一个快速和实时的机器视觉评估系统,用于基于视频的Agaricus bisporus的大小分级

科学领域:

• 农业工程 农业工程
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 手动分类的Agaricus bisporus是劳动密集型,主观的,容易出错.
• 盖的直径是影响市场价格和质量评估的关键因素.
• 需要自动分类系统来提高生产的效率和一致性.

研究的目的:

• 开发和评估基于视频的实时机器视觉系统,用于对Agaricus bisporus的自动化大小分类.
• 优化轻量级的深度学习模型,以便在边缘设备上高效地部署.
• 为高通量工业应用平衡处理速度与识别精度.

主要方法:

• 一个输送带系统在顶部彩色摄像头下运输了Agaricus bisporus.
• 优化了YOLOv5模型,使用ShuffleNetV2作为轻量级性能的骨干.
• 系统性能根据模型大小,处理速度 (FPS),平均精度 (mAP) 和在各种运输速度上的分级精度进行了评估.

主要成果:

• 优化的模型实现了86.1%的尺寸缩小,9.8%的FPS增加和97.1%的mAP.
• 该系统展示了高速分类 (1066.67个/分钟) 在130.17毫米/秒的运输速度下以97.87%的准确率进行分类.
• 基于视频的系统在低分辨率和低光条件下表现出强大的适应性和稳定性,有效地分类移动的.

结论:

• 开发的基于视频的机器视觉系统为分类Agaricus bisporus提供了一个高效,准确和自动化的解决方案.
• 优化的轻量级模型适用于实时应用和边缘设备部署.
• 该系统通过提供更高的速度,一致性和客观性,显著改善了手动分级.