基于Mask-RCNN的复杂背景下多目标叶片的分割和识别

在基于叶片图像进行植物识别和生长状态监控时,植物目标叶片的准确分割和识别是前提和基础,但复杂背景给叶片的分割和识别带来了极大的挑战。本研究提出基于Mask-RCNN深度学习网络分割和识别复杂背景下多目标叶片的算法,共拍摄自然生长状态下常见的植物叶片图像7 357张,标注3 000张作为训练数据库,这3 000张图像共包含4种植物,分别为孔雀竹芋(Calathea makoyana)、珊瑚树(Viburnum odoratissinum)、洋常春藤(Hedera helix L.)和黄花羊蹄甲(Bauhinia tomentosa)。选择这4种植物的80个测试样本图像进行分割、识别与错分率分析。结果表明:Mask-RCNN深度学习网络对这4种植物的识别效果良好,未出现误识别的情况;分割的平均图像错分率为0.93%,最大值不超过2.49%,即分割准确率达97.51%;同时该算法具有强大的迁移能力。     

黄曲霉毒素B1检测与脱毒方法最新研究进展

食品和谷物中的黄曲霉毒素污染在全球范围内造成了严重的经济和健康问题.黄曲霉毒素B1(AFB1)具有极强的致突变性和毒性,并且对人类和牲畜均具有强致癌性.有关毒素的脱毒技术一直是国内外的一个研究热点,其中物理法、化学法和生物法脱毒是主要的脱毒方法.本文结合最新的研究成果,详细介绍了黄曲霉毒素B1的毒性及主要的检测方法,对黄曲霉毒素物理、化学、生物脱毒方法进行了概述.