Detection of Mulberry Ripeness Stages Using Deep Learning Models
Notice bibliographique
Résumé
Ripeness classification is one of the most challenging tasks in the postharvest management of mulberry fruit. The risks of microbial contamination and human error in manual sorting are significant; it may result in quality degradation and wasting of processed products. Due to advanced developments in computer vision and machine learning, automated sorting became possible. This study presents the results of developing and testing a computer vision-based application using convolutional neural networks (CNNs) for the classification of mulberry fruit ripening stages. To reduce the training cost and improve the accuracy of classification, transfer learning was used to fine-tune the CNN models. The CNN models in the test include DenseNet, Inception-v3, ResNet-18, ResNet-50, and AlexNet. Transfer learning was used to fine-tune the models and improve the accuracy of classification. The AlexNet and ResNet-18 networks exhibited the best performance with 98.32% and 98.65% overall accuracy for classifying the ripeness of white and black mulberries, respectively. Moreover, the performance of the models did not change when the data sets of both genotypes were mixed. The ResNet-18 was able to classify both genotype and ripeness from 600 fruit images in 2.36 min with an overall accuracy of 98.03%, which was superior to other architectures. It indicates that the model could be used for precise classification of the ripening stages of mulberries and other horticultural products, as a part of an automated sorting system.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».