基于图像检索的大豆食心虫虫害高光谱检测 (基于图像检索的软件)

本文目录导航：

• 基于图像检索的大豆食心虫虫害高光谱检测-莱森光学
• 基于改良Efficientnet的植物病虫害检测
• 涨常识丨一看就懂的遥感数据科普，附5个数据集下载资源

基于图像检索的大豆食心虫虫害高光谱检测-莱森光学

在大豆种植业中，大豆食心虫的侵扰已成为一个不容漠视的难题。传统的手工检测手腕不只耗时，还依赖于专业常识。但是，科技的曙光照亮了这片田地，深度学习技术特意是与高光谱技术的融合，为大豆病害的精准识别开拓了新的门路。

在试验探求中，咱们首先精心预备了样本，应用高效的高光谱成像系统捕捉每个样本的光谱特色。

数据预处置是关键，经过精心设计的流程，咱们确保了数据的准确性与分歧性。

3D-R-D模型的翻新之处在于它驳回了3D-Resnet18的预训练模型，辅以对成对损失函数的优化，以深度学习的模式开掘出最能反映虫害特色的深度特色。

在模型的实践运用中，咱们将分类损失与相似度信息奇妙联合，引入汉明距离计算，以确保对每个样本特色的准确度量。

预训练模型和hash层的引入，加上DCH损失函数的经常使用，让咱们的模型在CAVE、iCVL、NUS等数据集上展现出弱小的功能。

试验结果显示，DCH损失函数疏导的模型准确率到达86%，远超其余竞品，表现出其在样本稀缺的农业病虫害检测畛域的出色表现。

这一打破性成绩不只处置了农业病虫害检测中的应战，也为高光谱技术在农业消费中的运行提供了全新的视角。经过莱森光学群众号，您将能失掉更多关于这项翻新技术的深化解析和实践运行案例，助力您更好地应答农业消费中的各种应战。总的来说，深度学习与高光谱技术的联合为大豆食心虫检测提供了弱小工具，为农业可继续开展注入了新的生机。让咱们一同关注莱森光学，探求更多科技在农业畛域的翻新通常。

基于改良Efficientnet的植物病虫害检测

本文源自AlStudio社区精品名目，旨在提高植物病虫害识别才干，以应答植物病虫害对农林业消费安保、动物安保和生态安保的要挟，以及处置目前少量植物病虫害识别仍处于人工阶段、效率低下且或者判别失误的疑问。

名目背景指出，植物病虫害是国内社会面临的独特应战，植物病虫害动物学国度重点试验室依据国度农业消费和迷信技术开展的需求，围绕基础动物学、爆发成灾机理以及防控疑问展开钻研，努力于树立植物包全的自主翻新核心、国内交换核心和人才造就基地，为农林业可继续开展、食粮安保、生态环境安保和经济安保服务。

名目中驳回的是EfficientNet模型，它经过复合系数在深度、宽度和分辨率三个维度上高效地加大网络，防止了传统方法中轻易加大或增加网络维度带来的艰巨。

作者经过试验标明，平衡这三个维度关于提高网络功能至关关键，提出了便捷而高效的复合缩放方法，相比于传统方法，EfficientNet不只速度更快，精度也更高。

CBAM（Convolutional Block Attention Module）作为轻量级留意力模块，能够在空间维度和通道维度上启动Attention操作，不只节俭了参数和计算力，还能作为即插即用模块集成到现有网络架构中。

