用机器视觉和机器学习算法预测玉米核的断裂率
Chenlong Fan1, Wenjing Wang1, Tao Cui2
1College of Mechanical and Electronic Engineering, Nanjing Forestry University, Nanjing 210037, China.
Foods (Basel, Switzerland)
|January 8, 2025
概括
本研究介绍了一种机器视觉和机器学习方法,用于快速在线检测破碎的玉米粒. 这种方法可以准确预测核损伤率,防止收获期间的真菌污染.
科学领域:
- 农业工程 农业工程
- 计算机科学 计算机科学
- 数据科学数据科学数据科学
背景情况:
- 玉米收获需要快速检测破碎的玉米粒,以防止真菌损害.
- 评估核损伤的现有方法往往是低效和主观的.
研究的目的:
- 开发一种准确和客观的在线检测破碎玉米核的方法.
- 引导玉米收获实践,以尽量减少玉米核损伤和减少真菌污染.
主要方法:
- 构建了高湿度玉米核表型特征的数据集,提取了七个几何和形状特征.
- 开发了回归模型,使用机器学习算法预测破碎和不破碎的内核重量.
- 使用机器学习进行内核缺陷检测的既定分类模型.
主要成果:
- 轻度梯度提升机 (LGBM) 和随机森林 (RF) 算法显示了高准确度 (r值为0.985和0.910) 的重量预测.
- 支持矢量机 (SVM) 在分类内核缺陷方面实现了超过95%的准确性.
- 预测和实际破碎率之间确实存在强烈的线性关系.
结论:
- 拟议的机器视觉和机器学习方法提供了一个准确,客观和高效的方法,用于在线检测玉米中断率.
- 这项技术可以显著提高玉米收获质量,减少收获后的损失.


