机器学习的数据增强技术应用于农业食品应用中的光学光谱数据集:全面审查
Ander Gracia Moisés1,2, Ignacio Vitoria Pascual1,2,3, José Javier Imas González1,3
1Department of Electrical, Electronic and Communications Engineering, Public University of Navarra, Campus Arrosadía, 31006 Pamplona, NA, Spain.
数据增强技术通过扩大有限的光学光谱数据集来增强农业食品行业的机器学习模型. 这些方法,包括生成对抗网络,解决不平衡的数据挑战,以提高性能.
科学领域:
- 农业科学 农业科学
- 数据科学数据科学数据科学
- 频谱学是一种光谱学.
背景情况:
- 机器学习 (ML) 和深度学习 (DL) 在各种任务中表现出色,但需要大量数据.
- 农业食品应用程序经常面临数据短缺,原因是收集限制和不平衡的数据集.
- 光学光谱能为农业食品行业产生有价值的数据,但数据集的局限性阻碍了ML/DL模型的性能.
研究的目的:
- 审查农业食品行业光谱数据集的数据增强 (DA) 技术.
- 探索DA如何解决这个领域的数据稀缺性和不平衡数据集.
- 介绍简单和先进的DA方法,包括生成对抗网络 (GAN).
主要方法:
- 对应用到农业食品光学光谱学数据的数据增强现有文献的审查.
- 从简单的样本重复到复杂的深度学习模型的DA技术的分类.
- 对生成对抗网络 (GAN) 和半监督生成对抗网络 (SGAN) 的分析,用于合成数据生成.
主要成果:
- 数据增强有效地扩展了农业食品应用的有限光学光谱数据集.
- 技术范围从基本数据复制到复杂的生成模型,如GAN和SGAN.
- DA有助于缓解农业食品数据收集中常见的不平衡数据集问题.
结论:
- 数据增强对于在农业食品行业使用光学光谱学构建强大的ML/DL模型至关重要.
- 像GAN这样的先进技术为生成合成数据提供了强大的解决方案,以克服局限性.
- 在这个领域应用DA有望提高分析能力和决策能力.
更多相关视频
11:37RGB and Spectral Root Imaging for Plant Phenotyping and Physiological Research: Experimental Setup and Imaging Protocols
Published on: August 8, 2017
07:11ARL Spectral Fitting as an Application to Augment Spectral Data via Franck-Condon Lineshape Analysis and Color Analysis
Published on: August 19, 2021
相关概念视频
Light Acquisition
Key Elements for Plant Nutrition
Applications of IR Spectroscopy: Overview
Attenuated Total Reflectance (ATR) Infrared Spectroscopy: Overview
The ATR process begins by directing a beam...
