.png){kind=icon}
返回
An Effective Learning Model for Multi-label Melon Classification based on Ensemble Learning
.png){kind=icon}
PRE
AI
DOI：10.1142/S0218001425510188.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
瓜类是一种广受欢迎的水果，具有多种质地和类型。在销售前对其进行分类，能让消费者做出明智的选择并提升产品吸引力。虽然人类可以通过视觉对瓜类进行分类，但这一过程在处理大量样本时效率极低。自动化深度学习农业系统提供了降低成本、提高生产力的解决方案。因此，本研究解决了单一实例中多种质地导致的识别准确率下降问题。具体而言，它提出了一种多标签分类方法。我们在数据集上训练了四个模型：一个自定义CNN、VGG16、InceptionV3和决策树。通过投票聚合技术，我们整合了这些模型的优点以产生多标签输出。我们的方法取得了优异的结果，准确率达到94%，精确率为94%，F1得分为93%。此外，本研究引入了一个专门用于瓜皮识别的CNN模型，通过整合现有技术与投票集成学习，进一步提高了准确率。这一进展推动了自动化农业的发展，并为未来的研究提供了启发。
Keyword:
Mask R-CNN
multi-label classification
ensemble learning
melon
期刊
IF:
1.1
论文数:
215
被引数:
2.0K
机构
引用论文
.png){kind=icon}
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks更快的r-cnn: 基于区域建议网络的实时目标检测
OAAI
OAAI分享收藏A real-time crop lodging recognition method for combine harvesters based on machine vision and modified DeepLab V3 +基于机器视觉和改进的DeepLab V3+的联合收割机实时作物倒伏识别方法OAAI
OAAI分享收藏
查看更多内容