YOLOPears:YOLO物体探测器的新基准,用于在质量分级系统中检测多类梨表面缺陷
Junsheng Chen1,2, Haoxuan Fu1,2, Chuhan Lin1,2
1Fujian Agriculture and Forestry University, Fuzhou, China.
Frontiers in plant science
|March 4, 2025
概括
本研究介绍了PearSurfaceDefects,这是一个用于识别梨表面缺陷的数据集. YOLOv4-P7实现了高精度,证明了YOLO模型对实时水果质量评估的潜力.
科学领域:
- 计算机视觉 计算机视觉
- 农业技术 农业技术
- 机器学习 机器学习
背景情况:
- 梨的质量对消费者满意度至关重要,表面缺陷如黑点是关键指标.
- 由于视觉上的相似性,准确检测这些缺陷是具有挑战性的.
研究的目的:
- 为表面缺陷检测创建一个全面的数据集.
- 在这个数据集上对各种最先进的物体检测模型进行比较.
主要方法:
- 使用自定义的图像采集平台创建了PearSurfaceDefects数据集 (13,915张图像,66,189条注释).
- 评估了27个YOLO物体探测器 (Scaled-YOLOv4到YOLOv9版本) 和3个先进的非YOLO模型 (T-DETR,RT-DERTV2,D-FINE).
- 研究了数据增强技术,以提高检测准确度.
主要成果:
- YOLOv4-P7实现了73.20%的mAP@0.5.5的检测准确度.
- YOLOv5n和YOLOv6n显示了实时缺陷检测的巨大潜力.
- 发现数据增强进一步提高了检测性能.
结论:
- 皮尔SurfaceDefects数据集和基准测试代码是公开的,以促进研究.
- 这项工作为梨子缺陷检测,分类和其他水果大数据研究提供了宝贵的资源.
