增强苹果缺陷分类：来自可见光谱与窄光谱成像的见解
计算机视觉与模式识别
2024-10-29 v1 机器学习
摘要
本研究探讨了苹果缺陷分类问题，将其作为减少经济损失和优化食品供应链的关键措施。采用了一种创新方法，整合可见光谱和 660 nm 光谱波长的图像，以提高缺陷分类的准确性和效率。该方法论基于使用单输入和多输入卷积神经网络来验证所提出的策略。步骤包括图像采集和预处理、分类模型训练以及性能评估。结果表明，使用 660 nm 光谱波长进行缺陷分类能够揭示整个可见光谱中不可见的细节。可以看出，在分类过程中使用合适的光谱范围略优于整个可见光谱。MobileNetV1 模型在验证数据集上达到了 98.80\% 的准确率，而使用整个可见光谱时达到的准确率为 98.26\%。结论强调了通过使用滤镜捕获特定光谱范围的图像来增强该方法的潜力，从而能够对分类任务进行更有效的网络训练。这些改进可进一步增强系统识别和分类苹果缺陷的能力。
引用
@article{arxiv.2410.19784,
title = {Enhancing Apple's Defect Classification: Insights from Visible Spectrum and Narrow Spectral Band Imaging},
author = {Omar Coello and Moisés Coronel and Darío Carpio and Boris Vintimilla and Luis Chuquimarca},
journal= {arXiv preprint arXiv:2410.19784},
year = {2024}
}
备注
6 pages, 3 figures