Реконструкция спектрального образа по RGB изображениям: дипломная работа / Анастасия Владимировна Креч; БГУ, Факультет прикладной математики и информатики, Кафедра компьютерных технологий и систем; науч. рук. Недзьведь А. М.

Abstract

РЕФЕРАТ

Дипломная работа, 60 страница, 15 рисунков, 3 таблицы, 51 источников Ключевые слова: МАШИННОЕ ОБУЧЕНИЕ, ГИПЕРСПЕКТРАЛЬНЫЕ ИЗОБРАЖЕНИЯ, СВЕРТОЧНЫЕ НЕЙРОННЫЕ СЕТИ, СПЕКТР, ФЕНОМИКА, РЕКОНСТРУКЦИЯ, RGB. Объект исследования: методы восстановления спектральной информации из изображений. Предмет исследования: эффективность и особенности применения гиперспектрального восстановления и деконволюции для получения спектральных данных. Цель исследования: определение наиболее эффективного метода генерации спектральных графиков на основе стандартных RGB-изображений путем сравнительного анализа подходов цветовой деконволюции и сверточных нейронных сетей. Методы исследования: проведение сравнительного анализа двух различных подходов к восстановлению спектральной информации из RGB- изображений. Установка различия в точности и характеристиках получаемых спектральных графиков в зависимости от метода восстановления. Полученные результаты их новизна: оценка восстановленных гиперспектральных изображений показала, что модель HRNet генерирует спектральную информацию с высокой точностью. Результаты реконструкции близки к реальным гиперспектральным изображениях, что подтверждает применимость нейронных сетей для задач мониторинга состояния растительности. Достоверность материалов и результатов дипломной работы: использовались проверенные источники информации, включая научную литературу, рекомендованную научным руководителем, а также публикации победителей международных соревнований по компьютерному зрению. Результаты были проверены на практике с помощью популярных метрик качества и сравнительного анализа. Область возможного практического применения: полученные результаты подтверждают достоверность предложенного подхода и позволяют рекомендовать его для использования в системах автоматизированного агромониторинга, направленных на раннюю диагностику заболеваний растений, оптимизацию применения удобрений и повышение экологической устойчивости сельского хозяйства.