卷积神经网络 (CNN) 模型用于分类日棕果 (Phoenix dactylifera L.) 的品种
Piotr Rybacki1, Janetta Niemann2, Samir Derouiche3,4
1Department of Agronomy, Poznań University of Life Sciences, Dojazd 11, 60-632 Poznań, Poland.
Sensors (Basel, Switzerland)
|January 23, 2024
概括
这项研究开发了一种使用卷积神经网络 (CNN) 的自动日果分类模型. 结合水果颜色和几何数据,获得了93.41%的准确性,改善了质量评估.
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:
- 越来越多的人对高质量的棕果 (Phoenix dactylifera L.) 的需求需要有效的质量评估.
- 目前的手动和机械方法用于日果的评估是劳动密集型的,并可能造成损害.
- 需要基于图像分析的非接触式方法来实现自动化质量控制.
研究的目的:
- 开发一个自动分类模型,用于枣树果品种.
- 使用卷积神经网络 (CNN) 进行日果分类.
- 在分类中评估颜色和几何参数的有效性.
主要方法:
- 设计了一个固定架构的CNN,名为DateNET.
- DateNET 包含了五个交替的 Conv2D,MaxPooling2D 和 Dropout 层.
- 使用水果颜色差异和几何参数进行分类.
主要成果:
- 一个CNN模型仅使用水果颜色实现了85.24%的准确性.
- 仅使用几何参数的分类准确率达到87.62%.
- 将颜色和几何参数相结合,显著提高了准确度,达到93.41%.
结论:
- 一个基于CNN的自动化模型 (DateNET) 有效地分类了枣树果品种.
- 整合颜色和几何特征可以提高分类准确度.
- 这种方法为传统的质量评估方法提供了一个非接触式的,高效的替代方案.
