相关实验视频
Updated: Jun 30, 2026
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.2K
在低曝光图像中对黑果实进行分类,将深度学习和图像融合方法结合起来
Eduardo Morales-Vargas1, Rita Q Fuentes-Aguilar1, Emanuel de-la-Cruz-Espinosa2
1Tecnologico de Monterrey, Institute of Advanced Materials for Sustainable Manufacturing, Av. Gral Ramón Corona No 2514, Colonia Nuevo México, Zapopan 45201, Jalisco, Mexico.
Sensors (Basel, Switzerland)
|December 9, 2023
概括
这项研究引入了一种图像融合方法,以改善在不同光线条件下改善黑成熟度分类. 该技术可增强低光照射图像,提高自动收获系统的分类准确度.
科学领域:
- 计算机视觉 计算机视觉
- 农业技术 农业技术
背景情况:
- 增加果产量面临劳动力短缺和水果浪费等挑战.
- 在农业环境中,不受控制的照明会导致图像曝光不足,妨碍准确的成熟度分类.
- 鉴别黑成熟度是很困难的,因为它们的深色和可变的照明.
研究的目的:
- 在各种照明条件下自动进行黑成熟度分类.
- 通过融合方法提高图像质量,以改进计算机视觉分析.
- 解决农业计算机视觉任务中低曝光图像所带来的挑战.
主要方法:
- 开发了一种结合可见,增强可见和近红外光谱图像的算法.
- 在分类之前使用图像融合技术来提高输入图像质量.
- 在低曝光和户外图像上评估性能,分析融合指标.
主要成果:
- 在没有微调的图像上,获得了0.909±0.074的平均F1得分,在微调的图像上获得了0.962±0.028.
- 在某些情况下,被证明的分类率增加了12%.
- 证实了该方法在增强户外图像方面的实用性,在不改变颜色和的情况下改善对比度.
结论:
- 图像融合有效地改善了黑在低光条件下的成熟度分类.
- 拟议的方法提高了农业计算机视觉应用的图像质量.
- 权重融合为改善低曝光植被图像对比度提供了可行的解决方案.
