数据集创建石榴热图像,用于内部缺陷检测和检测

科学领域:

• 农业科学 农业科学
• 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:

• 机器学习模型需要多样化的数据集来准确识别模式.
• 在标准的数字成像中,检测水果内部缺陷是具有挑战性的.
• 热成像提供了一种非侵入性的方法来评估内部水果的质量.

研究的目的:

• 开发一套数字和热图像的石榴的数据集.
• 使用热成像识别和分类石榴的内部缺陷.
• 为了促进机器学习算法的训练,用于自动化水果缺陷检测.

主要方法:

• 获取石榴的数字 (RGB) 和热图像.
• 在热图像上应用k-平均细分来识别内部缺陷.
• 缺陷分为"没有缺陷"",重大缺陷"和"轻微缺陷"等级.

主要成果:

• 准备了一套全面的石榴图像数据集.
• K-平均细分成功地区分了不同级别的内部缺陷.
• 热成像在揭示缺陷的内部结构变异方面被证明是有效的.

结论:

• 准备好的数据集适合用于训练机器学习模型进行石榴质量评估.
• 热成像与k-平均细分相结合,是内部缺陷检测的可行方法.
• 这种方法支持开发批量水果加工和分类的自动化系统.