基于估计模型和MDSC-DeepLabv3的原始甘破碎和杂质比率的检测
Xin Li1, Zhigang Zhang1, Shengping Lv1
1College of Engineering, South China Agricultural University, Guangzhou, China.
Frontiers in plant science
|November 29, 2023
概括
一个新的机器视觉系统使用估计模型和语义细分精确检测破碎的甘和杂质. 这项技术改善了原始甘的质量评估和糖炼厂的定价.
科学领域:
- 农业工程 农业工程
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 通过破碎和杂质比率 (顶部,叶子) 确定原料甘的质量,对于糖制造的产量和定价至关重要.
- 传统的手动评估方法是主观的,低效的,容易出现差异.
- 需要自动检测系统来克服手动采样的局限性.
研究的目的:
- 开发一种新的,自动化的方法来检测原始甘中破裂和杂质比率.
- 提高甘质量评估的准确性,效率和客观性.
- 创建一个适合实时部署和边缘设备的系统.
主要方法:
- 开发一种机器视觉平台,用于图像采集和定制数据集创建 (,碎,顶部,叶子).
- 使用平均表面密度和像素信息来预测质量和比率的估计模型的实施.
- 设计了MDSC-DeepLabv3+模型,集成了MobileNetv2,的空间金字塔聚合,以及用于语义细分的注意力机制.
主要成果:
- 估计模型实现了破碎率 (R=0.976) 和杂质比率 (R=0.968) 的高精度.
- 与基线模型相比,MDSC-DeepLabv3+显示出优异的细分性能 (mPA 97.55%,mIoU 94.84%).
- 该系统实现了较低的平均相对误差 (破损为11.3%,杂质为6.5%) 并降低了计算成本.
结论:
- 综合估计模型和MDSC-DeepLabv3+为甘破碎和杂质检测提供了高精度,高效和智能解决方案.
- 开发的系统克服了手动评估的局限性,使客观的质量评估和公平的定价成为可能.
- 该模型的效率和准确性使其适合在糖炼厂和边缘设备中的实际应用.
