Методы глубокого обучения для анализа гиперспектральных изображений в сельском хозяйстве: обзор

Deep learning techniques for hyperspectral image analysis in agriculture: A review
Paolo Spagnolo, Cosimo Distante, Mohamed Fadhlallah Guerri, Fares Bougourzi, Abdelmalik Taleb Ahmed
2024-03-30

сельскохозяйственное дистанционное зондированиесверточные нейронные сетиглубокое обучениеобучение на малом числе примеровгиперспектральная визуализация
В последние годы все большее внимание уделяется оценке и обеспечению качества садоводческой и сельскохозяйственной продукции. Традиционные методы, включающие полевые измерения, исследования и статистический анализ, требуют значительных затрат труда и времени и являются дорогостоящими. В качестве решения была предложена гиперспектральная визуализация (HSI) — неразрушающая и экологически безопасная технология. HSI приобрела значительную популярность как новая технология, особенно благодаря перспективности ее применения в дистанционном зондировании, в частности в сельском хозяйстве. Однако классификация данных HSI чрезвычайно сложна, поскольку связана с рядом проблем, включая избыточность спектральных каналов, недостаток обучающих выборок и сложную нелинейную взаимосвязь между пространственными координатами и спектральными каналами. В частности, методы глубокого обучения (DL) продемонстрировали высокую эффективность в различных задачах анализа HSI, включая задачи в сельском хозяйстве. По мере роста интереса к использованию данных HSI для сельскохозяйственных приложений с помощью методов DL возникает острая потребность в комплексном обзоре, который мог бы эффективно ориентировать исследователей в вопросах значительного прогресса, достигнутого в этой области, и перспективных направлений дальнейших исследований. В данном обзоре литературы систематически собраны, проанализированы и обсуждены результаты недавних исследований, в которых применялись методы DL. Эти методы охватывают широкий спектр подходов: от автоэнкодеров (AE) до сверточных нейронных сетей (CNN) (в конфигурациях 1D, 2D и 3D), рекуррентных нейронных сетей (RNN), глубоких сетей доверия (DBN), генеративно-состязательных сетей (GAN), переноса обучения (TL), обучения с частичной разметкой (SSL), обучения на малом числе примеров (FSL) и активного обучения (AL). Эти подходы адаптированы для решения специфических задач анализа сельскохозяйственных гиперспектральных данных. В обзоре оцениваются и обсуждаются показатели эффективности, продемонстрированные различными подходами. С этой целью эффективность данных подходов была тщательно проанализирована и обсуждена...
1
Классификация сельскохозяйственных гиперспектральных изображений осложняется избыточностью спектральных каналов, ограниченным числом обучающих образцов и сложными нелинейными пространственно-спектральными взаимосвязями.
2
Методы глубокого обучения продемонстрировали высокую эффективность в анализе сельскохозяйственных гиперспектральных изображений, включая задачи классификации.
3
Гиперспектральная съёмка представлена как неразрушающая и экологичная альтернатива трудоёмким, длительным и дорогостоящим методам оценки качества сельскохозяйственной продукции.
4
Обзор систематизирует и оценивает методы глубокого обучения, включая автоэнкодеры, CNN 1D/2D/3D, RNN, DBN, GAN, перенос обучения, полуобучение, обучение на малом числе примеров и активное обучение.
5
Рассмотренные методы анализируются с точки зрения их эффективности и пригодности для решения специфических задач сельскохозяйственной гиперспектральной съёмки; также выделяются перспективные направления дальнейших исследований.

гиперспектральные изображения (HSI) в сельскохозяйственных и садоводческих приложениях

эффективность, применимость и проблемы методов глубокого обучения для анализа и классификации сельскохозяйственных гиперспектральных данных

Publication Details
Publication Date
2024-03-30
Journal
Publisher
ISSN
Cited by
190
Access Type
Author Information
Authors
Paolo Spagnolo
Cosimo Distante
Mohamed Fadhlallah Guerri
Fares Bougourzi
Abdelmalik Taleb Ahmed
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%