>>人工智能與機器學習的概念<<

機器學習是人工智能的一種形式，能賦予計算機無需復雜的程序化設計的學習能力，從而產(chǎn)生巨大的數(shù)據(jù)量。

>>機器學習的早期應用<<

很早之前，機器學習就有用在一個游戲‘超級馬里奧’里面,mario可以由計算機程序控制，識別不同的障礙，進而做出合理的判斷和應對策略。

>>基于機器學習技術開發(fā)而成的LemnaTec軟件模塊—LemnaGrid<<

一個傳感器收集到的需要訓練的數(shù)據(jù)，經(jīng)過數(shù)據(jù)標記，特征分析，再到各種分類算法處理，最終得到數(shù)據(jù)，可與實際數(shù)值，做進一步分析。其中數(shù)據(jù)標記、特征分析和分類算法處理是圖像處理的核心問題。這一整個過程即為機器學習的過程，一旦有新的傳感器所得到的數(shù)據(jù)，依舊可以用這一流程，進行各種處理與分析。

>>舉個栗子1<<

LemnaGrid-機器學習技術：3D點陣云圖分割

利用英國洛桑研究所的3D激光成像模塊，以及LemnaGrid的機器學習技術，能夠分析田間小麥穗表型，對穗的識別精度達到99%以上。

>>舉個栗子2<<

傳感器融合有助于機器學習過程

傳感器融合是一個整合數(shù)據(jù)的過程，這些數(shù)據(jù)來自不同光譜、時空尺度下的不同傳感器。

RGB與IR的融合

? RGB mask可用于從IR中減去植物的背景；

? IR數(shù)據(jù)可以用作RGB數(shù)據(jù)的第四通道并用于相同的ML算法中。

3D層面的融合（不只是2D）

使用RGB和3D融合的像素級信息。

3D和IR，環(huán)境傳感器融合：觀察從上午9點到下午2點的大田植物溫度的升高趨勢。

>>小結<<

? 傳感器融合能提高機器學習算法的目標檢測和識別的精度；

? 傳感器融合提供了增強的結構和空間細節(jié)，并糾正了反射率的復雜性，并提供更高水平的校準。

本文視頻來源（請點擊或識別下方二維碼觀看）