相关实验视频
Updated: May 13, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
8.9K
在分类过程中使用基于区域的卷积神经网络 (R-CNN) 进行土豆细分
Jaka Verk1, Jernej Hernavs1, Simon Klančnik1
1Laboratory for Machining Processes, Faculty of Mechanical Engineering, University of Maribor, Koroška Cesta 46, 2000 Maribor, Slovenia.
Foods (Basel, Switzerland)
|April 16, 2025
概括
本研究介绍了Mask R-CNN用于自动分类系统中精确的土豆细分. 这种方法提高了效率,为土豆分拣应用实现了更高的加工量.
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:
- 自动排序系统需要高通量处理的高效图像细分.
- 传统方法可能缺乏复杂农业分类任务所需的精度.
- 开发强大的细分对于提高土豆分类机械的性能至关重要.
研究的目的:
- 实施和评估Mask R-CNN,以实现精确的土豆细分.
- 将Mask R-CNN的细分精度与基于传统卷积神经网络 (CNN) 的对象探测器进行比较.
- 为了优化Mask R-CNN参数,以获得优越的细分结果,在土豆分类中.
主要方法:
- 使用基于区域的卷积神经网络 (R-CNN) 方法,特别是Mask R-CNN.
- 专注于基于摄像头输入的土豆分类和分类系统的细分组件.
- 评估了Mask R-CNN在各种参数设置中的性能,以确定最佳配置.
主要成果:
- 面具R-CNN证明了土豆的有效和精确细分.
- 实施的Mask R-CNN模型显示了将其集成到生产环境中的潜力.
- 与传统的基于CNN的对象检测方法相比,实现了更好的细分精度.
结论:
- 面膜R-CNN是一种可行且有效的工具,用于在自动分类中对土豆进行细分.
- 这些发现支持使用Mask R-CNN来提高马分类过程的效率和准确性.
- 这项研究有助于智能农业自动化系统的发展.
