Автоматизированная система машинного зрения для сортировки и обнаружения дефектов яиц

108
views
ЗАКАЗАТЬ СИСТЕМУ

Дефектные яйца снижают ценность производства кур-несушек, особенно в системах бесклеточного содержания с более высокой частотой напольных яиц. Для повышения качества машинное зрение и обработка изображений способствовали разработке автоматизированных систем сортировки и обнаружения дефектов. Кроме того, системы измерения яиц используют сортировку по весу для оптимальной рыночной стоимости.

Однако лишь немногие исследования интегрировали методы глубокого обучения и машинного зрения для комбинированной классификации и взвешивания яиц. Чтобы устранить этот пробел, была разработана двухэтапная модель на основе многозадачного обнаружения в реальном времени (RTMDet) и сетей случайного леса для прогнозирования категории и веса яиц.

Модель использует сверточную нейронную сеть (CNN), а для выполнения совместной классификации и взвешивания яиц использовались методы регрессии. RTMDet использовался для сортировки и извлечения характеристик яиц для классификации, а алгоритм случайного леса использовался для прогнозирования веса яиц на основе извлеченных характеристик (большая ось и малая ось).

Результаты исследования показали, что наилучшая достигнутая точность составила 94,8%, а наилучший R2 составил 96,0%. Кроме того, модель может использоваться для автоматического исключения яиц нестандартного размера и яиц с внешними дефектами (например, отложениями кальция, пятнами и трещинами). Этот детектор является одной из первых моделей, совмещающих сортировку и взвешивание яиц, и способен классифицировать их по пяти категориям (целые, с трещинами, с кровью, яйца с полом и нестандартные) и измерять их до больших размеров.

Внедрение результатов данного исследования позволит птицеводческой отрасли снизить затраты и повысить производительность, что в конечном итоге приведет к повышению качества продукции для потребителей.

Введение

Яйца являются питательным источником пищи для человека и широко потребляются во всем мире, но их высокая хрупкость и специфический внешний вид делают их уязвимыми для дефектов во время производства [ 1 ].

Такие дефекты, как трещины, грязные пятна на яичной скорлупе и пятна крови внутри яйца, могут снизить качество и рыночную стоимость яиц. Для решения этой проблемы исследователи разработали автоматические методы сортировки яиц и определения дефектов. В прошлом для обнаружения и сортировки яиц в США и за рубежом применялись технологии машинного зрения и обработки изображений. Исследователи построили системы серого машинного зрения и обучили нейронные сети, используя гистограммы изображений яиц, для классификации яиц на треснутые и сорта А [ 2 , 3 ].

Они также создали обычные нейронные сети (CNN) для обнаружения пятен крови, трещин и пятен грязи и разработали экспертную систему для сортировки яиц на основе этих сетей [ 4 , 5 ].

Средняя точность этих систем превышает требования Министерства сельского хозяйства США [ 6 ].

Таким образом, использование компьютерного зрения для автоматической сортировки яиц может повысить потенциальную эффективность и качество процесса производства яиц, что приведет к получению более качественных яиц для потребителей и повышению рыночной стоимости для производителей.

Вес яйца является еще одним важным аспектом качества яйца, связанным с сортом яйца и рыночной стоимостью [ 7 ]. Ручное измерение яиц на цифровых весах является трудоемким и утомительным процессом. Для повышения эффективности процесса взвешивания яиц были разработаны автоматизированные системы измерения яиц. Payam и др. (2011) использовали модель ANFIS для прогнозирования веса яйца в соответствии с количеством пикселей яиц, достигая 0,98 R-квадрат (R2) [ 8 ], что является более эффективным и точным по сравнению с ручными методами. Jeerapa и др. (2017), используя технику машины опорных векторов (SVM) для прогнозирования коричневых куриных яиц по одному изображению яйца, получили коэффициент корреляции 0,99 [ 9 ]. Raoufat и др. (2010) построили систему компьютерного зрения для измерения веса яиц с помощью искусственных нейронных сетей (ANN); их алгоритмы показали высокую точность (R2 = 0,96) [ 10 ].

Предыдущие работы в этой области в основном были сосредоточены на использовании методов компьютерного зрения, таких как сверточные нейронные сети (CNN) и алгоритмы классификации изображений для классификации яиц [ 11 , 12 ]. Эти методы показали многообещающие результаты в классификации яиц на основе их размера, формы и цвета. Однако немногие исследования объединяли методы глубокого обучения и регрессии машинного обучения для совместной классификации и взвешивания яиц, особенно включая напольные яйца, собранные на птицеводческих фермах без клеток, что является важной категорией для реальных типов яиц, которые варьируются от напольных яиц до коммерческих яиц.

Это может быть полезно для производителей, которые хотят обеспечить стабильное качество всех типов яиц, и потребителей, которые хотят покупать высококачественные яйца. Другая причина этого заключается в том, что яичная индустрия переходит от клеточного к бесклеточному содержанию [ 13 , 14 , 15 , 16 ]. Поэтому внедрение напольных яиц выгодно для применения в яичной индустрии безклеточного содержания.

В этом исследовании в Университете Джорджии будет разработана автоматическая система, направленная на заполнение этого пробела путем интеграции технологий глубокого обучения и контролируемого машинного обучения для выполнения совместной классификации и взвешивания яиц. Система использует обновленную и мощную сверточную нейронную сеть, называемую многозадачным обнаружением в реальном времени (RTMDet), для извлечения характеристик яиц для классификации [ 17 ] и классический алгоритм случайного леса (RF) для регрессии данных о весе яиц на основе извлеченных характеристик [ 18 ].

Цели этого исследования были следующими: (1) разработать классификатор яиц для сортировки яиц по их размеру и поверхности; (2) построить регрессор для прогнозирования веса яиц по их геометрическим атрибутам; (3) объединить сортировку яиц и измерение веса яиц в одну двухэтапную модель; (4) протестировать модель со стандартными яйцами и вторыми яйцами. Ожидается, что эта двухэтапная модель приведет к повышению точности и эффективности по сравнению с существующими методами.

Материалы и методы

Сбор яиц

В этом исследовании 800 кур Hy-line W-36 использовались для производства яиц без содержания в клетках со свободным доступом к свежей воде и корму ( Рисунок 1 ). Яйца собирались ежедневно и хранились при температуре около 24 °C для следующего процесса сортировки, а затем сортировались по размеру и качеству. Сначала была введена бинарная классификация (стандартные и дефектные яйца) для ручной классификации яиц.

Стандартными яйцами считались те, которые были чистыми, и размеры варьировались от маленьких (50–55 г) до больших (70 г и выше), в то время как нестандартными яйцами были те, которые были кровавыми, треснутыми, имели необычную форму яйца (слишком длинные, слишком круглые или искаженные), и размер меньше маленького или больше большого ( Рисунок 2 ) [ 9 , 19 ]. Эта классификация применялась для определения качества яиц и для того, чтобы гарантировать, что для измерения веса яйца использовались только яйца самого лучшего качества.

Рисунок 1. Производство яиц от кур свободного содержания.

Рисунок 2. Классификация яиц от кур свободного содержания и визуализация стандартных размеров яиц (г).

Система сбора образцов яиц

Система сбора образцов яиц была создана для сбора изображений и определения веса различных классов яиц на кафедре птицеводства в Университете Джорджии (UGA), США. На рисунке 3 показана установка для сбора образцов яиц, включая камеру, штатив, подставку для яиц, компьютер и цифровые весы.

Система предназначена для точного сбора и записи данных о различных классах яиц. Камера, установленная на штативе, делает снимки яиц, размещенных на указанной подставке для яиц. Цифровые весы измеряют вес яиц, а компьютер сохраняет собранные данные и изображения. Сочетание камеры, весов и компьютера обеспечивает комплексный и эффективный процесс сбора образцов яиц. Собранные данные и изображения были использованы для разработки автоматической системы классификации и взвешивания яиц с использованием компьютерного зрения.

Рисунок 3. Система сбора образцов яиц для классификации яиц ( а ) и взвешивания яиц ( б ): (1) камера; (2) штатив; (3) основание яйца; (4) компьютер; (5) цифровые весы.

Обработка данных о яйцах

После того, как данные изображений яиц собраны, они проходят два ключевых этапа обработки: предварительную обработку дифракционных картин и выполнение иерархической кластеризации данных. Эти этапы включают уточнение дифракционных картин и организацию данных в кластеры на основе их сходства [ 20 ].

Предварительная обработка включает удаление фонового шума, нормализацию интенсивности сигнала и коррекцию любых артефактов в данных. Этот этап гарантирует, что дифракционные картины будут чистыми и надежными для анализа. Иерархическая кластеризация — это метод группировки схожих точек данных в кластеры на основе их сходства [ 21 ].

Алгоритм начинается с того, что рассматривает каждую точку данных как свой собственный кластер, а затем итеративно объединяет кластеры до тех пор, пока не будет достигнуто желаемое количество кластеров или не будет выполнен критерий остановки ( Рисунок 4 ).

Этот подход можно использовать для выявления закономерностей в данных о яйцах, таких как различные типы яичной скорлупы (кровавая, треснувшая и искаженная) или классы качества (от маленького размера до большого размера).

Рисунок 4. Поток обработки данных о яйцах.

Метод сортировки яиц

Для разработки автоматической системы проверки качества яиц в режиме реального времени, отвечающей будущим требованиям яичной промышленности, посредством применения глубокого обучения для классификации мелких объектов, в частности, яиц, в процессе сортировки, было использовано новое семейство оригинальных моделей реального времени, использующих принцип «один раз посмотришь» (YOLO) для классификации объектов, называемое RTMDet. RTMDet обладает улучшенными возможностями обнаружения мелких объектов.

Привлекательные улучшения достигаются благодаря использованию крупноядерных глубинных сверток и гибких меток при динамическом назначении меток. Этот подход обеспечивает комплексный анализ яиц, охватывающий такие факторы, как размер яйца и тип яичной скорлупы. Крупноядерные глубинные свертки улучшают способность модели захватывать глобальный контекст, одновременно уменьшая глубину модели для поддержания высокой скорости вывода. Стратегии обучения пересмотрены для повышения точности за счет лучшего сочетания аугментации и оптимизации данных. В процессе динамического назначения меток вместо жестких меток используются гибкие цели, что улучшает дискриминацию и снижает уровень шума при назначении меток.

Общая архитектура классификатора RTMDet разделена на три части: остов, шея и голова. Остальной компонент аналогичен компоненту YOLO, который является недавним достижением в области обнаружения объектов и обычно оснащается кросс-ступенчатым частичной сетью даркнет (CSPDarkNet). Этот остов состоит из четырёх ступеней, каждая из которых состоит из нескольких базовых нейронных слоёв.

Эти слои предназначены для извлечения иерархических признаков из входных данных, захватывая как низкоуровневую, так и высокоуровневую визуальную информацию. «Шея» объединяет многомасштабную пирамиду признаков с остовом и улучшает её посредством восходящего и нисходящего потока признаков. Это облегчает объединение информации разных масштабов, позволяя модели эффективно обрабатывать объекты разных размеров.

Эта возможность особенно важна при рассмотрении таких параметров, как большая и малая оси яиц. Большая ось соответствует большей диагонали яйца, давая представление о его общей длине и форме. С другой стороны, малая ось представляет собой меньшую диагональ, помогающую оценить ширину яиц. Затем детекторная головка идентифицирует ограничивающие рамки объекта и классифицирует их, используя карту признаков в каждом масштабе.

Анализируя карты признаков в разных масштабах, детекторная головка может точно локализовать объекты и присваивать им соответствующие метки классов (стандартный, кровавый, пол, треснувший и нестандартный). Такая конструкция хорошо подходит как для стандартных, так и для небольших объектов и может быть расширена для сегментации экземпляров посредством реализации модулей генерации признаков ядра и маски [ 17 ]. Для более чёткого представления архитектуры системы на рисунке 5 [ 17 ] представлена ​​схема макроархитектуры RTMDet .

