基于卷积神经网络集成学习的高光谱成像黑莓果实成熟度检测在非受控农场环境中的应用
计算机视觉与模式识别
2024-06-03 v1 人工智能
机器学习
摘要
数十年来，果实成熟度估计模型依赖于光谱指数特征或基于颜色的特征，如均值、标准差、偏度、颜色矩和/或直方图，来学习果实成熟度的特征。近期，少数研究探索了使用深度学习技术从具有可见成熟度线索的果实图像中提取特征。然而，黑莓（Rubus fruticosus）果实在成熟时并不表现出明显且可靠的可见成熟度特征，因此给果实采摘者带来了极大困难。在人类肉眼看来，成熟的黑莓在成熟前、成熟中和成熟后都是黑色的。为解决这一工程应用挑战，本文提出了一种新颖的多输入卷积神经网络（CNN）集成分类器，用于检测黑莓果实中细微的成熟度特征。该多输入CNN由一个在ImageNet数据集上预训练的视觉几何组16层深度卷积网络（VGG16）模型创建。其全连接层经过优化，用于学习成熟黑莓果实的成熟度特征。所得模型作为基础，用于构建同质集成学习器，这些学习器使用堆叠泛化集成（SGE）框架进行集成。网络的输入是使用立体传感器在700 nm和770 nm波长下通过可见光和近红外（VIS-NIR）光谱滤波器获取的图像。通过实验，所提出的模型在未见过的数据集上达到了95.1%的准确率，在田间条件下达到了90.2%的准确率。进一步实验表明，机器感知与人类对黑莓果皮纹理的感知呈高度正相关。
引用
@article{arxiv.2401.04748,
title = {Convolutional Neural Network Ensemble Learning for Hyperspectral Imaging-based Blackberry Fruit Ripeness Detection in Uncontrolled Farm Environment},
author = {Chollette C. Olisah and Ben Trewhella and Bo Li and Melvyn L. Smith and Benjamin Winstone and E. Charles Whitfield and Felicidad Fernández Fernández and Harriet Duncalfe},
journal= {arXiv preprint arXiv:2401.04748},
year = {2024}
}
备注
25 pages, 10 figures, 6 tables; submited to EAAI