基于深度学习的高光谱图像重建用于农产品质量评估
计算机视觉与模式识别
2024-08-01 v1 图像与视频处理
摘要
高光谱成像(HSI)近期已成为许多农业应用中极具前景的工具;然而,由于处理大量数据需要大量时间,该技术无法直接用于实时系统。因此,当前的 HSI 系统无法实现简单、紧凑且经济高效的成像系统。因此,本研究的总体目标是通过深度学习从 RGB 图像重建高光谱图像,以用于农业应用。具体而言,本研究使用高光谱卷积神经网络-密集(HSCNN-D)从 RGB 图像重建高光谱图像,以预测甘薯中的可溶性固形物含量(SSC)。该算法准确地从 RGB 图像重建了高光谱图像,所得光谱与真实值高度匹配。基于重建光谱的偏最小二乘回归(PLSR)模型优于使用全光谱范围的模型,证明了其在甘薯 SSC 预测中的潜力。这些发现突显了基于深度学习的高光谱图像重建作为各种农业用途的低成本、高效工具的潜力。
引用
@article{arxiv.2405.12313,
title = {Deep learning-based hyperspectral image reconstruction for quality assessment of agro-product},
author = {Md. Toukir Ahmed and Ocean Monjur and Mohammed Kamruzzaman},
journal= {arXiv preprint arXiv:2405.12313},
year = {2024}
}
备注
Under review