相关实验视频
Updated: May 10, 2026
15:01
Windowing Chicken Eggs for Developmental Studies
Published on: October 1, 2007
27.9K
使用多域培训方法对破裂蛋进行稳健检测,用于实践蛋生产
Yuxuan Cheng1, Yidan Huang2, Jingjing Zhang1
1College of Engineering, Huazhong Agriculture University, Wuhan 430070, China.
Foods (Basel, Switzerland)
|August 10, 2024
概括
一种新方法通过提取域不变的特征来改善破裂卵的检测,从而提高了对不同卵子数据的模型性能. 这种方法提高了工业应用的准确性,确保了更好的食品安全.
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:
- 破碎的蛋损害了质量和安全,给消费者带来了风险.
- 对于破裂卵检测的深度学习模型在域内数据上表现良好,但在现实世界的变化中扎.
- 现有的解决方案往往需要复杂的网络调整或大型数据集,无法解决未见数据的性能下降.
研究的目的:
- 开发一种强大的破蛋检测方法,以提高模型在未知测试数据上的性能.
- 提取最大限度的域不变特征,以提高工业蛋生产中的概括性.
- 为了避免复杂的网络结构修改和广泛的超参数调整.
主要方法:
- 来自各种来源和获取设备的构建的多域卵数据集.
- 采用了使用最大平均差异与规范化平方特征估计 (NSFE-MMD) 的多域培训策略.
- 应用NSFE-MMD以确定最佳匹配的训练领域,以增强特征不变性.
主要成果:
- 拟议的方法显著改善了未知的测试域上的检测mAP (例如,在域4上的YOLOV5的86.6%和YOLOV8的88.8%).
- 与单一领域培训相比,观察到高达8%和4.4%的绩效增长,与所有领域培训相比,高达4.7%和3.7%.
- 经过证明的稳定性和有效性,在未知的Domain 5上实现了87.9%的mAP,使用YOLOV5.5.
结论:
- 这种新的多领域培训方法有效地提高了用于检测破蛋的深度学习模型的稳定性.
- 这种方法非常适合工业环境,大量和各种各样的蛋.
- NSFE-MMD技术为机器视觉应用中的域调整提供了一个简单但强大的解决方案.