Рисунок 5. Структура классификации яиц на основе архитектуры RTMDet.

Метод свертки с большим ядром и большой глубиной

Свёртки по глубине с большим ядром включают использование более обширных фильтров в сверточных слоях по глубине в сверточной нейронной сети (CNN) [ 22 ]. Целью использования этих более крупных ядер является лучшее понимание контекстной информации, содержащейся во входных данных, и повышение репрезентативной способности модели. Свёртки по глубине часто используются в CNN для снижения вычислительной сложности и повышения эффективности. Тем не менее, они имеют ограничения в захвате значительного масштабного контекста и пространственной информации. С помощью сверток по глубине с большим ядром это ограничение можно преодолеть.

Преимущества использования сверток по глубине с большим ядром включают улучшенную способность модели при применении к объектам реального мира, более полный захват данных и их окружения, а также повышенную точность на эталонных наборах данных. В контексте классификации яиц этот подход позволяет проводить более полный анализ различных параметров, включая размер яйца, тип яичной скорлупы и другие пространственные характеристики. Более того, свертки с большим ядром по глубине позволяют сократить количество параметров и вычислений, сохраняя при этом производительность, аналогичную моделям с большим количеством параметров.

Мягкие метки

В глубоком обучении мягкие метки означают использование непрерывных, а не двоичных, значений в качестве целевых выходных данных. Цель использования мягких меток — предоставить модели дополнительную информацию и обеспечить гладкость прогнозов модели [ 19 , 23 ].

Используя мягкие метки, модель может генерировать прогнозы, которые обеспечивают большую тонкость и точность в задаче классификации. Вместо того, чтобы просто относить яйца к определенным классам с помощью двоичных меток, мягкие метки позволяют модели выражать различные степени уверенности или вероятности для каждого класса.

Это позволяет более детально понять характеристики яиц и их связь с различными классами. Кроме того, использование мягких меток может привести к созданию более надежных моделей, поскольку модель способна обнаруживать корреляции между входными данными и желаемыми выходными данными, даже если связь неочевидна.

В нашем исследовании мягкие метки применяются в задачах с многоклассовой классификацией или многометковой классификацией (например, нечистые яйца, стандартные яйца и нестандартные яйца), где модель должна предсказать наличие нескольких целевых классов [ 24 , 25 ]. Кроме того, на основе упрощенного оптимального назначения транспорта (SimOTA) был представлен расширенный расчет функции стоимости для мягких меток с целью снижения потерь обучения, а его функция потерь описана ниже.

где 𝑓(𝐶) это функция потерь,𝑓(𝐶𝑐𝑙𝑠)это потеря классификации, 𝑓(𝐶𝑟𝑒𝑔) – это регрессионные потери и два коэффициента, 𝛼1 и 𝛼2, были установлены эмпирическим путем.

где 𝐶𝐸(𝑃, 𝑌𝑠𝑜𝑓𝑡) представляет собой потерю кросс-энтропии (CE) между предсказанными вероятностями (P) и мягкими метками (𝑌𝑠𝑜𝑓𝑡).

где − log ( IoU ) означает отрицательный логарифм пересечения по объединению (IoU).

Метод прогнозирования веса яйца

Прогнозирование веса яйца с помощью компьютерного зрения приводит к нескольким проблемам, которые необходимо решить. Одна из проблем — точность измерений размеров яйца, таких как большая и малая оси. Это связано со сложностью получения действительно высококачественных изображений или точной идентификации и измерения яйца на изображении.

Другим препятствием является разнообразие форм и размеров яиц (от маленьких до больших), что требует реализации сложных алгоритмов машинного обучения, которые могут учитывать различные факторы, включая цвет скорлупы, форму, размер и дату рождения яйца, которые могут влиять на вес яйца. Регрессия случайного леса используется для прогнозирования веса яйца благодаря своей способности обрабатывать сложные нелинейные зависимости между признаками и целевыми переменными, используя метод ансамблевого обучения, который объединяет прогнозы из нескольких деревьев решений, которые обучаются на случайно выбранных подмножествах данных. Такое сочетание снижает дисперсию и повышает общую точность модели. Кроме того, случайный лес может обрабатывать отсутствующие или неполные данные и работать эффективно при наличии комбинации непрерывных и категориальных переменных [ 18 , 26 ]. Наконец, оценки важности признаков предоставляются с помощью метода случайного леса, который помогает определить наиболее значимые факторы, влияющие на прогноз веса яйца. Структура RF показана ниже ( рисунок 6 ) [ 27 ].

Рисунок 6. Алгоритм случайного леса.

Система компьютерного зрения

В этом исследовании мы стремимся интегрировать технологии компьютерного зрения, глубокого обучения и машинного обучения в единую реализацию для совместного выполнения функций сортировки и взвешивания яиц. Входные изображения яиц сначала будут обработаны с помощью RTMDet, метода глубокого обучения, который превосходит традиционные модели CNN, для извлечения признаков яйца для классификации.

После получения сегментированной маски яйца мы определяем четыре точки разреза на маске, а именно: верхнюю, нижнюю, левую и правую точки. Затем эти точки используются для формирования нового прямоугольника. Внутри этого прямоугольника длинная диагональ соответствует большой оси, а короткая диагональ соответствует малой оси. Затем весовая функция будет использовать классический алгоритм случайного леса для регрессии данных о весе яйца на основе признаков яйца (большая ось и малая ось), извлеченных из бинарного изображения. На рисунках 7 и 8 показан весь поток [ 28 ].

Рисунок 7. Оптимизированный подход к классификации качества яиц с использованием компьютерного зрения.

Рисунок 8. Процессы расчета параметров яйца: ( а ) исходное изображение; ( б ) бинарное изображение; ( в ) геометрическое изображение.

Оценка эффективности

В этом исследовании набор данных был создан с использованием 2100 изображений яиц, которые затем были случайным образом разделены на обучающие и тестовые наборы в соотношении 4:1. Для лучшего анализа и сравнения производительности по классам яиц была создана матрица путаницы для вывода стандартных параметров в задачах классификации [ 29 ].

Матрица путаницы представляет собой двумерную таблицу, которая суммирует производительность модели RTMDet путем сравнения предсказанных и фактических меток классов. Каждая строка матрицы представляет вхождения в предсказанный класс, в то время как каждый столбец представляет экземпляры в фактический класс.

Элементы матрицы путаницы представляют количество случаев, определенных правильно по сравнению с неправильными. Четыре элемента: истинно положительные ( TP ), ложноположительные ( FP ), истинно отрицательные ( TN ) и ложноотрицательные ( FN ) используются для расчета метрик оценки, таких как точность, полнота, F1-оценка и средняя точность ( AP ) для классификации яиц в глубоком обучении [ 30 , 31 ].

Для дальнейшего изучения эффективности метода случайного леса используется коэффициент детерминации ( R2 ), позволяющий оценить качество соответствия регрессионной модели.

где p ( r ) означает кривую точности–полноты.

где SS res представляет собой остаточную сумму квадратов, а SS tot означает общую сумму квадратов.

Результаты

Сравнение моделей CNN

Четыре отдельных эксперимента (RTMDet-s, RTMDet-m, RTMDet-l и RTMDet-x) были проведены для поиска оптимального классификатора для сортировки яиц. Все эксперименты обучались 300 эпох на основе версии Python 3.7, библиотеки глубокого обучения PyTorch и оборудования с видеокартой NVIDIA-SMI (16 ГБ). Сводка сравнения моделей приведена ниже ( таблица 2 ).

С точки зрения точности RTMDet-x достигла точности 94,80%, что лучше, чем у любой другой сравнительной модели. Соответственно, значения потерь обучения и потерь проверки RTMDet-x также были наименьшими среди всех протестированных моделей, поскольку меньшее значение потерь означает незначительные ошибки в нейронных сетях.

С точки зрения операций с плавающей точкой в ​​секунду (FLOPS), RTMDet-s с меньшим количеством параметров имеют минимальный FLOPS по сравнению с другими методами, что означает, что они требуют меньше вычислительного времени для выполнения прямого или обратного прохода в нейронной сети, и, следовательно, имеют более широкое дальнейшее применение в роботах с ограниченными вычислительными ресурсами [ 32 ].

Кроме того, RTMDet-x также превзошел любую другую сравнительную модель в map@0.75 и map@0.95 из-за дополнительных параметров, необходимых компьютеру для выполнения классификации. На рисунке 9 показаны подробные результаты сравнения показателей модели для различных классификаторов глубокого обучения. Эти результаты показали, что RTMDet-x достиг наилучшей производительности с точки зрения классификации яиц.

Рисунок 9. Сравнение моделей: ( a ) точность, ( b ) mAP@0,75, ( c ) mAP@0,95 и ( d ) потери при обучении.

Результаты классификации сортировки яиц

Для сравнения эффективности классификации яиц несколькими моделями глубокого обучения была использована матрица ошибок ( рис. 10 ). Каждый тип яиц был протестирован различными моделями 200 раз.

Рисунок 10. Матрица путаницы классификаторов для разных типов яиц (( a – d ) представляют RTMDet-s, RTMDet-m и RTMDet-l и RTMDet-x соответственно).

Результаты прогнозирования показаны в матрице ошибок, где постепенно меняющийся оттенок синего представляет собой точность истинных прогнозов (ячейки, заполненные более темным синим цветом, имеют более точные прогнозы). Число в каждой ячейке представляет собой результаты моделей [ 33 ].

Средние истинные оценки (вдоль диагональной линии из верхнего левого угла матрицы в нижний правый угол) RTMDet-x являются самыми высокими среди всей матрицы ошибок классификаторов, что указывает на то, что RTMDet-x имеет лучшую частоту истинных прогнозов. Оценки вне диагонали (ложные оценки) представляют собой случаи, когда предсказанный класс не совпадает с истинным классом.

Средние ложные оценки RTMDet-s выше, чем у других классификаторов, что означает, что его производительность может быть улучшена. С точки зрения ошибки типа, никакой ошибки типа не наблюдалось в классах кровавых яиц и напольных яиц. Причина этого в их значимых признаках; например, кровавые яйца имеют четкие кровавые пятна, и только напольные яйца имеют фон из подстилки.

Однако, когда классификаторы обнаруживают яйца, используя стандартные, нестандартные и треснутые яйца, существуют некоторые ошибки из-за сходства внутри малой оси и большой оси, а также трудности в обнаружении микротрещин и трещин, расположенных на дне или сторонах, не показанных камерой [ 34 ]. Тем не менее, результаты все еще были приемлемыми, поскольку на коммерческих птицеводческих фермах не так много нестандартных яиц или треснувших яиц (варьируется от 1 до 5% от общего числа) [ 35 ].

В целом, классификатор RTMDet-x является лучшим экспериментальным классификатором с самой высокой точностью. Кроме того, чтобы визуализировать, как RTMDet-x классифицирует яйца и извлекает карты признаков, были выведены тепловая карта и отображения активации классов с градиентным весом ( Рисунок 11 ). Чтобы понять процесс принятия решений моделью и определить важные области на входных изображениях, была использована техника отображения активации классов с градиентным весом (Grad-CAM) [ 36 ].

Grad-CAM создаёт тепловую карту, которая выделяет области, вносящие значительный вклад в прогнозы модели. Извлекая карту признаков из последнего свёрточного слоя входного изображения яйца, создаётся тепловая карта Grad-CAM. Каналы карты признаков затем взвешиваются с использованием градиента класса, вычисленного относительно карты признаков.

