圖像分割的準確性直接作用于目標物測量的準確性，其效率直接影響生產(chǎn)的效率，因而，一個快速準確圖像分割算法是目標識別，分級分類任務面臨的首要問題。在農(nóng)業(yè)產(chǎn)品分級分類任務中，圖像分割的目的是將工業(yè)相機采集到的圖片中的農(nóng)產(chǎn)品準確的提取出來，為進一步的尺寸測量，分類任務做好準備。對于農(nóng)產(chǎn)品圖像分割算法來說，由于受到生產(chǎn)設備成像質(zhì)量，灰塵污漬，光照條件，陰影等外部因素影響，造成分割的不準確。本文通過對比不同圖像分割算法，闡述各類算法的優(yōu)缺點，以及各自合適的應用場景。
基于深度學習的圖像分割方法，主要研究領域是在于語義分割，即根據(jù)圖片內(nèi)容，將圖像分為多個有含義的部分，對于農(nóng)產(chǎn)品分類而言有著革命性的意義。全卷積網(wǎng)絡FCN是深度學習用于進行圖像分割的先驅(qū)，以分類模型AlexNet為基礎，將其3層全連接層轉(zhuǎn)化為反卷積層進行上采樣，從而將輸出有特征分類轉(zhuǎn)化為區(qū)域特征熱力圖。
各種新型顯色劑和高靈敏度的顯色體系不斷涌現(xiàn)，為建立高靈敏度的試紙檢測方法提供了更大的發(fā)展空間。如薛文靜等以0。1%鎘試劑的乙醇溶液為顯色劑，定量分析用慢速中性濾紙為載體，制備鎘快速檢測試紙，標準系列色階為0～5。0mg·L-1。該試紙性質(zhì)穩(wěn)定，在避光干燥條件下可保存5個月，在pH5～8范圍內(nèi)pH對顯色結果影響不大。
在線客服
17856548804
2179259773@qq.com
