Abstract
In this paper, we propose an approach to the classification of high-resolution hyperspectral images in the applied problem of identification of vegetation types. A modified spectral-spatial convolutional neural network with compensation for illumination variations is used as a classifier. For generating a training dataset, an algorithm based on an adaptive vegetation index is proposed. The effectiveness of the proposed approach is shown on the basis of survey data of agricultural lands obtained from a compact hyperspectral camera developed in-house.
Highlights
Deep feature extraction and classification of hyperspectral images based on convolutional neural networks /
We propose an approach to the classification of high-resolution hyperspectral images in the applied problem of identification of vegetation types
A modified spectral-spatial convolutional neural network with compensation for illumination variations is used as a classifier
Summary
В рамках настоящей работы разрабатываются алгоритмы классификации типов растительности на полях сельскохозяйственного назначения по гиперспектральным изображениям, полученным щелевым гиперспектрометром, построенным по схеме Оффнера [32, 33]. Изучаемый участок для проведения съемки находится в Самарской области, Приволжский район, Приволжье, поля КФХ Цирулева Е.П. Для проведения съемок были выбраны обрабатываемые и орошаемые участки, преимущественно с однородным распределением одной сельскохозяйственной культуры по области съемки, а также участки, где граничат несколько сельскохозяйственных культур. Путем установки гиперспектральной камеры на специальный съемочный штатив, оснащенный приводом углового вращения с возможностью задания скорости вращения в диапазоне 0,2 – 3 об / мин. Объектом съемки выступали такие сельскохозяйственные культуры, как кукуруза, овес, пограничные области полевых участков, а также границы полей с участками произрастания сорняковых растений. Фотография экспериментальной установки, с которой проводилась съемка участков поля, приведена на рис. Штатив также оснащен механическим устройством, позволяющим задавать различные углы наклона камеры относительно объекта съемки. Ние для сенсора с кроп-фактором 2,7 равно примерно 85 мм, что соответствует углу примерно 25 градусов. Нейросетевая классификация гиперспектральных изображений растительности с формированием обучающей выборки на основе адаптивного вегетационного индекса
Sign-in/Register to view highlights & summary Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a callDisclaimer: All third-party content on this website/platform is and will remain the property of their respective owners and is provided on "as is" basis without any warranties, express or implied. Use of third-party content does not indicate any affiliation, sponsorship with or endorsement by them. Any references to third-party content is to identify the corresponding services and shall be considered fair use under The CopyrightLaw.
