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。
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。
各種新型顯色劑和高靈敏度的顯色體系不斷涌現，為建立高靈敏度的試紙檢測方法提供了更大的發展空間。如薛文靜等以0。1%鎘試劑的乙醇溶液為顯色劑，定量分析用慢速中性濾紙為載體，制備鎘快速檢測試紙，標準系列色階為0～5。0mg·L-1。該試紙性質穩定，在避光干燥條件下可保存5個月，在pH5～8范圍內pH對顯色結果影響不大。
在線客服
17856548804
