通过人工智能来检测和量化麻的收获后生理恶化 (PPD),使用YOLO基础模型和K-means集群

科学领域:

• 农业科学 农业科学
• 计算机科学 计算机科学
• 生物技术是生物技术.

背景情况:

• 收获后生理性恶化 (PPD) 严重影响了麻豆产业,造成了巨大的经济损失.
• 开发有效的PPD检测方法对于减轻这些损失和提高子质量至关重要.

研究的目的:

• 使用先进的人工智能技术,开发一个全面的框架来检测麻瓜中的PPD.
• 与麻豆种植者合作,将这一框架纳入种植计划.

主要方法:

• 利用包括YOLOv7,YOLOv8,YOLOv9和YOLO-NAS在内的深度学习 (DL) 模型,从RGB图像中对PPD严重程度进行分类.
• 采用分段任何模型 (SAM) 和图像处理技术 (例如RGB色彩过) 来提高PPD检测准确度.
• 应用机器学习 (ML) 算法用于PPD估计,并将AI驱动的方法与手动视觉评分进行比较.

主要成果:

• 在PPD分类中,YOLOv8获得了最高的整体平均平均精度 (mAP) 80.4%.
• 尽管训练不稳定,但YOLO-NAS在检测PPD_0类 (mAP 91.3%) 中表现强.
• 人工智能算法通过有效处理图像数据并删除无关的颜色部分,将PPD估计中的平均绝对误差 (MAE) 从20.01降低到15.50.
• 基于人工智能的分析比传统的手工方法快得多,精简得多.

结论:

• 尖端的人工智能技术,包括YOLO基础模型和SAM,在木中检测和量化PPD方面取得了重大进展.
• 这种由人工智能驱动的模型有效地简化了在繁殖前的管道中对PPD的评估,从而提高了对PPD耐药菜品种的选择.
• 这项研究有助于提高麻豆的生产力,质量和弹性,支持全球粮食安全工作.