Этот процесс взвешивания выделяет области, сильно влияющие на прогнозы модели. Экспериментальные результаты демонстрируют способность модели на основе сверточных нейронных сетей эффективно извлекать признаки из областей с пятнами крови и сломанными частями, даже при незначительных дефектах. Это демонстрирует способность модели точно выявлять аномалии яиц и делать точные прогнозы.

Рисунок 11. Визуализация CNN: ( a ) исходное изображение, ( b ) тепловая карта и ( c ) градиентно-взвешенная карта.

Результаты регрессии

В этом исследовании регрессор случайного леса (RF) использовался для прогнозирования стандартных яиц (от маленьких до больших), поскольку только стандартные яйца (постоянного размера и веса) могут быть проданы потребителям коммерческими птицеводческими фермами. Как показано на рисунке 12a , прогнозируемый вес с использованием признаков малой и большой осей с использованием регрессора RF показал значение R2 0,96 , что говорит о том, что прогнозируемый вес сильно коррелировал с фактическим весом яиц. Для дальнейшего анализа наилучшей производительности регрессора RF мы классифицировали стандартные яйца на пять типов (малые, средние, большие, очень большие и большие) и протестировали каждый тип 100 раз с использованием регрессора RF. Кроме того, хранение яиц является еще одним важным фактором, влияющим на вес яиц; поэтому мы также включаем это при сравнении прогнозируемого веса с использованием малой и большой осей, полученных с помощью регрессора случайного леса, и фактического веса яиц в разные дни хранения (R2 = 0,92) ( рисунок 12b ).

Сравнивая прогнозируемый вес, полученный с помощью регрессора случайного леса, с фактическим весом яиц при различных условиях хранения, исследование смогло оценить надежность регрессора в учете эффектов хранения. Наши условия хранения (24 °C) оказали минимальное влияние на диаметр яйца, который остается сильно коррелированным с весом яйца [ 37 ]. В результате регрессор RF может продолжать точно предсказывать вес яйца. Стабильная температура хранения гарантирует, что точность регрессора в оценке веса яйца остается неизменной. Результаты показывают, что регрессор способен точно предсказывать вес яйца при различных условиях хранения, что может быть полезно для оптимизации производства и хранения яиц [ 38 ].

Рисунок 12. Регрессионные модели с ( б ) или без ( а ) фактора даты хранения.

Результаты взвешивания яиц

Для дальнейшего тестирования модели при весах яиц от маленьких до больших, каждая категория случайным образом выбрала 100 фотографий для проверки надежности и точности регрессора. Результаты показаны на рисунке 13. Полоса погрешности в верхней части каждой столбчатой ​​диаграммы представляет стандартную ошибку каждого класса, а высота зеленой полосы представляет абсолютную ошибку между реальным весом и прогнозируемым весом.

Из графика мы можем увидеть, что высота полосы погрешности для маленьких, средних и больших яиц ниже, чем для больших и очень больших яиц, что указывает на то, что регрессор имеет лучшую производительность прогнозирования для больших и очень больших яиц. Это может быть связано с тем, что большие и очень большие яйца имеют средние значения согласно регрессионной модели; в большом наборе данных связь между прогнозируемыми переменными и переменными отклика более сложная, что приводит к риску переобучения и более непомерно высоким вычислительным затратам.

Однако данные в средних значениях могут быть меньше подвержены влиянию ошибок измерения или других типов шума, чем очень малые или очень большие значения [ 39 , 40 ]. Это может помочь повысить точность прогнозов регрессора. Кроме того, для некоторых типов данных предварительную обработку можно упростить для средних значений.

Например, масштабирование или нормализация могут быть не столь критичны для средних значений, как для очень малых или очень больших значений. Кроме того, средние значения могут быть достаточно сложными, чтобы потребовать более сложной модели, но не настолько сложными, чтобы модель стало трудно интерпретировать. Это может помочь найти баланс между производительностью модели и интерпретируемостью.

Рисунок 13. Прогноз веса яйца от маленького до большого.

Обсуждение

Обсуждение точности классификации яиц

В этом исследовании пять классов яиц были исследованы для построения классификатора для сортировки яиц. Для напольных и кровавых яиц нет никаких недоразумений в классификации их и других классов. Это связано с четкими особенностями напольных и кровавых яиц [ 41 ]. Для напольных яиц яйца откладываются в подстилке, поэтому в компьютерном зрении белые яйца окружены коричневым подстилкой, что является уникальной особенностью по сравнению с другими классами яиц.

Это повышает точность классификатора яиц при сортировке. Что касается кровавых яиц, из-за красных пятен, которые появляются на белой яичной скорлупе, есть четкий индикатор, который модель CNN может использовать для извлечения карт признаков, и классификатор яиц также имеет высокую точность сортировки. Больше ложных классификаций получается для стандартных, нестандартных и треснутых яиц.

Это связано с тем, что классификатор использует малые и большие оси для различения размера яиц, а нестандартные яйца имеют более аномальные формы, такие как слишком длинные или слишком круглые, что означает, что могут быть необычные малые и большие оси, которые классификатор неправильно понимает [ 5 ]. Кроме того, классификатору сложно обнаружить треснувшие яйца. Это связано с ограничениями углов съёмки. В данном исследовании для классификации яиц мы используем только вид спереди. Поэтому некоторые трещины на скорлупе яиц на виде сзади или сбоку могут быть проигнорированы, и треснувшие яйца будут классифицированы как другие типы яиц.

Для дальнейшего обсуждения производительности классификатора мы сравниваем наше исследование с различными другими исследованиями. Таблица 3 показывает результаты некоторых исследований, проведенных по классификации яиц с использованием компьютерного зрения, и сравнивает их с результатами, полученными в настоящем исследовании. Pyiyadumkol et al. (2017) разработали систему сортировки, основанную на технике машинного зрения, для выявления трещин в немытых яйцах [ 42 ].

Изображения яиц были получены при атмосферном и вакуумном давлении. Трещины были обнаружены с использованием разницы между изображениями, полученными при атмосферном и вакуумном давлении. Сочетание методов машинного зрения и классификатора машины опорных векторов (SVM) было представлено в Wu et al. (2017) для выявления целых и треснувших яиц [ 43 ]. Guanjun et al. (2019) представили метод на основе машинного зрения для обнаружения треснувших яиц [ 44 ].

