对于黄瓜分类的RGB色彩空间增强训练数据生成

科学领域:

• 农业技术 农业技术
• 计算机视觉 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 黄瓜分类依赖于专业知识,限制了未经培训的劳动力参与.
• 收获旺季需要高效,可扩展的黄瓜分类解决方案.
• 目前的手动分类方法耗时且容易出现不一致.

研究的目的:

• 开发一个自动化的黄瓜分类系统,可供没有先前专业知识的个人使用.
• 提高农业环境中黄瓜分类的准确性和效率.
• 利用深度学习进行客观和一致的收获产品质量评估.

主要方法:

• 一个有11个层的卷积神经网络 (CNN) (2个卷积,2个聚合,3个密集,4个掉落) 设计用于基于图像的分类.
• 一种新的数据增强技术将黄瓜的物理属性 (长度,曲,厚度) 嵌入到训练图像背景的RGB颜色空间中.
• 使用标准的多类分类指标 (准确性,回忆,精度,F-测量) 对现实世界合作标准进行绩效评估.

主要成果:

• 拟议的方法,将属性信息嵌入RGB背景中,实现了79.1%的分类准确度.
• 在没有RGB色彩空间嵌入的情况下,基线方法实现了70.1%的准确性.
• 改进的方法比传统方法提高了1.1倍的性能,验证了背景编码技术的有效性.

结论:

• 通过RGB色彩空间将物理黄瓜属性嵌入到图像背景中,可以显著提高基于CNN的分类准确性.
• 开发的系统提供了一个自动化黄瓜分类的实用解决方案,减少对专家知识的依赖.
• 这种方法有可能简化农业收获后的流程,提高整体运营效率.