Аннотация:
В работе представлено исследование различных подходов к классификации почвенных покровов на основе нейросетевых алгоритмов по данным гиперспектрального дистанционного и проксимального зондирования Земли. Спектральные распределения при этом регистрировались в лабораторных условиях с использованием изображающего сканирующего гиперспектрометра на основе схемы Оффнера. Экспериментально исследованы пространственно-спектральные признаки девяти проб почв с различных участков фермерского хозяйства на территории Самарской области. С помощью метода энергодисперсионного микроанализа установлено соответствие гиперспектральных данных и химического состава взятых проб. На основе полученных данных реализована нейросетевая классификация образцов почв в зависимости от содержания в них таких элементов, как углерод и кальций. В качестве классификатора использовалась нормализованная спектрально-пространственная сверточная нейронная сеть. Авторами предложен подход к классификации гиперспектральных изображений высокого разрешения, основанный на уточнении мультиклассовой сверточной нейронной сети с помощью ансамбля бинарных классификаторов. Показано, что классификация образцов почв по содержанию углерода и кальция осуществляется с точностью 0,96.
Работа выполнена в рамках Государственного задания ФНИЦ «Кристаллография и фотоника» РАН (в экспериментальной части), исследования, выполненные методом гиперспектральной съемки, проведены при финансовой поддержке Министерства науки и высшего образования Российской Федерации в рамках НИР лаборатории «Фотоника для умного дома и умного города» (Государственный контракт с Самарским университетом) (проект FSSS-2021-0016), теоретическая часть выполнена при поддержке гранта РНФ № 20-69-47110.
Поступила в редакцию: 06.12.2022 Принята в печать: 14.04.2023
Тип публикации:
Статья
Образец цитирования:
Н. А. Фирсов, В. В. Подлипнов, Н. А. Ивлиев, Д. Д. Рыськова, А. В. Пирогов, А. А. Музыка, А. Р. Макаров, В. Е. Лобанов, В. И. Платонов, А. Н. Бабичев, В. А. Монастырский, В. И. Ольгаренко, П. П. Николаев, Р. В. Скиданов, А. В. Никоноров, Н. Л. Казанский, В. А. Сойфер, “Ансамбли спектрально-пространственных сверточных нейросетевых моделей для задачи классификации типов почв на гиперспектральных изображениях”, Компьютерная оптика, 47:5 (2023), 795–805
\RBibitem{FirPodIvl23}
\by Н.~А.~Фирсов, В.~В.~Подлипнов, Н.~А.~Ивлиев, Д.~Д.~Рыськова, А.~В.~Пирогов, А.~А.~Музыка, А.~Р.~Макаров, В.~Е.~Лобанов, В.~И.~Платонов, А.~Н.~Бабичев, В.~А.~Монастырский, В.~И.~Ольгаренко, П.~П.~Николаев, Р.~В.~Скиданов, А.~В.~Никоноров, Н.~Л.~Казанский, В.~А.~Сойфер
\paper Ансамбли спектрально-пространственных сверточных нейросетевых моделей для задачи классификации типов почв на гиперспектральных изображениях
\jour Компьютерная оптика
\yr 2023
\vol 47
\issue 5
\pages 795--805
\mathnet{http://mi.mathnet.ru/co1181}
\crossref{https://doi.org/10.18287/2412-6179-CO-1260}
Образцы ссылок на эту страницу:
https://www.mathnet.ru/rus/co1181
https://www.mathnet.ru/rus/co/v47/i5/p795
Эта публикация цитируется в следующих 6 статьяx:
Svetlana N. Khonina, Nikolay L. Kazanskiy, Ivan V. Oseledets, Artem V. Nikonorov, Muhammad A. Butt, “Synergy between Artificial Intelligence and Hyperspectral Imagining—A Review”, Technologies, 12:9 (2024), 163
Andrey Sedelinkov, Alexandra Nikolaeva, Valeria Serdakova, Ekaterina Khnyryova, “Technologies for Increasing the Control Efficiency of Small Spacecraft with Solar Panels by Taking into Account Temperature Shock”, Technologies, 12:10 (2024), 207
Tingze Long, Han Yi, Yatong Kang, Ying Qiao, Ying Guan, Chao Chen, “Study on bionics-based swarm intelligence optimization algorithms for wavelength selection in near-infrared spectroscopy”, Infrared Physics & Technology, 2024, 105594
Nikita Firsov, Evgeny Myasnikov, Valeriy Lobanov, Roman Khabibullin, Nikolay Kazanskiy, Svetlana Khonina, Muhammad A. Butt, Artem Nikonorov, “HyperKAN: Kolmogorov–Arnold Networks Make Hyperspectral Image Classifiers Smarter”, Sensors, 24:23 (2024), 7683
D. Serafimovich, P. Khorin, “Optimizing a Spatial Ring Filter for Edge Extraction Using Convolutional Neural Network”, Opt. Mem. Neural Networks, 33:S2 (2024), S343
D. S. Rastrygin, V. O. Dolgirev, S. N. Sharangovich, “Diffraction of Light on Multiplexed Multilayer Holographic Diffraction Structures with Varying Periods”, Bull. Russ. Acad. Sci. Phys., 88:S3 (2024), S408
Цитирование в формате AMSBIB
Обратная связь: