基于深度學(xué)習(xí)的圖像分割方法，主要研究領(lǐng)域是在于語(yǔ)義分割，即根據(jù)圖片內(nèi)容，將圖像分為多個(gè)有含義的部分，對(duì)于農(nóng)產(chǎn)品分類(lèi)而言有著革命性的意義。全卷積網(wǎng)絡(luò)FCN是深度學(xué)習(xí)用于進(jìn)行圖像分割的先驅(qū)，以分類(lèi)模型AlexNet為基礎(chǔ)，將其3層全連接層轉(zhuǎn)化為反卷積層進(jìn)行上采樣，從而將輸出有特征分類(lèi)轉(zhuǎn)化為區(qū)域特征熱力圖。
對(duì)于以矩陣形式存儲(chǔ)的圖像來(lái)說(shuō)，采用模板矩陣（算子）對(duì)源圖像進(jìn)行卷積運(yùn)算是其提取梯度特征的通用方法。Sobel算子計(jì)算量較少，抗噪性較好且能保留邊緣的強(qiáng)弱，由一個(gè)用于提取水平方向特征和一個(gè)用于提取垂直方向的特征的算子組成。Sobel算子十分適合用于提取農(nóng)產(chǎn)品方向性的特征，例如檳榔的紋路就能很好的被垂直方向的Sobel算子提取出來(lái)，通過(guò)紋路分布密度，進(jìn)行檳榔的分級(jí)任務(wù)。
在線客服
17856548804
2179259773@qq.com
