A Deep Learning Approach to Detect the Spoiled Fruits
Notice bibliographique
Résumé
Fruits are one of the vital sources of nutrients for the mankind and their life span is very less. The fruit spoilage may occur at various stages such as, at the harvest time, during transportation, during storage etc. Freshness is a parameter used for accessing the quality of the fruit. About 20% of the harvested fruits are spoiled due to many factors, before consumption by humans. The spoilage of one fruit has a direct impact on the neighboring fruits. It is also a one of the indicators that gives an estimation of number of days that a fruit can be preserved. Early identification of the spoilage helps in taking the appropriate measures for the removal of spoiled fruits from the whole lot. So that it helps in preventing the spread of spoilage to its adjacent fruits. Deep learning based technological advancements helps in automatically identifying the spoiled fruits. In this work, internal quality attributes of the fruit are not taken into consideration for spoilage detection, only the external attributes are considered. The supervised learning technique is employed for the freshness analysis of two different types of fruits, Apple and Banana. As the 2 varieties are involved, it is a multiclass classification model with 4 classes. One shot detection technique is employed to accurately classify among the good fruit and spoiled fruit. Few images in the dataset are obtained from the kaggle.com and the rest are self - captured images. The dataset is balanced to avoid the biasness in the model. The model is implemented using Yolov4 and tiny Yolov4 frame works. These are one shot detection techniques, can be used for real time deployment. The inferences were obtained on the real time images and video. Confusion matrix is tabulated the performance metrics such as accuracy, F1 Score and recall are discussed with respect to these two techniques.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 tête enseignante, 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 ».