基于深度學習的圖像分割方法，主要研究領(lǐng)域是在于語義分割，即根據(jù)圖片內(nèi)容，將圖像分為多個有含義的部分，對于農(nóng)產(chǎn)品分類而言有著革命性的意義。全卷積網(wǎng)絡(luò)FCN是深度學習用于進行圖像分割的先驅(qū)，以分類模型AlexNet為基礎(chǔ)，將其3層全連接層轉(zhuǎn)化為反卷積層進行上采樣，從而將輸出有特征分類轉(zhuǎn)化為區(qū)域特征熱力圖。
進行藥品配制。應(yīng)用提取液對試劑稀釋劑進行配制，在配制過程中要對pH值進行不斷校正，結(jié)合要求進行蒸餾水與藥品的添加，把控好溫度，在室溫條件下使用藥品和酶試劑。再次，優(yōu)選樣品。以蔬菜檢測為例，需要先將爛葉、枯葉去掉，在表皮到果肉1-2cm處提取出果肉，把控好提取量。如果蔬菜含有葉綠素以及其他色素，則要浸提整株，防止浸出大量色素對檢測結(jié)果造成影響。有條件的實驗室可選擇用活性炭先進性脫色處理，也能減小色素對過濾液的干擾，作離心處理之后提取其中清液等待檢測。實驗表明，蔥、姜、蒜、蘿卜、番茄等汁液中由于存在對酶有影響的植物次生物質(zhì)，通常會因為基質(zhì)效應(yīng)的干擾而出現(xiàn)假陽性，在處理這類樣品過程中也需要浸提整株，以避免受到次生物質(zhì)的影響。，使用移液器和試劑。
圖像分割的準確性直接作用于目標物測量的準確性，其效率直接影響生產(chǎn)的效率，因而，一個快速準確圖像分割算法是目標識別，分級分類任務(wù)面臨的首要問題。在農(nóng)業(yè)產(chǎn)品分級分類任務(wù)中，圖像分割的目的是將工業(yè)相機采集到的圖片中的農(nóng)產(chǎn)品準確的提取出來，為進一步的尺寸測量，分類任務(wù)做好準備。對于農(nóng)產(chǎn)品圖像分割算法來說，由于受到生產(chǎn)設(shè)備成像質(zhì)量，灰塵污漬，光照條件，陰影等外部因素影響，造成分割的不準確。本文通過對比不同圖像分割算法，闡述各類算法的優(yōu)缺點，以及各自合適的應(yīng)用場景。
在線客服
17856548804
2179259773@qq.com
