1 浙江理工大学信息学院, 浙江 杭州 310018
2 浙江理工大学机械与自动控制学院, 浙江 杭州 310018
为减轻虫害对大豆的影响, 首先使用相应的高光谱仪器进行样本采集, 样本分为4类: 包括带有微小虫卵的, 带有幼虫的, 有啃食痕迹的和完全正常的大豆各20颗; 然后提出了一种基于三维图像检索(3D-R-D, 3D Resnet18 DCH)的大豆食心虫的高光谱检测方法。 该方法从视频检索的应用中得到启发, 考虑到视频不同帧之间和高光谱不同层之间存在类比关系, 使用了在大规模视频检索数据集下训练而成的分类模型, 将它作为预训练3D卷积模型进行训练。 和已知的文献方法相同, 使用公开的光谱数据集进行正式训练和微调, 从而得到能进行特征提取的3D卷积网络, 用图像检索来实现间接分类, 通过利用样本之间的特征距离, 实现在全新类别上的分类。 为能适应任务, 将模型最后的分类层变成了图像检索常用的hash层, 从而得到了代表特征的二进制码。 该方法不但完成了对不同情况下大豆种类的检测, 还解决了训练时样本不足的问题。 为探寻一种好的相似度匹配损失函数, 对比了多种较新的方法, 最后发现使用融入柯西分布的损失函数, 实验效果最佳, 最终模型的分类精度达86%±1.00%, 和在大豆食心虫检测上最新的小样本方法对比, 3D-R-D方法提高了3.5%左右的精度, 表明该方法是有效的, 它也为结合高光谱检测相关研究提供了一种全新思路。
图像检索 大豆食心虫 高光谱 虫害检测 Image retrieval Soybean heartworm Hyperspectral 3DCNN Pest detection 3D CNN 光谱学与光谱分析
2022, 42(9): 2931
上海理工大学 医疗器械与食品学院, 上海 200093
基于目前脑胶质瘤在低分级胶质瘤和高分级胶质瘤上分类不准确的问题, 提出了基于3D CNN特征提取的磁共振成像脑胶质瘤分类方法。在3D CNN模型中加入Batch Normalizing层和Dropout层, 降低了过度拟合并加速了网络收敛速度; 使用N4ITK和数据增强后的数据进行训练, 进一步降低了过度拟合, 提升了模型分类效果; 构建特征融合层, 实现自动分类。实验结果表明, 算法在BraTS 2018数据集中的分类效果具有明显优势, 分类准确率高达91.67%, 明显高于AlexNet、VGG和ResNet三大主流网络模型, 算法具有较好的鲁棒性和泛化性, 对脑胶质瘤的分类和诊断具有临床应用潜力。
脑胶质瘤分类 特征提取 磁共振成像 glioma classification 3D CNN 3D CNN feature extraction magnetic resonance imaging