CBAM蕴含两个子模块：通道留意力模块和空间留意力模块，区分关注输入图片中无心义的信息和指标的位置信息，清楚提高了模型对关键特色的识别才干。

为了更好地协助EfficientNet识别图像特色矩阵，将CBAM添加到EfficientNet中，旨在增强关键特色，防止深层卷积后特色的失落。

经过数据集处置和模型训练，成功了模型的构建、训练和保留。

训练环节中的结果可视化展现了模型功能的优化。

模型预测阶段，经常使用保留好的模型对单个图片启动预测，这里经常使用训练集中的图片启动预测，以便验证模型在实践运行中的功能。

本文强调了植物病虫害检测技术在农林业开展中的关键性，并经过EfficientNet和CBAM的改良，为提高植物病虫害识别才干提供了一种有效的方法。

涨常识丨一看就懂的遥感数据科普，附5个数据集下载资源

近日，一则关于“谷歌从4月18日起以最大分辨率提供俄罗斯一切策略要地的高清卫星图”的信息，引发了宽泛关注和猜想。

但谷歌公司否定了关系说法，回应称并没有为披露俄罗斯军事和策略设备而对谷歌地图服务启动更改。

且地下资料显示，早在俄乌抵触迸发之前，俄罗斯军事策略设备曾经在谷歌地图上明晰可见。

[1]只管局部意见以为，谷歌地图提供的商业卫星图像存在多种限度，不必定具备实在的军事件报价值。

但依然让咱们感遭到了高分辨率遥感影像在现代社会的威力。

当天，就让咱们来聊聊遥感数据。

01 什么是遥感数据遥感（remote sensing）是指非接触的，远距离的探测技术。

普通指运用传感器/遥感器对物体的电磁波的辐射、反射个性的探测。

作为一种关键的对地观测技术，它为咱们钻研和了解地球外表提供了关键的数据起源。

目前遥感数据出现出高中低分辨率、多光谱、高光谱、SAR、街景及LiDAR激光点云等多源数据共存的状况，为遥感监测及其余多畛域运行提供了基本数据保证。

它们是如何发生的呢？02 遥感数据的采集模式失掉遥感数据的装备关键包括遥感平台和传感器。

依据遥感平台的高度，可将遥感技术划分为航天遥感、航空遥感以及低空遥感。

[2]1. 航天遥感：以载人飞船、太空站、天然卫星等各种太空航行器为平台，搭载照相机、多谱段扫描仪、分解孔径雷达等传感器的遥感技术系统。

2. 航空遥感：应用飞艇、飞机、气球等平台成功对地观测义务的遥感技术系统。

3. 低空遥感：将地物波谱仪或各种传感器装置在船、车、高塔等平台上的遥感技术系统；比如咱们上一期提到的[ 激光雷达（LiDAR）点云数据知多少？]。

传感器方面，可应用可见光、红内线、微波等探测仪器，经过摄影扫描、信息感应、传输和处置等，来识别低空物体的性质和静止形态。

03 遥感数据特点遥感数据关键有如下特点：● 感测范围大，具备综合、微观的特点；● 信息量大，具备手腕多、技术先进的特点；● 失掉信息快，降级周期短，具备灵活监测的特点；● 用途广、效益高。

[3]随着遥感技术的提高，失掉的数据精度越来越大，到达亚米级别，人工识别已不能满足需求，智能提取技术正在极速开展。

遥感和人工智能的联合，可以成功更大范围、愈加丰盛、愈加精细的多种地表的时空要素信息，而这些信息可以给宽泛的运行行业提供了赋能或者性。

从深度学习角度来看，遥感数据还存在以下几个疑问：1. 原始高分辨率遥感图像难以失掉。

关于光学遥感数据集来说，因为遥感图像采集环节中大气扰动、噪声、传感器颤抖等起因的影响，使失掉的数据存在不确定性等影响，实在的高分辨率图像难以取得。

2. 遥感图像较天然图像，细节失落更为重大。

通常，光学遥感图像单个像素所代表的实践距离超越5m，造成图像中细节损失，重建艰巨。

3. 遥感图像场景内容差异较大。

遥感拍摄往往触及到多种地貌，因此会拍摄到多种场景内容，造成样本的多样性。

因此，遥感数据集关于单个场景的奉献也被削弱。

4. 遥感图像同一场景下，指标物空间大小差异较大。

在一幅遥感图像中往往蕴含多个指标，且这些指标物的尺寸大小都不相反，如在街道场景中车辆或者只占了几个像素，屋宇占了几百个像素，在卷积的环节中，或者失落小指标的特色，从而影响SR结果的准确性。

那目前遥感畛域经常出现的义务类型有哪些呢？04 基于深度学习的遥感信息提取的义务类型1. 遥感图像的指标检测将深度神经网络运行于遥感图像的指标检测，增强了算法图像纹理感知才干和指标变动顺应才干，在检测功能上有了较大的优化，且可用于检测复杂物体。

但该方法仍受限于图像分辨率、天气和计算才干等起因，提高其对外界环境的顺应性仍是钻研的难点。

2. 遥感地物宰割遥感图像宰割是基于天文对象启动图像剖析的关键和关键步骤， 在遥感图像中，它通常被视为景观变动检测和土地利用/覆被分类的辅佐手腕，可经过输入卫星遥感影像，智能识别路线、河流、庄稼、 修建物等，并且对图像中的每个像素启动标注。

3. 遥感变动检测变动检测是对地物或现象启动屡次观测从而识别其形态变动的环节， 实时检测地表变动信息。

目前，遥感变动检测技术已成功运行于环境包全、市区布局、军事侦查等畛域 。

那遥感数据可以用来干什么？05 遥感数据的运行方向遥感技术宽泛用于军事侦查、导弹预警、军事测绘、陆地监督、气候观测等；在民用方面,遥感技术宽泛用于地球资源普查、植被分类、土地利用布局、农作物病虫害和作物产量考查、环境污染监测、陆地研制、地震监测、市区土地/修建布局、地形图降级等方面。

06 遥感数据集资源OpenDataLab平台曾经上架了系列经典的遥感数据集，提供了丰盛的数据集信息、流利的下载速度，还提供了脚本格局，免去大家处置数据格局的费事，欢迎大家体验！· DOTA /DOTA_V2...· DOTA /DOTA_V1...· DOTA /DOTA_V1...· /UCAS-AO...· xBDOpenDataLab参考资料：[1] /s/pCJs...[2]刘伟权,王程,臧彧,胡倩,于尚书,赖柏锜. 基于遥感大数据的信息提取技术综述[J]. 大数据,2022,8(02):28-57.[3]李正,刘薇,张凯兵. 基于机器学习的遥感图像超分辨综述[J]. 计算机工程与运行,2021,57(13):8-17.遇到数据集疑问？欢迎进群交换，小助手微信opendatalab_yunying，等候一同生长