Real‐time detection of Fusarium infection in moving corn grains using <scp>YOLOv5</scp> object detection algorithm
Notice bibliographique
Résumé
Abstract Real‐time inspection and removal of individual Fusarium head blight (FHB) infected corn grains from the processing lines has been a challenging issue due to the bulk handling and smaller kernel size. In this study, four different variants (small(s), medium(m), nano(n), and large(l)) of You Only Look Once (YOLO) version 5 object detection technique were trained for the detection of Fusarium infection in a moving monolayer of touching and non‐touching corn grains. The YOLOv5 object detection models were evaluated for their performance in detecting FHB infection in individual corn grains. A heterogeneous dataset containing images and video frames of healthy and FHB infected corn grains in different illuminations was utilized. The mean average precision calculated at Intersection over Union threshold of .5 (mAP@50) was 99%, 98%, 95%, and 96% for YOLOv5‐s, YOLOv5‐m, YOLOv5‐n, and YOLOv5‐l models, respectively. The detection speed in videos was 3.9, 1.6, 9.8, and .8 frames per second for YOLOv5‐s, m, n, and l models, respectively. For non‐touching grains, all four variants of the YOLOv5 model showed 100% precision, but for touching grains, all variants showed false negatives in detection of FHB infection, especially on overlapping kernels. The recall values were found to be 98%, 99%, 96%, and 97% for YOLOv5‐s, m, n, and l models, respectively. The best combination of mAP, detection speed, and lower false negatives was achieved by the YOLOv5‐m model. YOLOv5‐m has the potential for use in real‐time detection of Fusarium infection in corn grains apart from lag time in videos. Practical Application The developed video analysis technique based on YOLOv5 object detection method will be beneficial for the accurate identification of Fusarium infected corn grains in bulk handling facilities. The individual FHB infected grains could be detected on processing lines and could be used for real‐time inspection replacing the random sampling techniques currently used, thereby preventing the entry of Fusarium mycotoxins in the food chain. For non touching corn grains, all the YOLOv5 model variants showed a 100% precision in identifying the healthy and FHB infected grains. For touching grains, YOLOv5‐m model showed the best combination of mAP, detection speed, and lower false negatives proving appropriate for inspection on moving conveyor belts. The nano model with the lightweight architecture installed in portable devices can be used for immediate detection of FHB infection without lag time.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».