XiaoMi-AI文件搜索系统
World File Search System多光谱
深层：使用深度学习和公共多光谱图像促进大规模自动化树库存
Deeptrees项目提供了用于培训，微调和部署深度学习模型的工具，以使用德国的数字矫正图计划（DOP）以20 cm的分辨率从德国的数字矫正图计划（DOP）中使用公共访问的图像进行诸如Tree Crown分割，树状特征检测和树种分类。这些DOP图像是根据“ Amtliches popographis-kartographissches Informationssystems”（AKTIS）指南进行标准化的，以确保其长期使用的可靠性和一致性[2]。利用深层python软件包，我们成功地绘制了萨克森州（137,293,260棵树）和萨克森 - 安哈尔特（81,449,641棵树）的218,742,901棵树，展示了该工具在森林，Urban和乡村环境中的可伸缩性（图1）。这些数据集为市政当局和机构提供了宝贵的见解，以管理街道树木，监测城市绿化和评估森林健康，从而实现更明智的决策和可持续的管理实践。
MS-EVS：基于多光谱事件的基于深度学习的面部检测的愿景
基于事件的传感是一种相对较新的成像模态，可实现低潜伏期，低功率，高时间分解和高动态范围采集。这些支持使其成为边缘应用和在高动态范围环境中的高度可取的传感器。截至今天，大多数基于事件的传感器都是单色的（灰度），在单个通道中捕获了Visi-ble上广泛光谱范围的光。在本文中，我们介绍了穆斯特朗事件并研究了它们的优势。尤其是我们在可见范围内和近红外范围内考虑多个频段，并探索与单色事件和用于面部检测任务的传统多光谱成像相比的潜力。我们进一步发布了第一个大型双峰面检测数据集，其中包含RGB视频及其模拟色彩事件，N-Mobiface和N-Youtubefaces，以及带有多光谱视频和事件的较小数据集，N-SpectralFace。与常规多频谱图像的早期融合相比，多阶段事件的早期融合可显着改善面部检测性能。此结果表明，相对于灰度等效物，多光谱事件比传统的多光谱图像具有相对有用的有关场景的信息。据我们所知，我们提出的方法是关于多光谱事件的首次探索性研究，特别是包括近红外数据。
通过同时多光谱光声波动成像（MS-PAFI）和超声多普勒
我们提出了一种方法和设置，可提供血液氧合（通过定量光声成像）和血流动力学（通过超声多普勒）的互补三维（3D）图像。所提出的方法不含标签，利用了血液诱导的波动，并在仅有256个元素的稀疏阵列上实施，并以市售的超声电子功能驱动。我们首先实施3D光声波动成像（PAFI）来对鸡胚胎进行图像，并获得血管形态的全部视频图像。我们同时获得具有可比图像质量的3D超声功率多普勒。然后，我们引入了多光谱光声波动成像（MS-PAFI），并证明它可以提供吸收的光学能量密度的定量测量，并具有完全可见性和增强的对比度，与常规的延迟延迟式延迟式多光谱摄影成像相比。我们最终展示了MS-PAFI之间的协同作用和互补性，该MS-PAFI提供了3D定量氧合（SO 2）成像和3D超声多普勒，该成像提供了有关血流动力学的定量信息。MS-PAFI代表了基于模型的反转的有希望的替代方案，其优势是通过使用直接处理方案解决所有可见性人工制品而没有事先和正则化。
糖尿病黄斑缺血的基于图神经网络的多光谱学习模型
图4病例和亚组分析。a。 CFP和OCTA的图像代表性眼睛的图像。预测是由人类分级器（具有10年经验的眼科医生3）和GNN-MSVL模型（具有跳线n = 2）做出的。左：DMI阳性的眼睛，人类分级器和模型都正确预测了结果；中间：DMI阳性的眼睛，其中人类级别做出了错误的预测，而模型的预测是正确的；右：DMI阴性的眼睛和模型都正确地预测了结果。b。测试数据集中的DR分级和DMI存在。c。 GNN-MSVL模型（跳线n = 2）在不同的DR严重程度上进行的预测准确性。d。 GNN-MSVL模型（跳线n = 2）的示例DMI眼的CFP和OCTA图像做出了正确的预测。比例尺：0.5mm。
在Jezero火山口的水合 - 二氧化硅的多光谱检测
