通常來講，國外會要求樣品中目標化合物的相對保留時間不能與標準數(shù)值相差超過0.05min；不同目標化合物少要有3個特征離子，并且相對離子比例相較于標準而言，要控制在10%之內(nèi)；加標回收率需控制在65%-110%之間。采取離子模式一般會要求所有目標化合物少有2個大于m/z200或是3個大于m/z100的特征離子；目標化合物特征離子比例相較于標準值需控制在60%-120%之間；加標回收率在70%-130%之間，判斷檢測則要在60%-120%之間。氣相色譜技術主要依據(jù)特征離子與離子間的比例去確定是否存在農(nóng)藥殘留超標的問題，有著較高度以及環(huán)境適應性。
圖像分割的準確性直接作用于目標物測量的準確性，其效率直接影響生產(chǎn)的效率，因而，一個快速準確圖像分割算法是目標識別，分級分類任務面臨的首要問題。在農(nóng)業(yè)產(chǎn)品分級分類任務中，圖像分割的目的是將工業(yè)相機采集到的圖片中的農(nóng)產(chǎn)品準確的提取出來，為進一步的尺寸測量，分類任務做好準備。對于農(nóng)產(chǎn)品圖像分割算法來說，由于受到生產(chǎn)設備成像質(zhì)量，灰塵污漬，光照條件，陰影等外部因素影響，造成分割的不準確。本文通過對比不同圖像分割算法，闡述各類算法的優(yōu)缺點，以及各自合適的應用場景。
基于深度學習的圖像分割方法，主要研究領域是在于語義分割，即根據(jù)圖片內(nèi)容，將圖像分為多個有含義的部分，對于農(nóng)產(chǎn)品分類而言有著革命性的意義。全卷積網(wǎng)絡FCN是深度學習用于進行圖像分割的先驅(qū)，以分類模型AlexNet為基礎，將其3層全連接層轉(zhuǎn)化為反卷積層進行上采樣，從而將輸出有特征分類轉(zhuǎn)化為區(qū)域特征熱力圖。
在線客服
17856548804
2179259773@qq.com
