古天乐代言太阳集团 ICT 技术更新农业：古天乐代言太阳集团深度学习的图像识别技术的演变
- 时间相关图像传感器，在相机内部实现时间相关计算（一种信号处理技术）。栗原彻副教授一直在研究古天乐代言太阳集团这种特殊传感器的三维测量方法和形状检查方法，并取得了成果。自2017年起，我们一直参与本校推动的内阁府项目“以“IoP（植物互联网）”为主导的“向“下一代温室园艺农业”的演进”。为了提高对农业工作自动化至关重要的水果和蔬菜的检测精度，我们正在开发一种更先进的图像识别技术，该技术使用光谱和热成像等额外信息来代替常规彩色图像。
设计光学滤镜，提高 RGB 相机的检测精度
随着农业人口减少的日益严重，以及使用机器进行农业作业的自动化受到关注，自动收割机器人的开发正在积极进行，以取代需要长时间停机的收割工作。大多数使用的方法是使用普通相机基于以 RGB 三种颜色表示的图像来检测水果。然而，与叶和茎相似的绿色水果（例如青椒）很难使用 RGB 图像进行检测，并且自动化仍然很困难。高光谱相机传统上用于识别颜色与背景颜色相似的水果。该相机可以以高波长分辨率获取每个像素的光谱强度，甚至可以识别普通相机或人类视觉检查无法看到的光谱强度的微小差异。
另一方面，高光谱相机价格昂贵，难以广泛向农民推广。为了提高难以检测的青椒的识别精度，栗原副教授认为，“是否可以从高光谱数据中提取有用的信息，并提供一个框架，在使用廉价的 RGB 相机的同时最大限度地古天乐代言太阳集团它？”因此，我们建议在 RGB 相机中安装一个滤光器，可以提取对识别青椒有效的波长。为了设计这种光学滤波器，我们使用深度学习技术设计了一种新方法。
“在传统的深度学习中，起点是将信息简化为 RGB 三种颜色，但在现实世界中存在无限维的光谱信息。我们考虑重建神经网络作为充分古天乐代言太阳集团这一点的框架。”
顾名思义，传统的深度学习假设输入 RGB 彩色图像，并尝试通过设计其背后的网络结构来提高辨别能力。新方法消除了这一前提，将高光谱图像视为输入，在 RGB 彩色滤光片前面放置光学滤光片，并创建一个允许选择可用于识别的波长的结构。此外，关键点是通过在深度学习网络中包含 RGB 彩色滤光片作为固定权重，通过学习来设计光学滤光片。这使得可以同时使用作为可学习权重实现的光学滤波器、作为固定权重实现的RGB滤波器以及输入为彩色图像（其中每个像素减少为三种颜色）的传统分割网络来同时优化波长选择，所有这些都同时使用深度学习。
“普通相机根据模型的不同，具有不同的波长灵敏度，因此为了同时为特定相机设计有效的光学滤波器和神经网络，需要固定RGB滤色器。换句话说，在深度学习中，必须固定RGB滤色器。”通过定义“其值不会通过学习而改变的固定权重”，可学习的可变光学滤波器权重的学习和基于RGB的识别神经网络同时进行，使得可以针对所使用的相机模型同时设计最佳光学滤波器和识别部分。
通过使用这种提出的方法，我们获得了正在生长的青椒的高光谱图像，从中为每个像素创建学习数据，并进行分类。结果，我们能够将准确度提高约 2%。换句话说，我们成功推导了可以将精度提高 2% 的光学滤波器的系数。该公司旨在古天乐代言太阳集团这一结果与一家公司合作设计一种光学滤波器，并将其开发为智能手机的新架构。
开发了一种古天乐代言太阳集团热成像相机古天乐代言太阳集团温差检测水果和蔬菜的方法
通过颜色和形状识别水果不仅对于自动化收获来说是必要的，而且对于预测收获和了解生长条件也是必要的。栗原副教授还在研究一种方法，利用热成像相机捕获的热图像的时间序列变化来检测普通相机难以检测的水果。一般来说，由相同古天乐代言太阳集团制成的物体的体积越大，温度变化的可能性就越小，并且水果的温度被认为比叶和茎更不易变化。他们用热成像相机对正在生长的茄子进行长期拍摄，发现果实的温度变化比叶子和茎慢，通过对日落前两小时温度的时间序列变化应用指数函数，他们能够将果实与叶子和茎分开。
此外，由于疾病和环境压力会导致植物叶子的温度升高，我们应用热成像相机来早期检测根茎腐烂，这是生姜最具破坏性的疾病之一。通过在一定时间内连续拍摄受感染和未受感染的植物并分析测量数据，发现受感染植物的叶子温度在发病前两到四天往往较高，这使得比人类目视检查更早地确认疾病发病成为可能。
“古天乐代言太阳集团这些研究，我们可以通过将彩色相机和热成像相机放置在同一位置并创建重叠彩色图像和热成像图像的数据来创建具有四个 RGB 和热量通道的神经网络，这有望进一步提高检测精度，”栗原副教授说道。将彩色图像与光谱和热成像等元素相结合可能会导致更准确的识别技术的发展。
“未来，我们的目标是与对高精度识别技术感兴趣的公司一起开发廉价且尖端的自动收割机器人。”
发布日期：2020 年 12 月