基于深度学习的Piarom日期自动缺陷检测与分级

Piarom日期的分级与质量控制 presents 由于缺陷的复杂性和可变性，以及缺乏专为这一水果设计的专业自动化系统而具有显著挑战。Piarom日期是主要在伊朗种植的高价值品种。传统的手动检查方法代价高、耗时，而现有的AI-based排序解决方案不足以解决Piarom日期所特有的细微特征。在本研究中，我们提出了一个专为Piarom日期设计的创新性深度学习框架，用于实时检测、分类和分级Piarom日期。该框架集成了由超过9,900张高分辨率图像构成的自定义数据集，这些图像在11个不同的缺陷类别中进行了注释。我们的框架将状态-of-the-art目标检测算法和卷积神经网络(CNN)集成，以实现对缺陷识别的高精度。此外，我们采用先进的分割技术来估计每个日期的面积和重量，从而优化根据行业标准进行的分级过程。实验结果表明，我们的系统在准确率和计算效率方面显著优于现有方法，非常适合需要实时处理的工业应用。这一工作不仅为Piarom日期行业的自动化质量控制提供了稳健且可扩展的解决方案，也为AI驱动的食品检查技术的 broader 领域做出了贡献，潜在可应用于各种农业产品。