3DeepM:一种基于深度学习的多光谱图像分类方法


发布时间:

2021-03-28

来源:

本站

作者:

PhenoTrait

当前用于深度学习的预定义体系结构计算量非常大,使用了数千万个参数。这对于许多实验或技术设置,计算成本可能令人望而却步。本文开发了一个基于深度学习技术对多光谱图像进行分类的特定架构,称为3DeepM。该结构是由三维滤波器组组成的,专门用于提取多通道图像的空间光谱特征。

 

采集和数据扩充过程示意图

 

研究人员利用12210张无籽食用葡萄品种(皇家秋葡萄、深红无籽葡萄、Itum4、Itum5和Itum9)的多光谱图像样本上对该特定构架进行了测试。结果得到,3DeepM能够对100%的图像进行分类,与同类工作相比,在准确度、分类次数、参数数目和训练时间等方面取得了最佳的整体效果。此外,本文还提出了一种灵活的可重构计算机视觉系统,利用该视觉系统获取400 ~ 1000 nm范围内的多光谱图像,创建第一个数据集,包括12210个37通道多光谱图像(12 VIS+25 IR)(这些图像来自上述5个无籽葡萄品种),对3DeepM体系结构进行验证。与预定义的分类体系结构(如AlexNet、ResNet或具有大量参数的adhoc体系结构)相比,尽管3DeepM使用的参数比所比较的体系结构少130倍,但它显示出最佳的分类性能。

 

MIS采集过程中使用的各种葡萄籽粒

 

综上所述,3DeepM可用于多种基于多光谱图像的应用,如遥感或医疗诊断。此外,3DeepM的参数较少,非常适合用于自主机器人或无人驾驶车辆上的在线分类系统。

 

葡萄分类深度学习方法的特征总结

 

来源:

Navarro P, Miller L, Gila-Navarro A, et al. 3DeepM: An Ad Hoc Architecture Based on Deep Learning Methods for Multispectral Image Classification. Remote Sens. 2021, 13(4), 729; https://doi.org/10.3390/rs13040729.

推荐新闻

石时之约|韩志国:透过表型数据,看见植物的喜怒哀乐!

本期石时之约,我们将对话慧诺瑞德(北京)科技有限公司总经理、国际植物表型学会(IPPN)执委会委员/工业分会副主席韩志国,一起从表型数据的科学角度,去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种,是在给定的环境条件下,选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种,从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选,是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”,要在肉眼可见之前就能测量并预判出变化趋势,才是这个技术的核心价值。叶绿素荧光成像,恰好满足了这个要求。