Extending Effective Dynamic Range of Hyperspectral Line Cameras for Short Wave Infrared Imaging
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this work, a multi-exposure method is proposed to increase the dynamic range (DR) of hyperspectral imaging using an InGaAs-based short-wave infrared (SWIR) hyperspectral line camera. Spectral signatures of materials were captured for scenarios in which the DR of a scene was greater than the DR of a line camera. To demonstrate the problem and test the proposed multi-exposure method, plastic detection in food waste and polymer sorting were chosen as the test application cases. The DR of the hyperspectral camera and the test samples were calculated experimentally. A multi-exposure method is proposed to create high-dynamic-range (HDR) images of food waste and plastic samples. Using the proposed method, the DR of SWIR imaging was increased from 43 dB to 73 dB, with the lowest allowable signal-to-noise ratio (SNR) set to 20 dB. Principal Component Analysis (PCA) was performed on both HDR and non-HDR image data from each test case to prepare the training and testing data sets. Finally, two support vector machine (SVM) classifiers were trained for each test case to compare the classification performance of the proposed multi-exposure HDR method against the single-exposure non-HDR method. The HDR method was found to outperform the non-HDR method in both test cases, with the classification accuracies of 98% and 90% respectively, for the food waste classification, and with 95% and 35% for the polymer classification.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle