分享:利用机器学习与传感器融合技术进行植物精准表型分析
日期:2018-02-07 14:12:23

>>人工智能与机器学习<<

1.jpg

机器学习是人工智能的一种形式,能赋予计算机无需复杂的程序化设计的学习能力,从而产生巨大的数据量。


>>机器学习的早期应用<<

2.jpg

很早之前,机器学习就有用在一个游戏‘超级马里奥’里面,mario可以由计算机程序控制,识别不同的障碍,进而做出合理的判断和应对策略。


>>基于机器学习技术开发而成的LemnaTec软件模块—LemnaGrid<<

3.jpg

一个传感器收集到的需要训练的数据,经过数据标记,特征分析,再到各种分类算法处理,最终得到数据,可与实际数值,做进一步分析。其中数据标记、特征分析和分类算法处理是图像处理的核心问题。这一整个过程即为机器学习的过程,一旦有新的传感器所得到的数据,依旧可以用这一流程,进行各种处理与分析。


>>举个栗子1<<

LemnaGrid-机器学习技术:3D点阵云图分割

4.jpg

利用英国洛桑研究所的3D激光成像模块,以及LemnaGrid的机器学习技术,能够分析田间小麦穗表型,对穗的识别精度达到99%以上。



>>举个栗子2<<

传感器融合有助于机器学习过程

5.jpg

51.jpg

传感器融合是一个整合数据的过程,这些数据来自不同光谱、时空尺度下的不同传感器。


RGB与IR的融合

6.jpg

• RGB mask可用于从IR中减去植物的背景;

• IR数据可以用作RGB数据的第四通道并用于相同的ML算法中。


3D层面的融合(不只是2D)


71.jpg

使用RGB和3D融合的像素级信息。

72.jpg

3D和IR,环境传感器融合:观察从上午9点到下午2点的大田植物温度的升高趋势。


>>小结<<

• 传感器融合能提高机器学习算法的目标检测和识别的精度;

• 传感器融合提供了增强的结构和空间细节,并纠正了反射率的复杂性,并提供更高水平的校准。


本文视频来源(请点击或识别下方二维码观看)

视频二维码200.jpg

收 藏