相关实验视频
Updated: Jul 16, 2025
11:02
Fruit Volatile Analysis Using an Electronic Nose
Published on: March 30, 2012
21.5K
基于分级线的有效模型的开发,以非破坏性检测有缺陷的果
Feiyun Wang1, Chengxu Lv1, Lizhong Dong1
1National Key Laboratory of Agricultural Equipment Technology, Chinese Academy of Agricultural Mechanization Sciences Group Co., Ltd, Beijing, China.
Frontiers in plant science
|September 11, 2023
概括
这项研究引入了一种改进的Yolov5模型,用于实时,非破坏性检测果缺陷. 这种新的方法实现了高精度和效率,支持在分级环境中的自动化质量评估.
科学领域:
- 农业工程 农业工程
- 计算机视觉 计算机视觉
- 食品科学 食品科学 食品科学
背景情况:
- 准确检测外部果缺陷对于收获后质量评估至关重要.
- 现有的方法往往无法应对现实世界分级环境的挑战.
- 非破坏性的实时缺陷检测对于高效的分类至关重要.
研究的目的:
- 开发一种新的,改进的基于Yolov5的方法,用于实时,非破坏性检测多个外部果缺陷类别.
- 为了增强图像采集和数据增强,用于果缺陷检测.
- 与现有方法对比,评估拟议模型的性能和效率.
主要方法:
- 设计了一种基维果图像采集设备,用于分级线条.
- 构建了一个果外部缺陷数据集,并提出了一种新的数据增强方法.
- 通过集成SPD-Conv和DW-Conv模块来改进Yolov5s,使用EIOU作为损失函数.
- 与建议的Yolov5-Ours模型与SSD,Yolov5s和Yolov7.7进行了比较.
主要成果:
- 改进的Yolov5模型显示了加速的收,减少训练损失和更少的参数.
- 对于健康的 (98.8%),损坏的 (98.7%),痕的 (97.6%) 和太阳烧伤的 (95.9%) 桃,实现了高检测精度,整体精度为97.7%.
- 检测时间为8.0ms,满足实时需求;与SSD和Yolov7.7相比,Yolov5-Ours显示出更高的精度和显著更小的模型大小.
结论:
- "Yolov5-Ours"模型为果缺陷检测提供了高精度,适应性和强度.
- 该模型的小尺寸和便携性使其适合实际应用.
- 这项研究为农产品的非破坏性检测和分类提供了宝贵的技术支持.
更多相关视频
04:21Author Spotlight: Sieving Fruit Pulp to Detect Immature Tephritid Fruit Flies in the Field
Published on: July 28, 2023
1.8K
10:25Construction of Models for Nondestructive Prediction of Ingredient Contents in Blueberries by Near-infrared Spectroscopy Based on HPLC Measurements
Published on: June 28, 2016
10.7K