SuperCame和M2020团队：P。Beck，Ipag，Unive。Grenoble E. Dehouck，LGL-TPE，Unive。Lyon O. Beyssac，IMPMC，Paris O. Fornic，Irap，ToulouseE.Clavé5，DLR，DLR，Berlin St. Bernard，IMPMC，Paris E.A. 关闭，Unive。 温尼伯·L·曼顿（IPAG），大学。 Grenoble Alpes C. Royer，University W. Rapin，Irap，Toulouse S. Lyon F.污染，IAS，Unive。 巴黎 - 斯凯利T.脚，让，观察。 巴黎C. Plorage，IAS，Unive。 巴黎 - 塞克拉迪C.C. 贝德福德。 Gabriel，USGS，Flagstaff J.M. Madiaga，Unive。 国家巴斯克·阿拉纳（Basque G. Arana），Unive。 国家巴斯克圣克莱格特，Lanl A. Shock，IRAP，图卢兹R.C. 图卢兹大学圣莫里斯大学Lyon O. Beyssac，IMPMC，Paris O. Fornic，Irap，ToulouseE.Clavé5，DLR，DLR，Berlin St. Bernard，IMPMC，Paris E.A.关闭，Unive。温尼伯·L·曼顿（IPAG），大学。Grenoble Alpes C. Royer，University W. Rapin，Irap，Toulouse S.Lyon F.污染，IAS，Unive。 巴黎 - 斯凯利T.脚，让，观察。 巴黎C. Plorage，IAS，Unive。 巴黎 - 塞克拉迪C.C. 贝德福德。 Gabriel，USGS，Flagstaff J.M. Madiaga，Unive。 国家巴斯克·阿拉纳（Basque G. Arana），Unive。 国家巴斯克圣克莱格特，Lanl A. Shock，IRAP，图卢兹R.C. 图卢兹大学圣莫里斯大学Lyon F.污染，IAS，Unive。巴黎 - 斯凯利T.脚，让，观察。巴黎C. Plorage，IAS，Unive。巴黎 - 塞克拉迪C.C.贝德福德。Gabriel，USGS，Flagstaff J.M. Madiaga，Unive。 国家巴斯克·阿拉纳（Basque G. Arana），Unive。 国家巴斯克圣克莱格特，Lanl A. Shock，IRAP，图卢兹R.C. 图卢兹大学圣莫里斯大学Gabriel，USGS，Flagstaff J.M.Madiaga，Unive。国家巴斯克·阿拉纳（Basque G. Arana），Unive。国家巴斯克圣克莱格特，Lanl A. Shock，IRAP，图卢兹R.C.图卢兹大学圣莫里斯大学
一种多光谱UV-VIS吸收技术，用于燃烧燃料膜和烟灰的定量高速场序列成像
非蒸发的液体燃料膜是汽油直接注入发动机烟灰形成的主要原因。在这项研究中，开发了一种UV-VIS吸收技术，以在加热的恒流实验中直接注射后的燃料膜厚度成像。一个六孔GDI喷油器将燃料在100栏上喷涂到距喷嘴30毫米的透明板上。燃料由30％甲苯 / 70％的Iso-octane（分别为383和372 K）组成。气体和壁温度分别为376和352 K，气压1 bar。燃料的蒸发部分被点燃，随后的燃烧膜旁边的燃烧导致了烟灰的形成。在加剧的高速CMOS摄像头上成像了从脉冲LED照明中传输散射的背光。液态甲苯的紫外线吸光度为265 nm的LED。然而，在这种波长下，甲苯蒸气吸收，液体散射，烟灰和烟灰前体的灭绝以及烟灰白幕都干扰了液体燃料的吸光度。为了估计散射和烟灰消光的贡献，将310、365和520 nm处的LED添加到梁路径中，并以32 kHz的帧速率在高速摄像头上与连续的帧相吻合。获得了一个深色框架以说明烟灰阴影，以使所得5图像序列的重复速率为6.4 kHz。通过在先前的工作中开发的形态图像处理估算了甲苯蒸气的吸收，以将弥漫性的，移动的蒸气云与燃料膜的锋利，固定特征分开。允许获得时空分辨的燃油膜厚度测量和有关烟灰的其他信息的多光谱方法。
