YOLOv5 Model Application in Real-Time Robotic Eggplant Harvesting
Notice bibliographique
Résumé
Deep learning studies in agricultural automation have accelerated in recent years due to its benefits such as increasing product efficiency and reducing labor force. Deep learning is a powerful tool for automation in agriculture with applications ranging from disease identification and crop yield detection to fruit ripeness classification. It helps to automate various processes in agriculture and to perform time-consuming tasks in a shorter time. It quickly processes the data required for robotic harvesting systems and makes it available to the system. In this study, a machine learning study was carried out to be used in the robotic harvesting of eggplant fruit, which is a product that can take time to select and collect in the agricultural area where it is cultivated. YOLOv5 (nano-small-medium and large models) was used for the deep learning method. All training and test metric values of the models were analyzed. It was determined that the most successful model was the model trained with YOLOv5m algorithm on images of 640 × 640 size with 12 Batches and 110 Epochs. The results of the model values were analyzed as “metrics/precision”, “metrics/recall”, “metrics/mAP_0.5” and “metrics/mAP_0.5:0.95”. These are key metrics that measure the detection success of a model and indicate the performance of the relevant model on the verification dataset. It was determined that the metric data of the “YOLOv5 medium” model was higher compared to other models. The YOLOv5m model gave the highest score with F1 score of 85.66%, precision of 95.65%, recall of 96.15%, and mAP at 0.5:0.65 of 78.80%. Hence, it was understood that “Model 3” was the best detection model to be used in robotic eggplant harvesting to separate the eggplant from branch.
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) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».