توت فرنگی یک محصول نقدی بسیار مغذی و مفید است و مرتب سازی با کیفیت ظاهری آن گامی مهم در فرآیند تولید است با این حال، شناسایی و مرتبسازی دستی ذهنی و زمانبر است.
در زمینه طبقه بندی تصاویر، ترانسفورماتورهای بینایی (ViT) عملکرد بهتری از خود نشان داده اند در این مقاله، ارزیابی گسترده ای از مدل های ViT برای شناسایی کیفیت ظاهری توت فرنگی ارائه شده است.
علاوه بر این، برای متعادل کردن دقت و زمان محاسبات مدل ViT، ما یک روش مبتنی بر ViT را پیشنهاد میکنیم که از ViT-B/32 دقیق تنظیم شده برای شناسایی توت فرنگی ارگانیک استفاده میکند.
علاوه بر این، نشانه کلاس با توابع هسته مختلف به SVM وارد می شود تا عملکرد آنها را ارزیابی کند.
نتایج تجربی نشان می دهد که بالاترین دقت تشخیص مدل های ViT اصلی ViT-L/16 است که می تواند به 97.38٪ برسد.
کاربرد تابع هسته خطی در این کار مناسب تر است. دقت ViT-B/32 اصلی 93.7٪ است و روش پیشنهادی دقت را 4.4٪ تا 98.1٪ بهبود می بخشد.
علاوه بر این، زمان محاسبات مورد نیاز روش پیشنهادی تنها 13/62 ثانیه است که سریعتر از مدلهای دیگر است بنابراین، روش پیشنهادی استحکام و جهانی بودن را به ویژه برای توت فرنگی تهران غیر طبیعی و رسیده نشان می دهد.
شناسایی کیفیت ظاهر توت فرنگی قرمز یک کار سخت است. روش های سنتی عمدتاً متکی به نیروی انسانی است که هزینه بالا و بازده پایینی دارد.
برای شناسایی کیفیت ظاهری توت فرنگی شمالی استفاده می کند که نتایج شناسایی دقیق تر و کارآمدتر را به دست می آورد.
این مطالعه می تواند توسعه تجهیزات چیدن هوشمند را تسهیل کند.
- منابع:
- تبلیغات:
دیدگاه شما با موفقیت ثبت شد.