Resumen

Recientemente, la detección automática de arándanos deteriorados sigue siendo un desafío en la industria alimentaria. La descomposición temprana de los arándanos ocurre en la cáscara de la superficie, lo que puede adoptar la viabilidad del modo de imagen hiperespectral para detectar la región deteriorada de los arándanos. Se propone un marco mejorado de red neuronal convolucional residual 3D (3D-CNN) para la clasificación de imágenes hiperespectrales con el fin de lograr un entrenamiento rápido, clasificación y optimización de parámetros. Las características espectrales y espaciales ricas pueden extraerse rápidamente de muestras de imágenes hiperespectrales completas utilizando nuestra red propuesta. Esto combina el estimador Parzen estructurado en árbol (TPE) de forma adaptativa y selecciona los superparámetros para optimizar el rendimiento de la red. Además, con el objetivo del problema de pocas muestras, este documento propone una estrategia novedosa para mejorar los datos de muestra de imágenes hiperespect

• Materias:Big Data Segmentación de líneas Tráfico de red Reconocimiento de entidad Esquema de programación
• Subjects:Big Data Line segmentation Network traffic Entity recognition Programming scheme
• Palabras claves:Detección; Arándanos descompuestos; Imágenes hiperespectrales; Marco de red neuronal convolucional tridimensional (3D-CNN); Características espectrales; Características espaciales
• Keywords:Detection; Decayed blueberries; Hyperspectral imaging; 3D-CNN framework; Spectral features; Spatial features