Система интернета вещей на основе глубокого обучения для распознавания фруктов и овощей
Ключевые слова:
распознавание фруктов и овощей, глубокое обучение, машинное обучение, ResNet152V2Аннотация
Введение: в контексте растущей важности овощей и фруктов как значимых источников питания возрастает спрос на передовую технологию их распознавания на основе компьютерного зрения в цепочке поставок. Эта технология имеет решающее значение на различных этапах, включая сбор урожая, сортировку и контроль качества. Цель: разработать передовые системы распознавания фруктов путем интеграции устройств интернета вещей, таких как камеры и датчики, с алгоритмами глубокого обучения. Результаты: использованы сверточные нейронные сети для усовершенствования возможностей распознавания фруктов путем извлечения сложных особенностей изображений, для чего изображения овощей и фруктов загружались в предварительно обученные модели глубокого обучения. Среди этих моделей ResNet152V2 отличается устойчивостью к шуму и искажениям, что делает ее подходящей для реальных приложений. Ее масштабируемость позволяет ей обрабатывать большие наборы данных и более сложные задачи, постоянно достигая высокой точности распознавания изображений даже в сложных условиях. Набор данных, полученный из онлайн-каналов и полевых каналов, включал около 31 000 изображений фруктов и овощей. В процессе обучения использовались такие методы, как GlobalAveragePooling2D, полностью связанные слои, отсев для предотвращения переобучения и активация softmax, что привело к впечатляющей точности 98,01 % для ResNet152V2 после 20 эпох по сравнению с производительностью базовой модели сверточной нейронной сети 88,3 %. Примечательно, что при развертывании на мобильных платформах и Raspberry Pi 4 время идентификации составило 4,3 и 2,25 с соответственно. Одновременно разработано прикладное программное обеспечение и аппаратная система интернета вещей для мониторинга и улучшения процесса распознавания фруктов и овощей. Практическая значимость: решена проблема распознавания фруктов и овощей с помощью модели глубокого обучения ResNet152V2 и набора данных. Достигнуты высокая точность и быстрое прогнозирование, разработано экономичное и надежное оборудование для приложений интернета вещей.
