Reducing the use of pesticides by early visual detection of diseases in precision agriculture is important. Because of the color similarity between potato-plant diseases, narrow band hyper-spectral imaging is required. Payload constraints on unmanned aerial vehicles require reduc- tion of spectral bands. Therefore, we present a methodology for per-patch classification combined with hyper-spectral band selection. In controlled experiments performed on a set of individual leaves, we measure the performance of five classifiers and three dimensionality-reduction methods with three patch sizes. With the best-performing classifier an error rate of 1.5% is achieved for distinguishing two important potato-plant diseases.
MULTIFILE
Spectral imaging has many applications, from methane detection using satellites to disease detection on crops. However, spectral cameras remain a costly solution ranging from 10 thousand to 100 thousand euros for the hardware alone. Here, we present a low-cost multispectral camera (LC-MSC) with 64 LEDs in eight different colors and a monochrome camera with a hardware cost of 340 euros. Our prototype reproduces spectra accurately when compared to a reference spectrometer to within the spectral width of the LEDs used and the ±1σ variation over the surface of ceramic reference tiles. The mean absolute difference in reflectance is an overestimate of 0.03 for the LC-MSC as compared to a spectrometer, due to the spectral shape of the tiles. In environmental light levels of 0.5 W m−2 (bright artificial indoor lighting) our approach shows an increase in noise, but still faithfully reproduces discrete reflectance spectra over 400 nm–1000 nm. Our approach is limited in its application by LED bandwidth and availability of specific LED wavelengths. However, unlike with conventional spectral cameras, the pixel pitch of the camera itself is not limited, providing higher image resolution than typical high-end multi- and hyperspectral cameras. For sample conditions where LED illumination bands provide suitable spectral information, our LC-MSC is an interesting low-cost alternative approach to spectral imaging.
MULTIFILE
De textielindustrie is wereldwijd een van de grootste milieuvervuilers. En dat komt mede doordat er weinig kleding gerecycled wordt: slecht 1% van de 80 miljard kleidingstukken die per jaar worden geproduceerd wordt gerecycled tot vezels waar nieuwe kleding van wordt gemaakt. Dit probleem wordt momenteel stevig aangepakt in de EU: in maart 2022 zijn strenge maatregelen aangekondigd die de industrie verplichten om circulair, duurzaam en energiezuinig te produceren. Het probleem is echter dat er technisch gezien weinig goede methodes bestaan om afgekeurde textiel weer om te zetten tot nieuwe kleding. Textiel bestaat vaak uit allerlei materialen die met elkaar verweven zijn, en de technologie schiet vooral tekort in snelle, automatische herkenning van deze samenstelling. Herkenning is essentieel omdat elke samenstelling weer een ander recycleproces/sorteerstroom nodig heeft. Innovatie in herkenningssystemen wordt dan ook in de sector aangewezen als de meest belangrijke stap naar een circulaire textielindustrie, en is het kernpunt van dit consortium. In dit project wordt een innovatie methode ontwikkeld om met behulp van hyperspectrale Short-Wave Infrared (SWIR) -camera's en Artificial Intelligence (AI) de textielsamenstelling te bepalen op de lopende band. AI is hierbij een sleuteltechnologie, omdat de herkenning van textiel dermate complex is (door de grote hoeveelheid verschijningsvormen) dat conventionele analysemethoden niet volstaan. Wij hebben vier innovatieve AI-technieken geïdentificeerd die nog nooit eerder zijn toegepast op textielrecycling, die gezamenlijk naar verwachting tot een doorbraak leiden in de textielherkenning. Om deze technieken toe te kunnen passen is een grote textieldataset noodzakelijk met nauwkeurige samenstelling-informatie, die nog ontbreekt. Onze contributie is daarom drievoudig: Ten eerste bouwen we de eerste grootschalige en publiekelijk-beschikbare textieldatabase voor gezamenlijke innovatie. Ten tweede leveren wij publiekelijk-beschikbare AI-algoritmes waarmee textielherkenning uitgevoerd kan worden, en ten derde werken wij aan een prototype opstelling (TRL-6) waarbij hyperspectrale beelden van textiel op een lopende band worden opgenomen en herkend.
![I’M A.I. IMage Processing and Artificial Intelligence [Inaugurele rede]](https://publinova-harvester-content-prod.s3.amazonaws.com/thumbnails/files/previews/pdf/20250506132441657988.LS20Brochure20Professorship20CVDS20FINAL20WEB2028129-thumbnail-400x300.png)
