_高光谱成像仪/高光谱相机/高光谱解决方案-江苏双利合谱科技有限公司

网站首页 > 行业应用 > 客户文章

基于近红外高光谱成像和机器学习的番茄幼苗叶片光合色素预测研究

番茄是一种受欢迎且营养丰富的水果，在全球市场上占据了重要地位。近几十年来，大量的研究致力于培育出品质更高、抗逆性更强的番茄品种。果实的品质与幼苗的生长密切相关，因此，有效监控幼苗的生长对于培育优质番茄至关重要。传统的化学方法在监测植物中大量色素的浓度方面可能会受到限制。为了克服这些限制，研究人员经常求助于非侵入性、高通量和实时监测技术，例如光谱学和高光谱成像，这些技术可以在不需要破坏性采样的情况下评估植物中的色素浓度，并提供有效监测大量植物的能力。阅读全文 ∨
高光谱技术与文物研究：新视角下的应用成果分享

高光谱文物应用研究阅读全文 ∨
利用高光谱成像和变压器对肾小球疾病进行准确分类

背景：在肾脏疾病研究中，利用尿样进行精确的肾小球疾病诊断对于治疗和预后至关重要。传统方法依赖于有创性活检，这存在风险并由于病理学家的差异而不一致。因此，迫切需要创新的诊断工具，以提高传统方法的效率，确保疾病检测的准确性和一致性。本研究提出了一种创新的卷积神经网络-视觉变压器（CVT）模型，通过融合光谱和空间数据，改进肾小球疾病的诊断。通过间隔采样预处理和波长优化，该研究还引入了Gramian Angular Field (GAF)方法来统一表示光谱和空间特征。阅读全文 ∨
利用高光谱成像技术早期检测茶叶白叶枯病及快速筛选抗性品种

背景:GB是茶叶的一种重要病害，严重威胁茶叶的产量和品质。本研究模拟了GB病病原菌DDZ-6侵染叶片的过程。采集正常叶片、无症状的侵染叶片、轻度和中度症状的侵染叶片的高光谱图像。结合卷积神经网络(CNN)、长短期记忆(LSTM) 和支持向量机(SVM)算法，建立GB病早期检测模型和抗性品种快速筛选模型。通过采集野外条件下的数据集，验证了该方法的通用性。结果:可见红光波段对GB疾病表现出明显的响应性，通过使用无信息变量消除(UVE)、竞争自适应重加权抽样(CARS)和连续投影算法(SPA)的严格筛选过程确定了三个敏感波段。693、727和766 nm波段是GB的高敏感指标。在理想条件下， CARS-LSTM模型在GB的早期检测中表现出色，准确率达到92.6%。然而，在现场条件下，693和727 nm波段结合CNN提供了最有效的早期检测模型，准确率为87.8%。SPA-LSTM模型在筛选抗GB品种方面表现优异，准确率达82.9%。阅读全文 ∨
基于光谱信息与图割模型求解的高光谱图像拼接方法

图像拼接任务目标导出一个大用于获取广泛信息的全景图像。但是，重影或几何错位等伪影是不可避免地产生。作为一项实用措施，最佳接缝线检测策略使用空间信息来获取 RGB图像拼接中的最佳接缝，但不能直接接缝用于高光谱图像（HSI）拼接。由于空间 HSI的众多连续波段的信息是不同的，在每个中检测到的传统基于RGB的方法的接缝 HSI的波段是发散的，这会导致视觉差异和频谱失真。为了解决这个问题，我们提出了一个基于图形切割的HSI优化接缝线检测新颖策略这部作品中的缝合。首先，我们使用鲁棒的特征匹配和 Elastic Warp 将多个相邻图像对齐成一个公共图像几何变换阅读全文 ∨
基于高光谱成像技术的茶苗生长深度学习模型的建立

首先，利用Mask R-CNN网络提取新梢和母叶的光谱反射率，其次，利用多元散射校正（MSC）、一阶导数（1-D）和平滑滤波（S-G）算法对采集的原始高光谱数据进行预处理，并利用无信息变量消除（UVE）和竞争性自适应重加权（SPA）算法筛选预处理后高光谱数据的特征波段。最后，提出一种卷积神经网络-门控循环网络（CNN-GRU）网络用于估计扦插苗新梢和根系的生物量，并且与支持向量机（SVM）、随机森林（RF）、偏最小二乘法（PLS）三种机器学习方法和卷积神经网络（CNN）、长短时记忆网络（LSTM）两种深度学习方法进行比较。阅读全文 ∨