Для выявления областей трещин использовались отрицательный лапласиан гауссовского (LoG) оператора, метод пороговой обработки гистерезиса и локальный индекс подгонки изображения. Amin et al. (2020) предложили модель CNN, использующую иерархическую архитектуру для классификации изображений немытых яиц на основе трёх классов: неповреждённые, с кровью и разбитые [ 45 ].

В нашем исследовании мы ввели больше классов, яйца с полом и нестандартные яйца, чтобы охватить все категории обычных яиц, сохраняя при этом высокий уровень точности за счёт использования метода свертки с большим ядром и глубиной, мягких меток и взаимодействия с другими оптимизациями, такими как обнаружение объектов без якорей и деформируемые сверточные сети, которые дополнительно повышают точность и эффективность в задачах мультиклассификации.

Обсуждение точности прогнозирования веса яиц

Было спрогнозировано пять различных сортов яиц, и их средняя абсолютная погрешность составила от 0,9 до 1,8 г. В целом, крупные и очень крупные сорта дают более точные прогнозы, чем мелкие, средние и крупные. Одна из причин, по которой более крупные сорта яиц (например, крупные и очень крупные) могут приводить к более точным прогнозам, чем мелкие сорта (например, мелкие и средние), заключается в том, что более крупные яйца, как правило, имеют более высокий средний вес, чем мелкие.

Это означает, что в пределах более крупных сортов вариации веса яиц меньше, что может облегчить регрессионной модели точное предсказание веса этих яиц. С другой стороны, более мелкие яйца и крупные сорта обычно имеют более широкий диапазон веса, что может затруднить точное предсказание их веса регрессионной моделью. Кроме того, мелкие яйца и крупные сорта также могут иметь большую вариабельность физических характеристик (таких как толщина скорлупы и размер желтка), что может еще больше усложнить процесс прогнозирования.

Для дальнейшего изучения эффективности регрессора мы сравнили его с другими регрессорами веса яиц. В таблице 4 представлены результаты некоторых исследований, проведенных с использованием регрессионных моделей.

Cen et al. (2006) разработали детектор веса яйца с помощью индикатора, состоящего из интенсивности R, G, B и диаметра яйца [ 46 ]. Уравнение было создано с помощью регрессионной модели, и был достигнут коэффициент корреляции 97,8%.

Аналогичным образом, Alikhanow et al. (2015) построили несколько уравнений на основе различных переменных (площадь яйца, объем яйца, малая ось яйца или большая ось) [ 47 ]; наиболее значимым параметром была площадь яйца, достигая 94,3% R2 . 

Другие исследователи также использовали компьютерное зрение для прогнозирования веса яйца на основе регрессионной модели, но они использовали многопоточную производственную линию в режиме реального времени для взаимодействия с промышленными приложениями.

Было обнаружено, что измерения идентичных объектов под многолучевым источником света составляют около 95,0% [ 48 ]. В нашем исследовании мы расширили предыдущий прогноз веса яиц для верхнего помёта с «очень большого» до «гигантского», но наш регрессор сохранил высокую точность с нелинейной регрессией, поскольку модель случайного леса представляет собой ансамбль деревьев решений, обученных на случайных подмножествах данных о весе яиц и характеристик (главной и малой осям).

Окончательный прогноз модели случайного леса представляет собой взвешенное среднее значение прогнозов веса яиц для отдельных деревьев. Поскольку каждое дерево решений в случайном лесу может моделировать нелинейные зависимости между входными характеристиками и целевой переменной, модель случайного леса в целом может учитывать нелинейность данных о весе яиц.

Обсуждение совместного выполнения функций сортировки и взвешивания яиц

В нашем исследовании мы объединяем задачи классификации яиц и взвешивания в одну двухэтапную модель. Подход заключается в обучении двух отдельных моделей, одной для классификации и одной для регрессии, а затем объединении их предсказаний во время вывода.

Сначала обучаем модель классификации предсказывать метку класса яйца для каждого входного сигнала. Затем, используя предсказанные метки класса для фильтрации входных данных, обучаем модель регрессии, используя только отфильтрованные входные данные. Используем модель классификации яиц для сортировки яиц и соответствующую модель регрессии для одновременного прогнозирования веса яиц ( Рисунок 14 ).

Общая производительность двухэтапной модели хороша, но другие факторы ограничивают ее применение, включая потенциальные ошибки фильтрации и повышенную сложность. Модель классификации используется для фильтрации входных данных модели регрессии. Если предсказания модели классификации неточны, она может ошибочно исключить входные данные, которые могла бы использовать модель регрессии.

Это может привести к снижению точности окончательного прогноза. Кроме того, двухэтапный подход к моделированию требует обучения двух отдельных моделей и дополнительных этапов обработки на этапе вывода для объединения прогнозов. Это может усложнить общую архитектуру и увеличить требуемые вычислительные ресурсы.

Рисунок 14. Яйцо классифицировано как «Стандартное», его прогнозируемый вес составляет 66,7 г.

Будущие исследования

Несмотря на высокую эффективность исследований в сортировке яиц по качеству на основе поверхности и веса, некоторые дальнейшие исследования могут позволить применить модель к реальным ситуациям: (a) использование новой энергонезависимой памяти (NVM) для уменьшения объема памяти и задержки [ 49 ], что имеет решающее значение для мобильных приложений; (b) расширение модели на наборы данных о яйцах с большим разнообразием (другие цвета яиц, размножение яиц и другие специи) для удовлетворения среды приложения; (c) использование камеры на 360 градусов для предотвращения неправильной идентификации треснувших и кровавых яиц; (d) оптимизация процесса сортировки и взвешивания для сокращения времени, необходимого для выполнения задачи, без ущерба для точности; (e) повышение точности сегментации яиц за счет использования модели «сегмент-что угодно» [ 50 ].