盲目的高光谱和多光谱图像融合
光谱图像融合结合了低空间分辨率高光谱（HS）和低光谱 - 分辨率多光谱（MS）图像，以估计高分辨率（HR）光谱图像。尽管基于监督深度学习的最新融合技术显示出令人鼓舞的结果，但这些方法需要大量的培训数据集，涉及昂贵的获取成本和较长的培训时间。相比之下，基于深图像先验（DIP）方法的无监督的HS和MS图像融合为具有不同分布的图像的适应性提供了适应性。但是，现有的无监督方法依赖于线性降解模型的假设，并且需要对这些模型的精确知识才能获得最佳性能。为了克服这些挑战，我们提出了无监督的盲人HS和MS图像融合的中间输出深图像先验（MODIP）。Modip基于DIP模型，并在网络中的中间层产生融合图像。该体系结构包括两个高尺度的卷积发生器，它们从HS和MS输入中重建了HR光谱图像，以及两个网络，这些网络适当地降低了估计的HR图像，以匹配可用的MS和HS数据集，从而学习非线性降解模型。MODIP的网络参数是通过最小化所提出的复合损耗函数的共同和迭代调整的。重要的是，这种方法可以处理降解操作员未知或部分估计的方案。广泛的模拟表明，MODIP的表现优于其他基于模型的图像融合方法。为了评估MODIP的性能，我们在两个模拟光谱图像数据集（Pavia University和Salinas Valley）上测试了Fusion方法，以及通过光学实验室中的测试台实现获得的真实数据集。
用便携式多光谱
摘要 - 这项研究介绍了用于实时牛奶掺假检测的基于便携式，低成本和边缘计算系统的开发。利用AS7265X多光谱传感器和Arduino Nano 33 BLE Sense MicroController，该系统采用了优化的逻辑回归模型来识别具有近乎完美精度的牛奶样品中淀粉掺假的。与复杂的神经网络模型不同，逻辑回归模型提供了简单，低功耗和微控制器的有效操作。收集的光谱数据是实时处理的，结果通过蓝牙传输以立即进行分析。该系统表现出很高的准确性，可移植性和成本效益，使其适合在牛奶供应链的各个阶段使用，包括农场，加工设施和零售点。未来的工作将探讨其他掺假剂的检测以及基于云的分析的集成以增强监视能力。本研究提供了一种创新的方法来确保牛奶质量和消费者的安全。
使用UAV多光谱图像的葡萄园冠层检测的不同计算机视觉方法的比较
在葡萄栽培中，通过超高的空间分解图像快速而准确地获取了冠层光谱信息以进行决策支持。普遍的做法涉及使用从纯藤冠像素获得的光谱数据创建活力图。基于对象的图像分析（OBIA）在常规方法中表现出由于其特征提取的功能而在树冠分类中表现出合理的效率。近年来，深度学习（DL）技术在果园监测中表现出了巨大的潜力，并利用了它们自动学习图像特征的能力。这项研究评估了不同方法的性能，包括掩盖R-CNN，U-NET，OBIA和无监督方法，以识别纯冠类像素。比较了阴影和背景检测方法的有效性以及错误分类像素对NDVI的影响。将结果与2021年和2022年生长季节进行的农艺调查进行了比较，重点是两个不同的物候阶段（BBCH65-BBCH85）。蒙版R-CNN和U-NET在整体准确性（OA），F1得分和与联合（IOU）相交方面表现出卓越的性能。在OBIA方法中，高斯混合模型（GMM）被证明是冠层分割的最有效的分类器，并且支持向量机（SVM）也表现出合理的稳定性。相反，随机森林（RF）和K-均值的准确性和较高的错误率产生了较低的误差率。由于准确性有限，因此在葡萄园行高的葡萄园排被高估了，而对于高活力的檐篷，NDVI被低估了。可显着提高确定系数，以进行总叶面积（TLA）与源自蒙版R-CNN和U-NET得出的NDVI数据之间的比较。还发现了来自GMM和SVM算法的NDVI数据的正相关性。关于叶叶绿素（CHL）和NDVI相关性，蒙版R-CNN和U-NET方法显示出较高的性能。此外，TLA和投影冠层区域（PCA）之间的关系得到了U-NET和Mask R-CNN的明显代表，而不建议使用PCA来估计叶绿素含量。这项调查确定，改善了葡萄树冠划界的贡献，可改善葡萄园活力监测，为葡萄酒生长提供了更准确，更可靠的农艺信息，以进行管理决策。