使用多模式逻辑融合来识别食物浪费来源的类型

科学领域:

• 工业废物管理 工业废物管理
• 机器学习 机器学习
• 传感器融合式传感器

背景情况:

• 在工业环境中识别食物浪费来源是具有挑战性的,因为可变的照明会影响视觉识别模型.
• 现有的方法在低于最佳的照明条件下与性能降低作斗争.

研究的目的:

• 提出和验证一种可靠,可解释和适应的多式联运逻辑融合方法,用于识别食物废弃物的来源.
• 根据实时照明强度动态分配传感器优势,以提高准确性.

主要方法:

• 一种多式模式的方法,将MobileNetV3 + EMA图像识别模型与音频模型 (快速里埃转换 + 支持向量机) 结合起来.
• 基于照度的动态传感器融合环境意识条件逻辑的实施.
• 移动NetV3 + EMA用于图像识别和FT + SVM用于音频分类.

主要成果:

• 图像模型在最佳照明下 (120-240 cd m^{-2) 达到99.46%的精度,但在这个范围之外显著降解.}
• 音频模型以0.80准确度,0.78回忆率和0.80F1得分展示了光照独立的性能.
• 融合方法在一个独立的测试组中实现了90.25%的整体准确性,优先考虑在84 cd m-2以下的音频识别.

结论:

• 拟议的自适应多式联运逻辑融合方法可在可变的工业照明条件下确保可靠的食品废弃物来源识别.
• 动态传感器主导性分配可以防止模型故障,并在具有挑战性的环境中提高分类准确性.
• 该系统为现实世界的工业应用提供了一个可解释和弹性解决方案.