Выводы

В данном исследовании была разработана двухэтапная модель на основе RTMDet и случайных лесных сетей для прогнозирования категории и веса яиц. Результаты показывают, что наилучшая точность классификации составила 94,80% и 96,0% для регрессионной модели R2 . 

Модель может быть установлена ​​на роботе-сборщике яиц для предварительной сортировки яиц и целевого сбора целевых яиц. Кроме того, модель может использоваться для автоматического выделения яиц нестандартного размера и яиц с дефектами поверхности (запятнанными кровью или разбитыми). Кроме того, для проверки производительности детектора для различных типов яиц и весов яиц были использованы 1000 фотографий яиц.

Результаты показали, что детектор лучше классифицирует яйца стандартного и нестандартного размера, а крупные (55–60 г) и очень крупные (60–65 г) яйца приводят к более надежным прогнозам. Этот детектор является одной из первых моделей, выполняющих совместную функцию сортировки и взвешивания яиц. Внедрив результаты данного исследования, птицеводческая отрасль сможет сократить затраты и повысить производительность, что в конечном итоге приведет к выпуску более качественной продукции для потребителей.

Литература

  1. Nematinia, E.; Abdanan Mehdizadeh, S. Assessment of Egg Freshness by Prediction of Haugh Unit and Albumen PH Using an Artificial Neural Network. Food Meas. 2018, 12, 1449–1459. [Google Scholar] [CrossRef]
  2. Patel, V.C.; McClendon, R.W.; Goodrum, J.W. Crack Detection in Eggs Using Computer Vision and Neural Networks. AI Appl. 1994, 8, 21–31. [Google Scholar]
  3. Patel, V.C.; Mcclendon, R.W.; Goodrum, J.W. Color Computer Vision and Artificial Neural Networks for the Detection of Defects in Poultry Eggs. In Artificial Intelligence for Biology and Agriculture; Panigrahi, S., Ting, K.C., Eds.; Springer: Dordrecht, The Netherlands, 1998; pp. 163–176. ISBN 978-94-011-5048-4. [Google Scholar]
  4. Omid, M.; Soltani, M.; Dehrouyeh, M.H.; Mohtasebi, S.S.; Ahmadi, H. An Expert Egg Grading System Based on Machine Vision and Artificial Intelligence Techniques. J. Food Eng. 2013, 118, 70–77. [Google Scholar] [CrossRef]
  5. Turkoglu, M. Defective Egg Detection Based on Deep Features and Bidirectional Long-Short-Term-Memory. Comput. Electron. Agric. 2021, 185, 106152. [Google Scholar] [CrossRef]
  6. Bist, R.B.; Subedi, S.; Chai, L.; Yang, X. Ammonia Emissions, Impacts, and Mitigation Strategies for Poultry Production: A Critical Review. J. Environ. Manag. 2023, 328, 116919. [Google Scholar] [CrossRef]
  7. Sanlier, N.; Üstün, D. Egg Consumption and Health Effects: A Narrative Review. J. Food Sci. 2021, 86, 4250–4261. [Google Scholar] [CrossRef]
  8. Javadikia, P.; Dehrouyeh, M.H.; Naderloo, L.; Rabbani, H.; Lorestani, A.N. Measuring the Weight of Egg with Image Processing and ANFIS Model. In Proceedings of the Swarm, Evolutionary, and Memetic Computing, Andhra Pradesh, India, 19–21 December 2011; Panigrahi, B.K., Suganthan, P.N., Das, S., Satapathy, S.C., Eds.; Springer: Berlin/Heidelberg, Germany, 2011; pp. 407–416. [Google Scholar]
  9. Thipakorn, J.; Waranusast, R.; Riyamongkol, P. Egg Weight Prediction and Egg Size Classification Using Image Processing and Machine Learning. In Proceedings of the 2017 14th International Conference on Electrical Engineering/Electronics, Computer, Telecommunications and Information Technology (ECTI-CON), Phuket, Thailand, 27–30 June 2017; pp. 477–480. [Google Scholar]
  10. Asadi, V.; Raoufat, M.H. Egg Weight Estimation by Machine Vision and Neural Network Techniques (a Case Study Fresh Egg). Int. J. Nat. Eng. Sci. 2010, 4, 1–4. [Google Scholar]
  11. Dong, S.; Wang, P.; Abbas, K. A Survey on Deep Learning and Its Applications. Comput. Sci. Rev. 2021, 40, 100379. [Google Scholar] [CrossRef]
  12. Apostolidis, E.; Adamantidou, E.; Metsai, A.I.; Mezaris, V.; Patras, I. Video Summarization Using Deep Neural Networks: A Survey. Proc. IEEE 2021, 109, 1838–1863. [Google Scholar] [CrossRef]
  13. Berkhoff, J.; Alvarado-Gilis, C.; Pablo Keim, J.; Antonio Alcalde, J.; Vargas-Bello-Perez, E.; Gandarillas, M. Consumer Preferences and Sensory Characteristics of Eggs from Family Farms. Poult. Sci. 2020, 99, 6239–6246. [Google Scholar] [CrossRef]
  14. Hansstein, F. Profiling the Egg Consumer: Attitudes, Perceptions and Behaviours. In Improving the Safety and Quality of Eggs and Egg Products, Vol 1: Egg Chemistry, Production and Consumption; Nys, Y., Bain, M., VanImmerseel, F., Eds.; Woodhead Publ Ltd.: Cambridge, UK, 2011; pp. 39–61. ISBN 978-0-85709-391-2. [Google Scholar]
  15. Chai, L.; Zhao, Y.; Xin, H.; Richardson, B. Heat Treatment for Disinfecting Egg Transport Tools. Appl. Eng. Agric. 2022, 38, 343–350. [Google Scholar] [CrossRef]
