基于图像的智能深度学习系统,用于在外包生产中自动化对 Phalaenopsis 幼苗的质量分级

科学领域:

• 园艺科学和计算机视觉应用.
• 人工智能在农业质量控制中的整合.

背景情况:

• 帕拉诺普西斯兰花是台湾的主要花出口产品,需要一致的质量.
• 手动的苗木检查是主观的,耗时的,并且阻碍了国际竞争力.
• 外包早期种植阶段需要可靠的质量评估.

研究的目的:

• 开发和验证基于图像的智能深度学习系统,用于自动分类Phalaenopsis盆栽幼苗的质量.
• 用一个客观,高效和可靠的自动化系统取代手工检查.
• 提高出口质量评估的一致性和准确性.

主要方法:

• 利用深度学习模型 (YOLOv8,YOLOv10) 进行缺陷和根源检测.
• 使用机器学习分类器 (SVM,随机森林) 进行缺陷计数和分类.
• 实施了双视图成像方法:顶部视图RGB-D用于空间结构,侧面视图RGB用于叶子/根条件.
• 开发了两个分级策略:一个三阶段的等级方法和一个直接分级方法.

主要成果:

• 该系统获得了高F1分数:三阶段方法为84.44%,直接方法为90.44%.
• RGB-D顶部视图图像和最佳视角显著提高了分级精度.
• 证明了系统在自动化质量评估和出口检查方面的可靠性.

结论:

• 开发的深度学习系统提供了一个可靠和高效的解决方案,用于自动化Phalaenopsis苗木质量分级.
• 这项技术具有强大的潜力,可以提高台湾兰花出口行业的竞争力.
• 自动化检查可以带来更一致的质量和简化出口流程.