基于深度学习的作物与生物学应用 hyperspectral 图像重建比较分析
图像与视频处理
2024-06-04 v2 计算机视觉与模式识别
摘要
荧光光谱成像（HSI）已成为 various 领域中非侵入式质量评估的关键技术，能够通过空间和光谱数据提供详细洞察。尽管其有效，但 HSI 系统的复杂性和高昂成本阻碍了其广泛应用。本研究通过探索基于深度学习的从 RGB（红、绿、蓝）图像重建 hyperspectral 图像的方法，特别针对作物进行了研究。具体而言，比较了诸如 HSCNN-D（Hyperspectral Convolutional Neural Network - Dense）、High-Resolution Network（HRNET）和 Multi-Scale Transformer Plus Plus（MST++）等不同的 hyperspectral 重建算法，以评估甜薯干物质含量。经过测试的重建方法中，HRNET 表现最佳，实现了最低的均绝对相对误差（MRAE）为 0.07，均方根误差（RMSE）为 0.03，以及最高的峰值信噪比（PSNR）为 32.28 贝特（dB）。使用遗传算法（GA）选择了一些关键特征，并通过可解释人工智能（XAI）进行重要性解释。开发了使用 RGB、重建数据和真实数据（GT）的偏最小二乘回归（PLSR）模型。比较了这些重建方法与 GT 数据的视觉和光谱质量，并生成了预测图。结果显示，基于深度学习的 hyperspectral 图像重建作为一种成本有效且高效的作物与生物学应用质量评估工具具有广阔的前景。
引用
@article{arxiv.2405.13331,
title = {Comparative Analysis of Hyperspectral Image Reconstruction Using Deep Learning for Agricultural and Biological Applications},
author = {Md. Toukir Ahmed and Arthur Villordon and Mohammed Kamruzzaman},
journal= {arXiv preprint arXiv:2405.13331},
year = {2024}
}
备注
Under review