Accurate estimation of tuber size in large potato throughput at potato storage using machine vision and machine learning techniques
Notice bibliographique
Résumé
• Machine vision to replace industrial semi-manual grading of potato based on Mask R-CNN was developed. • The machine learning algorithm includes creating seven novel features to distinguish fully visible tubers in clusters. • Detection of fully visible tubers was achieved by implementing random forest, increasing sampling rate by at least 21 folds. • The hardware and software design enabled cost-effective field deployment without compromising accuracy of current practices. In this research work, a machine vision system to sample and measure the lengths of potato tubers was developed and deployed. The proposed system generates information about tuber sizes in real-time and replaces the current practice adopted by the potato industry, which involves costly and labor-intensive activities such as manually sampling potato tubers and passing them under a dedicated laser sensor. The machine vision system, which utilized an RGB camera and a mask region-based convolutional neural network (Mask R-CNN), was able to detect tubers on conveyors under a wide range of light conditions with a sampling accuracy of 90.74 % and a mean intersection over union (mIoU) of 93 %. This work also describes 7 novel features to characterize fully tubers detected by the Mask-R-CNN model. These features are used by a Random Forest model to sample at least one and up to five tubers in clusters that ranged between 54 and 231 tubers. The proposed system showed excellent performance in the detection and sampling of tubers, under both static and dynamic conditions, with a worst-case relative root mean square error (nRMSE) value in estimating the long and short diameters of 6.71 and 7.83 %, respectively, in the densely clustered scenarios. The system leverages a graphical processing unit (GPU), which allows the processing of one batch of tubers per second in field, leading to an increase of 21-fold in tuber sampling ability when compared to the current industrial practice, while eliminating the time and labor needed to semi-manually transport and measure tubers.
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 | 0,002 |
| 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 ».