阵纹理特征与光谱特征,作为模型偏小最二乘支持向量机(least squares support vector machines,LS-SVM)的输入建立区分模型,预测集识别率达到98%。结果表明,高光谱成像技术可以用于鱼不同冷冻时间以及冻融次数的鉴别。 相似文献
3.
基于深度学习多源数据融合的生菜表型参数估算方法 总被引：1，自引：1，他引：0
生菜外部表型参数的无损、高精度估算对全天候生长监测意义重大。为提高生菜表型参数估算模型泛化性能,以基质培生菜为研究对象,提出了基于深度学习的融合二维RGB图像和深度（Depth）图像的生菜表型参数（湿质量、干质量、株高、直径、叶面积）高精度估算方法。采集4个生菜品种生长全过程的表型参数数据集,包含RGB图像、深度图像和人工测量的表型参数,共388个样本。对RGB图像和深度图像进行背景分割和数据归一化,输入构建的深度学习多源数据融合模型对5种表型参数进行同步回归训练。试验表明,该研究方法对5种表型参数的估算决定系数均高于0.94,平均绝对百分比误差均低于8%,而传统特征提取+机器学习方法对部分表型参数估算的平均绝对百分比误差高达13%以上,表明该研究估算方法具有较高的精度。消融试验表明融合RGB和深度图像的深度学习模型优于仅使用单源图像的模型,尤其在株高、直径和叶面积的估算上。对生菜不同品种和不同生长阶段的估算结果表明该模型适用于不同颜色、形状的生菜品种,亦对不同生长阶段、不同植株大小的生菜具有一定的适应性。因此,该研究提出的基于深度学习多源数据融合模型的生菜表型参数估算方法性能优异,对设施蔬菜生长监测和产量预估有重要的应用价值。 相似文献
4.
在蝴蝶兰（Phalaenopsis aphrodite）产业中，种苗在达到最短营养栽培时长时的生长势在其后续的栽培链和最终的经济利润中起着重要的作用。当前在商业大型温室中主要采取人工方式对每株种苗进行评估，既费时又费力。基于RGB图像进行植物生长评估的相关研究依赖于从图像中手动提取人工定义的特征，从而影响了机器学习模型的有效性和泛化能力。本研究使用卷积神经网络（Convolutional Neural Network，CNN）来探讨其以端对端方式评估温室中蝴蝶兰种苗生长势的可行性。对在温室中采集的图像数据集，采用不同的CNN架构（VGG、ResNet和Inception-v3）结合不同的训练机制（从头训练、微调、特征提取）建立基准模型，其中微调取得了最佳的分类结果。考虑到本研究的目标任务是对具有复杂图像背景的单个温室种苗的形态分类，为进一步提高模型性能，在可控的实验室条件下采集了更多的种苗图像。实验室图像进行背景分割后，用于协助模型更好地学习植株的形态，即建立增强模型。与基准模型相比，2种增强方式总体上在温室测试集的F1-score取得了0.03～0.05的提升。采用增强方式II的VGG模型取得了最高的性能（温室测试集上的F1-score为0.997），并对该模型的特征图进行可视化。在高层特征图中，目标种苗区域被激活，同时滤除了大部分背景（包括相邻种苗的叶片），进一步证明了能够采用CNN对温室种苗进行有效的形态学习和刻画。总体结果表明，深度学习模型可用于基于图像的蝴蝶兰种苗生长势评估，并且可扩展用于温室下其他植物类型的生长评估。 相似文献
5.
1