超光谱深度学习模型的高成本培训,用于通过光标记来检测散装麦中的污染谷物

科学领域:

• 农业科学 农业科学
• 计算机视觉 计算机视觉
• 频谱学是一种光谱学.

背景情况:

• 在农业中自动化视觉检查,就像检测麦中的污染物一样,由于类似的谷物之间存在微妙的差异,这是一项挑战.
• 使用高光谱成像的深度学习模型可以捕捉光谱和空间特征,以改善歧视.
• 训练受监督的超频谱深度学习模型需要大量的标记数据,这些数据通常很稀缺,需要大量的劳动力来生成.

研究的目的:

• 调查在高光谱深度学习模型中使用光油漆标记花核的效率.
• 为了确定光标签是否可以减少与手动数据注释相关的努力和错误.
• 用光标记数据训练的深度学习模型与传统的像素分类器进行性能比较.

主要方法:

• 开发了一个超谱深度学习细分模型和一个经典的像素分类器.
• 在含有光涂层的麦粒的麦混合物上训练有素的模型.
• 评估了对麦混合物与未涂层的麦粒的模型概括.

主要成果:

• 与像素分类器 (RMSE = 1.91%) 相比,深度学习模型在预测拼写质量百分比方面实现了较低的根平均平方误差 (RMSE = 1.34%).
• 深度学习模型在细分内核边缘方面表现出卓越的性能,导致更准确的结果.
• 光标签被证明是一种成本效益高的技术,用于生成超光谱数据的基准真实面具.

结论:

• 光标签是一种有效的方法,可以有效地为高光谱深度学习模型生成基准真实数据.
• 用光标记数据训练的深度学习细分模型可以在谷物分析中超越传统方法.
• 这种方法为手动标签提供了可行的替代方案,有可能绕过用于高光谱数据注释的传统像素分类.