Подход на основе глубокого обучения для обнаружения плодов яблок на цифровых изображениях

Сельскохозяйственные товары обладают высокой экономической ценностью и потенциалом для дальнейшего развития. Зеленое и красное яблоко, в частности, представляют собой вид фруктов, который может быть успешно культивирован в рамках сельского хозяйства. Экономика, связанная с яблоками, относительно стабильна, особенно в плане обеспечения поставок на рынок. Цель данного исследования — улучшить производительность модели на основе свёрточной нейронной сети (CNN) для точного определения плодиков зеленых и красных яблок. Для повышения общей производительности модели была внедрена усовершенствованная ансамблевая модель YOLOv5 с использованием функций активации SiLU (Sigmoid Linear Units), нормализации батча и алгоритма SGD (Stochastic Gradient Descent). Сочетание функций активации, оптимизации, нормализации и ансамблевого подхода может быть использовано для дальнейшего улучшения модели YOLOv5, позволяя эффективно обнаруживать плодики яблок с минимальными затратами ресурсов. Согласно результатам всестороннего исследования, точность обновленной модели YOLO достигла 97.8%, 92.1% и 95% для зеленых, красных и всех яблок вместе, соответственно, по сравнению с предыдущими моделями.

1. Sekharamantry, P.K. (2024). A seamless deep learning approach for apple detection, depth estimation, and tracking using YOLO models enhanced by multi-head attention mechanism. Computers, 13(3), 83. https://doi.ore/10.3390/computers13030083

2. Sekharamantry, P.K. (2023). In this work, we present a deep learning-based scheme to detect apples which uses YOLOv5 architecture in live apple farm images. Journal of Agricultural Robotics, 9(1), 42-53. https://doi.org/10.1016/i.agror.2023.100007

3. Wang, D. (2021). In this study, we developed a channel-pruned YOLO V5s model for the rapid and accurate detection of apple fruitlets before fruit thinning. Agricultural Robotics & Automation, 10(4), 191¬ 202. https://doi.org/10.1109/AGRIROBOT.2021.3078293

4. Tsai, C.F., & Chang, F.Y. (2016). Combining instance selection for better missing value imputation. Journal of Systems and Software, 122, 63-71. https://doi.org/10.1016/i.iss.2016.08.093

5. Janssen, M., van der Voort, H., & Wahyudi, A. (2017). Factors influencing big data decision-making quality. Journal of Business Study, 70, 338-345. https://doi.org/10.1016/i.ibusres.2016.08.007

6. Batra, S., Khurana, R., Khan, M.Z., Boulila, W., Koubaa, A., & Srivastava, P. (2022). A Pragmatic Ensemble Strategy for Missing Values Imputation in Health Records. Entropy, 24(4), 1 -20. https://doi.org/10.3390/e24040533

7. Chen, Z., Tan, S., Chajewska, U., Rudin, C., & Caruana, R. (2023). Missing Values and Imputation in Healthcare Data: Can Interpretable Machine Learning Help? Proceedings of Machine Learning Research, 209, 86-99.

8. Feng, S., Hategeka, C., & Grepin, K.A. (2021). Addressing missing values in routine health information system data: an evaluation of imputation methods using data from the Democratic Republic of the Congo during the COVID-19 pandemic. Population Health Metrics, 19(1), 1-28. https://doi.org/10.1186/s12963-021-00274-z

9. Urda, D., Subirats, J.L., Garda-Laencina, P.J., Franco, L., Sancho-Gomez, J.L., & Jerez, J.M. (2012). WIMP: Web server tool for missing data imputation. Computer Methods and Programs in Biomedicine, 108(3), 1247-1254. https://doi.org/10.1016/i.cmpb.2012.08.006

10. Acampora, G., Vitiello, A., & Siciliano, R. (2020). MIDA: A web tool for missing data imputation based on a boosted and incremental learning algorithm. IEEE International Conference on Fuzzy Systems, 1-6. https://doi.org/10.1109/FUZZ48607.2020.9177644

11. Zhou, Y. H., & Saghapour, E. (2021). ImputEHR: A Visualization Tool of Imputation for the Prediction of Biomedical Data. Frontiers in Genetics, 12(July), 1-9. https://doi.org/10.3389/fgene.2021.691274

12. Gungor Uluta§, Esra & Altin, Cemil. (2023). Kiwi Fruit Detection with Deep Learning Methods. International Journal of Advanced Natural Sciences and Engineering Researches. 7. 39-45. https://doi.org/10.59287/ijanser.1333

13. Alabadla, M., Sidi, F., Ishak, I., Ibrahim, H., & Hamdan, H. (2022). ExtraImpute: A Novel Machine Learning Method for Missing Data Imputation. Journal of Advances in Information Technology, 13(5). https://doi.org/10.12720/iait.13.5.470-476

14. B. Ambrus, G. Teschner, A.J. Kovacs, M. Nemenyi, L. Helyes, Z. Pek, S. Takacs, T. Alahmad, A. Nyeki (2024) Field-grown tomato yield estimation using point cloud segmentation with 3D shaping and RGB pictures from a field robot and digital single lens reflex cameras, Heliyon, Volume 10, Issue 20, 2024, 37997, https://doi.org/10.1016/i.heliyon.2024.e37997

15. Apple collection Dataset (2023). Open-Source Dataset https://universe.roboflow.com/firstieeat/apple-collection. visited on 2024-12-04.