| Маркер записи | n 22 3 4500 |
| Контрольный номер | zhps20_to87_no1_ss64_ad1 |
| Дата корректировки | 14:45:27 27 июля 2020 г. |
| Кодируемые данные | 200629s2020||||RU|||||||||||#||||# rus0| |
| Системный контрольный номер | RUMARS-zhps20_to87_no1_ss64_ad1 |
| AR-MARS | |
| Служба первич. каталог. |
Научная библиотека им. М. М. Бахтина Мордовского госуниверситета им. Н. П. Огарева МАРС |
| Код языка каталог. | rus |
| Код языка издания |
eng eng |
| Индекс УДК |
535.33 577.3 |
| Индекс ББК |
22.344 28.071 |
|
Таблицы для массовых библиотек Таблицы для массовых библиотек |
|
|
Wang, X. 070 |
|
|
Nondestructive identification of millet varieties using hyperspectral imaging technology X. Wang, Z. Li Z., Z. Zheng Z., W. Wang |
|
|
Неразрушающая идентификация сортов проса на основе технологии гиперспектральной визуализации rus |
|
| Текст | |
| непосредственный | |
| Библиография | Библиогр.: с. 71 |
| Аннотация | Изучены гиперспектральные изображения 480 образцов проса восьми сортов в видимой и ближней инфракрасной областях спектра. В результате анализа изображений получены спектральные и графические характеристики образцов проса, выявлены особенности текстуры и цвета. На основе полученных характеристик созданы модели опорных векторов (SVM) для идентификации сортов проса. Идентификация сортов проса проведена на основе конволюционной рекуррентной нейронной сети (attention-CRNN), включающей в себя механизм внимания, а также с помощью моделей SVM и attention-CRNN методом слияния изображений и спектральных признаков. Определено, что лучшим методом преобразования является обратно-логарифмический метод. Точность идентификации сортов проса на базе классификационной модели SVM с обратно-логарифмической кривой спектральных характеристик 73. 13%. Средняя точность идентификации восьми сортов проса по модели SVM с помощью признаков изображения 61. 25%. Точность идентификации по модели SVM с использованием метода слияния изображения и спектральной информации значительно повышает общий показатель точности до 77. 5%, а минимальная точность распознавания сортов проса увеличивается с 50 до 65%. Средняя точность идентификации по модели attention-CRNN 87. 50%, что на 10% выше, чем у модели SVM, а минимальная точность распознавания сортов проса увеличивается с 65 до 90%. Использование модели attention-CRNN улучшает общую точность идентификации восьми сортов проса и значительно увеличивает минимальную точность идентификации. Модель attention-CRNN представляет большой интерес для неразрушающей идентификации проса и, возможно, других мелких сортов зерна. |
|
Физика AR-MARS Спектроскопия AR-MARS Биология AR-MARS Общая биофизика AR-MARS |
|
| Ключевые слова |
attention-CRNN гиперспектральная визуализация идентификация сортов проса конволюционная рекуррентная нейронная сеть механизм внимания неразрушающая идентификация проса просо технологии гиперспектральной визуализации |
|
Li, Z. 070 Zheng, D. 070 Wang, W. 070 |
|
| ISSN | 0514-7506 |
| Название источника | Журнал прикладной спектроскопии |
| Место и дата издания | 2020 |
| Прочая информация | Т. 87, № 1. - С. 64-71 |
|
RU 43013090 20200629 RCR |
|
|
RU 43013090 20200629 |
|
|
RU AR-MARS 20200629 RCR |
|
|
RU AR-MARS 20200629 |
|
| Тип документа | b |
|
code year to no ss ad |
|
|
zhps 2020 87 1 64 1 |
|
| 718 |
