基于 CNN 模型使用真实与合成图像的单输入与多输入架构的水果畸形分类
计算机视觉与模式识别
2024-12-18 v1
摘要
本研究聚焦于在苹果、芒果和草莓外观质量检测过程中检测其畸形程度，采用基于卷积神经网络 (CNN) 模型的单输入与多输入架构，并使用真实与合成图像集。数据集使用 Segment Anything Model (SAM) 进行分割，以提供水果的轮廓。对于单输入架构，CNN 模型的评估仅使用真实图像，但提出了一种使用合成图像预训练模型来改进这些结果的方法。在多输入架构中，以 RGB 图像和水果轮廓作为分支输入，对 VGG16、MobileNetV2 和 CIDIS 等 CNN 模型进行评估。然而，结果显示采用 MobileNetV2 模型的多输入架构在识别水果畸形方面最为有效，对苹果、芒果和草莓的准确率分别达到 90\%、94\% 和 92\%。总之，采用 MobileNetV2 模型的多输入架构在分类水果畸形等级方面最为准确。
引用
@article{arxiv.2412.12966,
title = {Fruit Deformity Classification through Single-Input and Multi-Input Architectures based on CNN Models using Real and Synthetic Images},
author = {Tommy D. Beltran and Raul J. Villao and Luis E. Chuquimarca and Boris X. Vintimilla and Sergio A. Velastin},
journal= {arXiv preprint arXiv:2412.12966},
year = {2024}
}
备注
15 pages, 9 figures, CIARP 2024