计算机视觉监测水果色:神经网络与随机建模对比
Maria Kondoyanni1, Dimitrios Loukatos1, Charalampos Templalexis1
1Department of Natural Resources Management and Agricultural Engineering, Agricultural University of Athens, 75 Iera Odos Str., 11855 Athens, Greece.
Sensors (Basel, Switzerland)
|April 26, 2025
概括
计算机视觉使用卷积神经网络 (CNN) 和随机建模准确检测梨中的酶变棕. 结合这些方法的混合方法为农业食品质量控制提供了更好的自动化.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 食品质量控制 食品质量控制
背景情况:
- 传统的水果色检查是主观的,耗时的,昂贵的.
- 计算机视觉为农业食品部门的监控和分类提供了一个自动化解决方案.
- 梨中的酶性色会影响质量和保质期,需要有效的检测方法.
研究的目的:
- 研究计算机视觉技术,以检测和分类切割梨中的酶性色.
- 为了完成这个任务,将卷积神经网络 (CNN) 的性能与随机建模进行比较.
- 探索混合方法的潜力,以加强自动化质量控制.
主要方法:
- 应用各种RGB摄像头和计算机视觉算法.
- 开发和培训CNN模型用于图像分析.
- 使用CIE Lab*颜色模型实现随机建模,以获得布朗宁指数 (BI) 和黄化指数 (YI).
- 用贝叶斯分类器集成BI和YI.
主要成果:
- 开发的CNN模型实现了96.6%的准确性和F1得分>0.96对于梨切片测试.
- 随机建模提供了定量BI和YI,用于精确的棕色化监测.
- 将BI和YI与贝叶斯分类器相结合,对控制样本的分类率提高了4.6%,对处理样本的分类率提高了15%.
结论:
- CNNs为自动色检测提供高通量,可适应的解决方案.
- 随机方法提供精确的定量分析,但需要人类的专业知识.
- 建议将CNN和随机建模相结合的混合方法用于农业质量控制中的强大和实用的图像分析.
