Un sistema de robot de clasificación en tiempo real para raíces de Panax Notoginseng equipado con un modelo mejorado Deeplabv3+
Autores: Zhang, Fujie; Lin, Yuhao; Zhu, Yinlong; Li, Lixia; Cui, Xiuming; Gao, Yongping
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Un sistema de robot de clasificación en tiempo real para raíces de Panax Notoginseng equipado con un modelo mejorado Deeplabv3+
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Ciencias Agrícolas y Biológicas Generales
Palabras clave
Clasificación
Raíces pivotantes
Panax notoginseng
Modelo DeepLabv3+
Xception
Sistema
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 27
Citaciones: Sin citaciones
La clasificación de las raíces tuberosas de Panax notoginseng es propicia para mejorar el valor añadido económico de sus productos. En este estudio, se desarrolló un sistema de robot de clasificación en tiempo real para las raíces tuberosas de Panax notoginseng basado en el modelo mejorado DeepLabv3+. El sistema está equipado con el modelo de clasificación mejorado DeepLabv3+ para diferentes grados de raíces tuberosas de Panax notoginseng. El modelo utiliza Xception como red de extracción de características de raíces tuberosas de Panax notoginseng. En la estructura residual de la red Xception, se adopta una capa de normalización de grupo con convolución profunda separable. Mientras tanto, se agrega el método de agrupamiento máximo global en la parte de Atrous Spatial Pyramid Pooling (ASPP) para retener más información de textura, y se diseñan múltiples capas de características efectivas poco profundas para superponerse en la parte de decodificación para minimizar la pérdida de características y mejorar la precisión de segmentación de raíces tuberosas de Panax notoginseng de todos los grados. Los resultados de la prueba del modelo Xception-DeepLabv3+ muestran que el modelo funciona mejor que los modelos VGG16-U-Net y ResNet50-PSPNet, con una Precisión Media de Píxeles () y una Intersección Media sobre Unión () del 78,98% y 88,98% en el conjunto de pruebas, respectivamente. El modelo mejorado I-Xce-DeepLabv3+ logra un tiempo de detección promedio de 0,22 s, un de 85,72% y un de 90,32%, y supera a los modelos Xce-U-Net, Xce-PSPNet y Xce-DeepLabv3+. El software de control del sistema se desarrolló como un sistema multihilo para diseñar una estrategia de clasificación del sistema, lo que resuelve el problema de que la señal de identificación no está sincronizada con la señal de clasificación. Los resultados de la prueba del sistema muestran que la precisión de clasificación promedio del sistema es del 77% y la tasa de detección falsa promedio es del 21,97% cuando la velocidad de funcionamiento de la cinta transportadora es de 1,55 m/s. La eficiencia de separación para un sistema de canal único es de 200-300 kg/h, lo que puede reemplazar el trabajo manual de tres trabajadores. El método propuesto cumple con los requisitos de las empresas de procesamiento actuales de Panax notoginseng y proporciona soporte técnico para la separación inteligente de raíces tuberosas de Panax notoginseng.
Descripción
La clasificación de las raíces tuberosas de Panax notoginseng es propicia para mejorar el valor añadido económico de sus productos. En este estudio, se desarrolló un sistema de robot de clasificación en tiempo real para las raíces tuberosas de Panax notoginseng basado en el modelo mejorado DeepLabv3+. El sistema está equipado con el modelo de clasificación mejorado DeepLabv3+ para diferentes grados de raíces tuberosas de Panax notoginseng. El modelo utiliza Xception como red de extracción de características de raíces tuberosas de Panax notoginseng. En la estructura residual de la red Xception, se adopta una capa de normalización de grupo con convolución profunda separable. Mientras tanto, se agrega el método de agrupamiento máximo global en la parte de Atrous Spatial Pyramid Pooling (ASPP) para retener más información de textura, y se diseñan múltiples capas de características efectivas poco profundas para superponerse en la parte de decodificación para minimizar la pérdida de características y mejorar la precisión de segmentación de raíces tuberosas de Panax notoginseng de todos los grados. Los resultados de la prueba del modelo Xception-DeepLabv3+ muestran que el modelo funciona mejor que los modelos VGG16-U-Net y ResNet50-PSPNet, con una Precisión Media de Píxeles () y una Intersección Media sobre Unión () del 78,98% y 88,98% en el conjunto de pruebas, respectivamente. El modelo mejorado I-Xce-DeepLabv3+ logra un tiempo de detección promedio de 0,22 s, un de 85,72% y un de 90,32%, y supera a los modelos Xce-U-Net, Xce-PSPNet y Xce-DeepLabv3+. El software de control del sistema se desarrolló como un sistema multihilo para diseñar una estrategia de clasificación del sistema, lo que resuelve el problema de que la señal de identificación no está sincronizada con la señal de clasificación. Los resultados de la prueba del sistema muestran que la precisión de clasificación promedio del sistema es del 77% y la tasa de detección falsa promedio es del 21,97% cuando la velocidad de funcionamiento de la cinta transportadora es de 1,55 m/s. La eficiencia de separación para un sistema de canal único es de 200-300 kg/h, lo que puede reemplazar el trabajo manual de tres trabajadores. El método propuesto cumple con los requisitos de las empresas de procesamiento actuales de Panax notoginseng y proporciona soporte técnico para la separación inteligente de raíces tuberosas de Panax notoginseng.