マルチモダルの論理融合を用いて,食品廃棄物の発生源の種類を特定する

科学分野:

• 産業廃棄物管理について
• 機械学習 (Machine Learning) とは,機械学習 (Machine Learning) について学ぶことです.
• センサ・フュージョンセンサー

背景:

• 産業環境における食品廃棄物の発生源を特定することは,視覚認識モデルに影響を与える変数的な照明により困難です.
• 既存の方法は,非最適の照明下での性能低下に苦しんでいます.

研究 の 目的:

• 食品廃棄物の源を特定するための,堅牢で,解釈しやすく,適応可能なマルチモダルの論理融合方法を提案し,検証する.
• 精度を向上するために,リアルタイム照明強度に基づいてセンサーの優位性を動的に割り当てます.

主な方法:

• MobileNetV3 + EMAの画像認識モデルとオーディオモデル (Fast Fourier Transform + Support Vector Machine) を組み合わせたマルチモデルのアプローチです.
• 照度に基づくダイナミックセンサ融合のための環境意識の条件論理の実装.
• 画像認識のためのMobileNetV3 + EMA,オーディオ分類のためのFT + SVM.

主要な成果:

• 画像モデルは最適な照明 (120-240 cd m^-2) で 99.46%の精度を達成したが,この範囲の外では著しく劣化した.
• オーディオモデルは,0.80の精度,0.78のリコール,0.80のF1スコアで照明独立のパフォーマンスを実証しました.
• 融合法では,独立したテストセットで全体的に90.25%の精度を達成し,84 cd m^{-2 未満のオーディオ認識を優先しました.}

結論:

• 提案されているアダプティブ・マルチモダル・ロジック・フュージョン・メソッドは,変化する産業用照明条件下でも,食品廃棄物の源を確実に特定することを保証します.
• ダイナミックなセンサーの優位性割り当ては,モデルの故障を防止し,困難な環境での分類精度を高めます.
• このシステムは,現実世界の産業用アプリケーションに解釈しやすく,弾力的なソリューションを提供します.