Edge Computing-Based Machine Vision for Non-Invasive and Rapid Soft Sensing of Mushroom Liquid Strain Biomass
Notice bibliographique
Résumé
Biomass monitoring of mushroom liquid strains during the fermentation process demands real-time analysis with minimal manual intervention, highlighting the urgent need for intelligent surveillance. This study introduced a soft sensor method based on edge computing machine vision, termed Edge CV, for in situ non-invasive estimation of biomass. In our experiment, the hardware of the Edge CV system includes the Jetson Nano with 4 GB RAM, 64 GB ROM, and a 128-core Maxwell GPU for executing intelligent machine vision tasks, along with embedded cameras for image data acquisition. Furthermore, a cascaded machine vision model was developed to enable biomass evaluation on the Edge CV system. The cascaded machine vision model mainly consists of three steps: first, the object detection task to locate the observation window, achieving a mean Average Precision (mAP50:95) of 82.3% with 78.7 GFLOPs; then, the segmentation task to extract liquid strain data within the observation window, yielding a mean intersection over union (MIoU) of 85.9% with 110.4 GFLOPs; and finally, calculating mycelium biomass indices via the morphological image processing task. The correlation between Edge CV inference and manual measurement showed an R2 of 0.963 and an RMSE of 0.027 for normalized biomass indices, demonstrating a robust and consistent trend. Therefore, this study illustrates the practical application of edge computing-based machine vision for biomass soft sensing during the fermentation process.
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) | 0,000 | 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 ».