基于高光谱的柑橘叶片磷含量估算模型实验

以117株园栽罗岗橙为实验对象,分别在壮果促梢期和采果期2个不同发育阶段采集234个数据样本,高光谱反射数据构成每个数据样本中的高维矢量描述,用化学方法测得磷含量值作为样本真实目标值,用偏最小二乘法(PLS)及支持矢量回归(SVR)2种多元回归分析算法,在对反射光谱进行各种形式预处理的基础上对柑橘叶片磷含量进行建模和磷含量预测。模型分别在校正集和测试集上进行评估,取得最佳模型决定系数分别为0.905和0.881,均方误差分别为0.005和0.004,平均相对误差分别为0.026 4和0.031 2。实验结果表明:基于高光谱反射数据进行磷含量预测是可行的。

不同物候期柑橘叶片钾素水平预测建模

为探究柑橘树钾素质量分数无损检测的技术途径,基于反射光谱建立不同物候期柑橘叶片钾素水平预测模型.以117株园栽萝岗橙树为试验对象,采集4个物候期健康鲜叶数据,用高光谱仪测量叶片反射光谱值,用火焰光度法测定同期同批叶片钾素质量分数.对不同物候期钾素敏感特征波段和钾素质量分数建模进行试验和分析,结果表明:不同物候期钾素质量分数敏感特征波段存在漂移现象;相比多元线性回归,支持矢量回归(SVR)和偏最小二乘法(PLS)用钾素敏感特征波段建模能较好预测K素质量分数;在不同物候期特征波段漂移和模型性能差异情况下,SVR基于反射光谱建立全发育期钾素质量分数模型仍有良好的预测性能,其在测试集上的决定系数R2为0.994,均方误差为0.120,平均相对误差为1.33%.

云端马拉松图像的号牌识别研究

对于马拉松赛事举办方而言,如何将赛事期间为运动员们拍摄的海量照片进行云端的精准分类、推送和管理是一项具有挑战性的服务工作。为了实现云端海量马拉松图片的智能分类,本文提出了一种基于目标检测的两阶段号牌识别算法框架,利用号牌编号的识别实现高效的图像分类功能。本文首先利用RetinaNet算法实现号牌检测,然后通过DenseNet-CTC进行端到端的号牌识别,在保证精度的前提下有效减少冗余信息,提升推理速度。在RBNR、FUNNR和TEST数据集上进行了对比实验,结果证明了本方法的有效性和良好的泛化性。

分布式图像解析系统的设计与研究

随着互联网技术发展和硬件算力的增强,基于深度学习的人工智能算法在实际应用中有着长足发展,更多的人工智能算法被应用在各类产品中。但这些人工智能模型具有庞大的参数规模,且对算力具有强依赖性,如何在不影响用户体验的情况下,提升深度学习算法能力成为研究重点。本文针对目前主流的请求方式进行分析,提出了结合异步的分布式消息队列图像解析系统,这对人工智能算法在云服务中的应用具有指导意义与参考价值。