English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Tools annual

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools monthly

Global: Zendy Plus monthly

Presents the access of premium content as premium feature

Premium Content

Global: Zendy Plus annual

Global: Zendy Free Plan

Hyperspektrale Bilder beinhalten dank ihrer hohen spektralen Auflösung wertvolle Informationen. Sie können beispielsweise zur berührungslosen Untersuchung von Lebensmitteln verwendet werden. Um diese mit Hilfe konvolutionaler neuronaler Netze verarbeiten zu können, werden jedoch große Lernstichproben benötigt. Dies gilt insbesondere, wenn die Daten nicht vorverarbeitet werden und deshalb eine hohe Dimension besitzen. Allerdings existieren nur verhältnismäßig wenige hyperspektrale Datensätze. Um dieses Problem zu umgehen, kann ein Vortraining mit einem Autoencoder durchgeführt werden. Dieser komprimiert das Bild und rekonstruiert es im Anschluss wieder. Der Autoencoder wird trainiert, indem der Rekonstruktionsfehler minimiert wird. Bei der Komprimierung entstehen so aussagekräftige Merkmale. In diesem Beitrag wird am Beispiel von Gewürzmischungen untersucht, ob einzelne Komponenten in Mischungen detektiert werden können. Dabei wird mit einem kleinen Datensatz ein neuronales Netz mit Hilfe eines 3D-Faltungsautoencoders trainiert.

Detektion von Stoffen in Lebensmitteln mit Hilfe von 3D-Faltungsautoencodern / Detection of substances in food with 3D convolutional autoencoders