使用深度学习对油果进行自动分类

科学领域:

• 农业工程 农业工程
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 农业部门依赖于高效的收获后技术,特别是在发展中经济体.
• 手动分类油果是劳动密集型和主观的,阻碍了可扩展性.
• 全球日益增长的需求需要自动化解决油果分类的解决方案.

研究的目的:

• 开发一个实时机器视觉系统,用于自动化果分类.
• 评估深度学习模型在不同分级速度下分类油果的性能.
• 建立一个高效的自动化系统来评估油果的质量.

主要方法:

• 在不同的输送带速度 (4.8221.51厘米/秒) 获得了油果视频的数据集.
• 使用Mask R-CNN进行精确的样本细分,实现100%的检测和低误差率 (4.175.79%).
• 使用YOLOv8n进行实时分类,显示出高精度和效率.

主要成果:

• 面具R-CNN精确地对所有测试速度的所有油轮级别进行了细分.
• YOLOv8x和YOLOv8n模型显示了可比的分类性能.
• YOLOv8n模型在21.51厘米/秒的整体分类精度达到92%,具有高灵敏度 (87.1094.89%).

结论:

• 深度学习模型对于开发自动化果分类机来说是有效的.
• 开发的系统提供了一个可行的解决方案,用于高效和准确的油果分类.
• 这项技术可以显著提高农业部门的收获后加工.