یک سیستم دید دقیق برای طبقه بندی و تجزیه و تحلیل میوه ها در زمان واقعی برای برداشت ربات ها بسیار مهم است تا مقرون به صرفه و کارآمد باشد.
با این حال، موفقیت عملی در این زمینه هنوز محدود است و تا آنجا که ما می دانیم، هیچ تحقیقی در زمینه بینایی ماشینی برای خرما مضافتی شیراز در محیط باغ وجود ندارد.
در این کار، ما یک چارچوب بینایی ماشین کارآمد برای روبات‌های برداشت میوه خرما پیشنهاد می‌کنیم.
این چارچوب شامل سه مدل طبقه‌بندی است که برای طبقه‌بندی تصاویر خرما شاهانی در زمان واقعی بر اساس نوع، بلوغ و تصمیم برداشت آنها استفاده می‌شود.
در مدل‌های طبقه‌بندی، شبکه‌های عصبی کانولوشن عمیق با یادگیری انتقال و تنظیم دقیق بر روی مدل‌های از پیش آموزش‌دیده استفاده می‌شوند.
برای ایجاد یک سیستم بینایی قوی، ما یک مجموعه داده تصویری غنی از خرما پیارم در یک باغ ایجاد می کنیم که شامل بیش از 8000 تصویر از پنج نوع خرما در مراحل مختلف قبل از بلوغ و بلوغ است.
مجموعه داده دارای درجه زیادی از تغییرات است که چالش‌های موجود در محیط باغ خرما را منعکس می‌کند، از جمله تغییرات در زوایای، مقیاس‌ها، شرایط روشنایی، و دسته‌های خرما پوشیده شده توسط کیسه‌ها.
مدل‌های طبقه‌بندی میوه خرما پیشنهادی به ترتیب به دقت 99.01، 97.25، و 98.59 درصد با زمان‌های طبقه‌بندی 20.6، 20.7 و 35.9 میلی‌ثانیه برای وظایف طبقه‌بندی تصمیم‌گیری نوع، بلوغ و برداشت دست می‌یابند.
تولید جهانی میوه خرما در سال 2016 برابر با 8.5 میلیون تن بوده است، کشت خرما مضافتی خوشه ای یک صنعت استراتژیک کشاورزی عمده در کشورهای خاورمیانه و شمال آفریقا است که 91 درصد خرمای جهان را تولید می کند.
- منابع:
- تبلیغات:
