混合人工智能管道用于实验室检测使用二维RGB成像的内部土豆缺陷2D RGB成像.
Slim Hamdi1,2,3, Kais Loukil1, Adem Haj Boubaker3
1CES Laboratory, ENIS National Engineering School, University of Sfax, Sfax B.P. 3038, Tunisia.
Journal of imaging
|December 24, 2025
概括
这项研究引入了一种新的AI系统,用于使用RGB图像检测土豆内部缺陷. 混合人工智能 (AI) 模型实现了高精度,改善了农业实验室的质量评估.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 在农业实验室加工中,内部土豆质量评估至关重要.
- 传统方法无法检测内部缺陷 (心脏空洞,伤,昆虫画廊),只使用表面特征.
- 现有的先进技术,如高光谱成像或MRI,成本高昂,难以获得.
研究的目的:
- 开发一种新的模块化混合AI架构,用于使用RGB图像检测土豆中的内部缺陷.
- 创建一个适合整合到实验室环境中的系统,以实现高效的质量控制.
- 为当前的缺陷检测方法提供一个强大,可解释和具有成本效益的替代方案.
主要方法:
- 一个混合的人工智能管道,将YOLO用于检测,ResNet用于补丁验证,Segment Anything Model (SAM)用于细分,VGG16与随机森林用于皮肤接触分析.
- 利用土豆切片的RGB图像进行缺陷分析.
- 在超过6000个注释实例的数据集上训练并验证了模型.
主要成果:
- 在大多数内部缺陷类别中,实现了超过95%的回忆率和大约97.2%的精度.
- 与依赖于高光谱或MRI技术的方法相比,证明了更高的性能.
- 该系统被证明是可扩展的,可解释的,并且与标准的2D成像硬件兼容.
结论:
- 拟议的混合人工智能架构为内部土豆缺陷检测提供了强大的和可解释的解决方案.
- 该系统通过提供准确和高效的质量评估来增强农业实验室的能力.
- 该方法在农产品的非破坏性内部质量评估方面取得了重大进展.
