.png){kind=icon}
返回
Optimized Deep Learning-Based Cabbage Stem Detection and Depth Classification
.png){kind=icon}
OA
AI
DOI：10.1111/jfpe.70486.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在食品工业中，去除不可食用部分会导致生产效率降低，因其过程高度依赖人工且易损失可食用部分。自动化去除卷心菜茎末端（即不可食用部分）的挑战在于其形状和尺寸的多样性。为解决此问题，开发了一种集成深度类别变换过程的一阶段YOLOv5深度学习模型，用于精确检测卷心菜茎核心区域并分类编码深度类别。此外，通过粒子群优化（PSO）调整超参数以提升检测模型性能。为评估检测性能，实施了四种YOLOv5深度学习模型变体和一种两阶段Faster R-CNN模型。结果表明，YOLOv5L变体达到平均精度均值（mAP）和交并比（IoU）分别为0.99和0.89，而YOLOv5S变体分别获得0.76和0.84。此外，YOLOv5L变体在分类编码深度类别时F1分数超过99%，YOLOv5S变体为82.5%，表明其检测和分类性能优异。本研究为食品制造预处理过程中检测需去除的不可食用部分及其深度提供了关键技术。未来，该优化的卷心菜茎检测模型可应用于嵌入式系统，实现实时自动化制造过程。
Keyword:
deep learning model
napa cabbage
removal of nonedible parts
stem depth classification
stem detection
vision system
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
J
IF:
2.9
论文数:
567
被引数:
0
机构
引用论文
Egg Freshness Prediction Model Using Real-Time Cold Chain Storage Condition Based on Transfer Learning.png)
Foods
OAAI
FoodsIF0
OAAI分享收藏On hyperparameter optimization of machine learning algorithms: Theory and practice机器学习算法的超参数优化: 理论与实践NEUROCOMPUTINGOAAI
NEUROCOMPUTINGIF6.5
OAAI分享收藏Nondestructive classification of soft rot disease in napa cabbage using hyperspectral imaging analysisSCIENTIFIC REPORTSOAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏
查看更多内容