基于高光谱和卷积神经网络的鲜枣黑斑病检测.pdf下载

weixin_39821620 2021-10-06 21:11:45

基于高光谱和卷积神经网络的鲜枣黑斑病检测.pdf , 相关下载链接：https://download.csdn.net/download/jiebing2020/24820171?utm_source=bbsseo

...全文

15 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

基于高光谱和卷积神经网络的鲜枣黑斑病检测.pdf

基于高光谱成像技术结合卷积神经网络的马铃薯病害检测基于高光谱成像的马铃薯早疫病检测摘要采用两种基于高光谱成像的马铃薯早疫病无损检测的方法：卷积神经网络，支持向量机对马铃薯病叶进行分类。通过对比分类结果，分析不同方法的优劣。实验选取马铃薯正常叶，早疫病叶为研究对象，通过高光谱成像系统获取样本的高光谱图像，进而通过主成分分析方法提取主成分图像。发现正常叶和早疫病叶的主成分图像存在明显不同，最终建立了卷积神经网络和支持向量机的两种早疫病检测模型，实验结果表明卷积神经网络相比支持向量机能很更好地针对马铃薯

基于卷积神经网络的高光谱分类一、研究现状只考虑到高光谱图像的光谱特征，即：1、提取特征(小波变换、Gabor纹理分析、形态学剖面) 2、利用分类方法分类(支持向量机、决策树、随机森林、神经网络) 缺点：这些特征提取方法需要依据先验知识手动设置，且通过设定参数提取的特征信息通常只能用于区分特定的对象，缺乏灵活性，并且分类性能无法进一步提升。本文提出：卷积神经网络的高光谱分类优点：能同时提取图

近年来深度学习的技术在计算机视觉领域中大放异彩，使得对多光谱数据分类的研究迅速发展，结合2D-CNN，3D-CNN，注意力机制，PCA降维等方法均可使得对多光谱图像的分类精度得以提升。目前CNN网络大量用于传统的CV领域，而对于高光谱图像的分类仍比较缺乏，本文章基于CNN网络在高光谱图像中的分类做一个综述。根据CNN网络对高光谱图像特征提取方式的不同，分为基于谱特征，空间特征，和空谱特征的分类方法。

论文地址基于深度卷积神经网络的高光谱遥感图像分类西华大学学报同时利用高光谱图像的光谱信息和空间信息的深度卷积神经网路分类模型。基于深度学习到的深度特征，用逻辑回归分类器进行分类训练。高光谱图像面临的挑战：Hughes现象：在高光谱遥影像中，当训练样本数目有限时，分类精度随着图像波段数目的增加先增加，在达到一定极值后，分类精度随着波段数目的增加而下降。同物异谱异物同谱现有方法：随机森林、决策树、神...

下载资源悬赏专区

13,654

社区成员

12,578,483

社区内容

发帖

与我相关

我的任务

其他技术论坛（原bbs）

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章