精准农业中的深度学习:人工生成的VNIR图像细分用于预测果早期收获后腐烂
Nikita Stasenko1, Islomjon Shukhratov1, Maxim Savinov2
1Skolkovo Institute of Science and Technology, 121205 Moscow, Russia.
Entropy (Basel, Switzerland)
|July 29, 2023
概括
本研究引入了一种使用生成对抗网络 (GAN) 和卷积神经网络 (CNN) 早期检测果腐烂和真菌区域的新方法. 该方法通过分析合成和细分的VNIR成像数据来加强食品质量控制.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 食品质量控制在农业中至关重要,以尽量减少收获后的损失.
- 深度学习 (DL) 和计算机视觉 (CV) 为植物质量评估提供了先进的工具.
- 图像彩色化和翻译是当前简历应用中的关键技术.
研究的目的:
- 提出一种用于早期收获后腐烂和存储果中的真菌区域预测的新方法.
- 用合成和细分的VNIR成像数据来评估果的质量.
- 利用生成对抗网络 (GAN) 和卷积神经网络 (CNN) 来加强食品质量控制.
主要方法:
- 使用Pix2PixHD模型从RGB数据转换VNIR图像.
- 使用Mask R-CNN模型进行VNIR图像细分.
- 开发并验证了一套独特的对联RGB和VNIR果图像的数据集.
主要成果:
- 对于 VNIR 图像翻译,Pix2PixHD 获得了 0.972 的高 SSIM 评分.
- 面膜R-CNN在检测腐烂和真菌区域方面表现强,F1得分为94.800.
- 实时处理在嵌入式系统上实现了17 FPS的图像生成和0.42 FPS的细分.
结论:
- 提出的基于GAN和CNN的方法是有效的早期检测收获后腐烂和果真菌区域.
- 该方法在改善食品质量控制和减少农业部门损失方面具有前景.
- 合成和细分的VNIR成像数据为质量评估提供了宝贵的见解.


