Implementation of YOLOv5 for Real-Time Maturity Detection and Identification of Pineapples
Notice bibliographique
Résumé
The assurance of fruit freshness during harvest is an enduring challenge that is faced by farmers and suppliers.Traditional methodologies, currently utilized for evaluating fruit freshness, have been characterized by their time-consuming nature, high costs, laborintensity, and susceptibility to inaccuracies.To address these issues, machine-based detection and sorting systems have been proposed, offering increased efficiency by leveraging technological advancements to analyze fruit attributes such as color, texture, physical appearance, size, and shape.These attributes are critical determinants of fruit quality and value, making accurate fruit evaluation a necessity in the agricultural and food industries.This is particularly true for products such as organic juices and jams, which have significant implications for human health.Providing unfit fruits not only affects the economy adversely but also contributes to augmented carbon dioxide emissions.This work presents a novel technical solution for the detection of pineapple freshness on Vietnamese farms, employing the Fast R-CNN and YOLOv5 techniques.The YOLO model was trained on a diverse dataset, comprised of over a hundred object categories and 50,000 preprocessed images.An aggregated model, combining the outputs of the pre-trained and transfer models, demonstrated improved performance while reducing training time, owing to the extensive training dataset.The classifier displayed an impressive accuracy sensitivity of 94.5% when tested on 50,000 images.Experimental results validate the superior performance of the trained YOLOv5s model, which attains a ripe pineapple recognition accuracy of 98%, outperforming Faster R-CNN by 9.27% and trailing behind YOLOv5x by a mere 0.22%.Additionally, the YOLOv5s model exhibits an impressive detection speed, requiring only 9.2ms to detect a single image-67.88%faster than Faster R-CNN and only 34.06% slower than YOLOv5x.These findings confirm that the YOLOv5s target recognition model meets the requirements for accurate recognition and high-speed processing of ripe pineapples.Its compatibility with agricultural-embedded mobile devices makes it a prime candidate for supporting precision operations in ripe pineapple harvesting machines.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».