基于深度學習的圖像分割方法，主要研究領域是在于語義分割，即根據圖片內容，將圖像分為多個有含義的部分，對于農產品分類而言有著革命性的意義。全卷積網絡FCN是深度學習用于進行圖像分割的先驅，以分類模型AlexNet為基礎，將其3層全連接層轉化為反卷積層進行上采樣，從而將輸出有特征分類轉化為區域特征熱力圖。
進行藥品配制。應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，通常會因為基質效應的干擾而出現假陽性，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，分級分類任務面臨的首要問題。在農業產品分級分類任務中，圖像分割的目的是將工業相機采集到的圖片中的農產品準確的提取出來，為進一步的尺寸測量，分類任務做好準備。對于農產品圖像分割算法來說，由于受到生產設備成像質量，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，闡述各類算法的優缺點，以及各自合適的應用場景。
在線客服
17856548804
