基于高光谱成像和变分自编码器的无监督番茄裂果异常检测
计算机视觉与模式识别
2025-04-29 v2 人工智能
摘要
番茄异常/损伤对温室种植构成重大挑战。虽然这种栽培方法受益于高效的资源利用，但异常会显著降低农产品质量。与番茄相关的常见异常是裂果，其特征是番茄表皮出现裂纹，从而降低其品质。由于外观和尺寸的动态变化，加上数据集稀缺，检测这种异常具有挑战性。我们通过使用定制的高光谱输入变分自编码器（VAE）以无监督方式解决这个问题。对数据集的初步分析使我们能够选择检测该异常的最佳波长范围。我们的发现表明，530nm-550nm范围适用于识别番茄干裂。所提出的VAE模型在测试数据中实现了97%的番茄裂果异常检测准确率。对重建损失的分析使我们不仅能够检测异常，还能在一定程度上估计异常区域。
引用
@article{arxiv.2501.02921,
title = {Unsupervised Tomato Split Anomaly Detection using Hyperspectral Imaging and Variational Autoencoders},
author = {Mahmoud Abdulsalam and Usman Zahidi and Bradley Hurst and Simon Pearson and Grzegorz Cielniak and James Brown},
journal= {arXiv preprint arXiv:2501.02921},
year = {2025}
}
备注
CVPPA Workshop