将深度学习与非破坏性热成像进行整合,以精确确定瓜成熟度
Ee Soong Low1, Pauline Ong1, Jia Qing Sim1
1Faculty of Mechanical and Manufacturing Engineering, Universiti Tun Hussein Onn Malaysia (UTHM), Parit Raja, Malaysia.
Journal of the science of food and agriculture
|May 28, 2024
概括
热成像提供了一种可靠的,非破坏性的方法来确定瓜的成熟度,减少收获后的损失. VGGNet-16深度学习模型在分类瓜子成熟阶段方面取得了很高的准确性.
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:
- 准确的瓜成熟度评估对于最大限度地减少收获后损失和确保水果质量至关重要.
- 由于某些品种的微妙变化,对瓜成熟度的视觉评估可能不可靠.
- 需要非破坏性方法来克服传统成熟度评估的局限性.
研究的目的:
- 开发和评估一种使用热成像来确定瓜成熟度的非破坏性方法.
- 为了比较瓜成熟度分类的五种深度学习模型的性能.
- 为高效的水果生产和供应链管理提供可扩展的解决方案.
主要方法:
- 捕获了瓜在各种成熟阶段的热图像.
- 图像数据经过预处理.
- 五个深度学习模型 (AlexNet,Inception-v3,GoogLeNet,ResNet-50,VGGNet-16) 进行了培训和评估.
主要成果:
- 在瓜成熟度评估中,VGGNet-16取得了卓越的表现.
- 在VGGNet-16模型中,平均精度高 (0.92),灵敏度高 (0.93),特异性高 (0.96),F1得分高 (0.92),准确度高 (0.92).
- 该模型在484秒的训练时间内取得了这些结果.
结论:
- 热成像与深度学习相结合,为瓜成熟度的确定提供了可扩展和非破坏性的方法.
- 这种方法有助于减少农业垃圾,提高水果供应链的效率.
- 这些发现支持农业中的环保做法.
