FreshNet: A Lightweight Computer Vision System for Real-Time Freshness Assessment of Vegetables
Notice bibliographique
Résumé
According to the Food and Agriculture Organization (FAO), nearly 40% of fruits and vegetables produced globally are lost before reaching consumers, primarily due to spoilage and improper post-harvest handling. In India alone, the post-harvest loss of vegetables is estimated at over ₹13,000 crore annually, largely because of the absence of affordable freshness monitoring tools. While high-end solutions such as hyperspectral imaging or chemical analysis exist, they are inaccessible to small-scale farmers, street vendors, or low-income households due to their cost and technical complexity. To address this gap, we propose FreshNet, a lightweight, computer vision-based system that can assess the freshness of vegetables in real time using basic RGB imagery. The system uses classical techniques such as colour histograms, brightness thresholding, and texture variation detection to classify vegetables as fresh, moderately stale, or rotten — without relying on cloud connectivity, expensive hardware, or high-performance GPUs. Designed to run on laptops, mobile phones, or single-board computers like Raspberry Pi, FreshNet integrates offline voice feedback, multilingual support, and a low-memory footprint, making it ideal for deployment in rural areas, local marketplaces, and smart kitchens. By enabling accessible and cost-free freshness evaluation, FreshNet aims to reduce food waste, enhance food safety, and empower underrepresented communities with practical AI-driven tools.
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 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,003 |
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 ».