基于计算机视觉和YOLO卷积神经网络的米粒中菌检测

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:

• 传统的米微生物检测方法 (培养,感觉) 是缓慢的,需要专业知识.
• 这些方法不适合在储存或贸易期间进行快速现场测试.
• 需要快速,非破坏性的技术来评估大米的质量.

研究的目的:

• 开发一种快速,非破坏性的检测米的方法.
• 利用微型计算机视觉和YOLO-V5卷积神经网络来检测菌.
• 为了建立检测到的菌覆盖面积和细菌殖民地数量之间的相关性.

主要方法:

• 收集了来自多个地点的米样本的图像.
• 采用YOLO-V5卷积神经网络模型来检测和量化的区域.
• 将估计的模具覆盖面积与总细菌殖民地数量相关联.

主要成果:

• YOLO-V5模型在识别化大米区域时达到82.1%的精度和86.5%的回忆率.
• 对于轻型菌检测,精度达到100%,基于平均菌面积的回忆率为95.3%.
• 计算机视觉和YOLO-V5方法在菌检测方面表现出高精度.

结论:

• 微型计算机视觉与YOLO卷积神经网络相结合,为快速检测米菌提供了可行的解决方案.
• 该方法适用于存储和贸易期间实时评估大米的质量.
• 这项技术有助于高效,准确地识别米中的菌污染.