使用真实与合成数据训练的简单CNN模型进行香蕉成熟度分类
计算机视觉与模式识别
2025-04-14 v1
摘要
成熟度水平是确定香蕉质量的关键因素。要正确估计香蕉的成熟度，需要考虑国际市场标准的指标。然而，香蕉在工业层面的成熟度评估仍采用人工方法。CNN模型的使用备受青睐，但存在数据量不足以可靠训练这些模型的局限。在此基础上，现有CNN模型和可用数据报告在识别香蕉成熟度方面的准确率尚可接受。鉴于此，本工作提出了一种结合真实与合成数据的稳健数据集生成方法，用于不同水平的香蕉成熟度。此外，本文提出了一种简单的CNN架构，该架构使用合成数据进行训练，并采用迁移学习技术改进模型以分类实数据，能够确定香蕉的成熟度水平。对提议的CNN模型进行了多种架构评估，然后变化了超参数配置并使用了各种优化器。结果表明，提议的CNN模型达到了0.917的高准确率和快速的执行时间。
引用
@article{arxiv.2504.08568,
title = {Banana Ripeness Level Classification using a Simple CNN Model Trained with Real and Synthetic Datasets},
author = {Luis Chuquimarca and Boris Vintimilla and Sergio Velastin},
journal= {arXiv preprint arXiv:2504.08568},
year = {2025}
}
备注
9 pages, 7 figures, conference