  16. Lusk, J.L. Consumer Preferences for Cage-Free Eggs and Impacts of Retailer Pledges. Agribusiness 2019, 35, 129–148. [Google Scholar] [CrossRef]
  17. Lyu, C.; Zhang, W.; Huang, H.; Zhou, Y.; Wang, Y.; Liu, Y.; Zhang, S.; Chen, K. RTMDet: An Empirical Study of Designing Real-Time Object Detectors. arXiv 2022, arXiv:2212.07784. [Google Scholar]
  18. Breiman, L. Random Forests. Mach. Learn. 2001, 45, 5–32. [Google Scholar] [CrossRef]
  19. Subedi, S.; Bist, R.; Yang, X.; Chai, L. Tracking Floor Eggs with Machine Vision in Cage-Free Hen Houses. Poult. Sci. 2023, 102, 102637. [Google Scholar] [CrossRef] [PubMed]
  20. Zhang, Y.; Li, M.; Ma, X.; Wu, X.; Wang, Y. High-Precision Wheat Head Detection Model Based on One-Stage Network and GAN Model. Front. Plant Sci. 2022, 13, 787852. [Google Scholar] [CrossRef]
  21. Nazari, Z.; Kang, D.; Asharif, M.R.; Sung, Y.; Ogawa, S. A New Hierarchical Clustering Algorithm. In Proceedings of the 2015 International Conference on Intelligent Informatics and Biomedical Sciences (ICIIBMS), Okinawa, Japan, 28–30 November 2015; IEEE: New York, NY, USA, 2015; pp. 148–152. [Google Scholar]
  22. Zhang, D.; Zhou, F. Self-Supervised Image Denoising for Real-World Images With Context-Aware Transformer. IEEE Access 2023, 11, 14340–14349. [Google Scholar] [CrossRef]
  23. Ma, X.; Karimpour, A.; Wu, Y.-J. Statistical Evaluation of Data Requirement for Ramp Metering Performance Assessment. Transp. Res. Part A Policy Pract. 2020, 141, 248–261. [Google Scholar] [CrossRef]
  24. Wang, F.; Zhu, L.; Li, J.; Chen, H.; Zhang, H. Unsupervised Soft-Label Feature Selection. Knowl.-Based Syst. 2021, 219, 106847. [Google Scholar] [CrossRef]
  25. Wang, W.; Wang, Z.; Wang, M.; Li, H.; Wang, Z. Importance Filtered Soft Label-Based Deep Adaptation Network. Knowl.-Based Syst. 2023, 265, 110397. [Google Scholar] [CrossRef]
  26. Riley, P.C.; Deshpande, S.V.; Ince, B.S.; Hauck, B.C.; O’Donnell, K.P.; Dereje, R.; Harden, C.S.; McHugh, V.M.; Wade, M.M. Random Forest and Long Short-Term Memory Based Machine Learning Models for Classification of Ion Mobility Spectrometry Spectra. In Proceedings of the Chemical, Biological, Radiological, Nuclear, and Explosives (CBRNE) Sensing XXII, Online, 12–16 April 2021; Volume 11749, pp. 179–187. [Google Scholar]
  27. Khan, M.Y.; Qayoom, A.; Nizami, M.; Siddiqui, M.S.; Wasi, S.; Syed, K.-U.-R.R. Automated Prediction of Good Dictionary EXamples (GDEX): A Comprehensive Experiment with Distant Supervision, Machine Learning, and Word Embedding-Based Deep Learning Techniques. Complexity 2021, 2021, 2553199. [Google Scholar] [CrossRef]
  28. Chieregato, M.; Frangiamore, F.; Morassi, M.; Baresi, C.; Nici, S.; Bassetti, C.; Bnà, C.; Galelli, M. A Hybrid Machine Learning/Deep Learning COVID-19 Severity Predictive Model from CT Images and Clinical Data. Sci. Rep. 2022, 12, 4329. [Google Scholar] [CrossRef] [PubMed]
  29. Wu, H.; Zhu, Z.; Du, X. System Reliability Analysis with Autocorrelated Kriging Predictions. J. Mech. Des. 2020, 142, 101702. [Google Scholar] [CrossRef]
  30. Yang, X.; Chai, L.; Bist, R.B.; Subedi, S.; Wu, Z. A Deep Learning Model for Detecting Cage-Free Hens on the Litter Floor. Animals 2022, 12, 1983. [Google Scholar] [CrossRef] [PubMed]
  31. Subedi, S.; Bist, R.; Yang, X.; Chai, L. Tracking Pecking Behaviors and Damages of Cage-Free Laying Hens with Machine Vision Technologies. Comput. Electron. Agric. 2023, 204, 107545. [Google Scholar] [CrossRef]
  32. Jeyakumar, P.; Tharanitaran, N.M.; Malar, E.; Muthuchidambaranathan, P. Beamforming Design with Fully Connected Analog Beamformer Using Deep Learning. Int. J. Commun. Syst. 2022, 35, e5109. [Google Scholar] [CrossRef]
  33. Li, J.; Sun, H.; Li, J. Beyond Confusion Matrix: Learning from Multiple Annotators with Awareness of Instance Features. Mach. Learn. 2023, 112, 1053–1075. [Google Scholar] [CrossRef]
  34. Bist, R.B.; Subedi, S.; Chai, L.; Regmi, P.; Ritz, C.W.; Kim, W.K.; Yang, X. Effects of Perching on Poultry Welfare and Production: A Review. Poultry 2023, 2, 134–157. [Google Scholar] [CrossRef]
  35. Khabisi, M.; Salahi, A.; Mousavi, S. The Influence of Egg Shell Crack Types on Hatchability and Chick Quality. Turk. J. Vet. Anim. Sci. 2012, 36, 289–295. [Google Scholar] [CrossRef]
  36. Selvaraju, R.R.; Cogswell, M.; Das, A.; Vedantam, R.; Parikh, D.; Batra, D. Grad-CAM: Visual Explanations From Deep Networks via Gradient-Based Localization. In Proceedings of the IEEE International Conference on Computer Vision (ICCV), Venice, Italy, 22–29 October 2017; pp. 618–626. [Google Scholar]
  37. Gogo, J.A.; Atitwa, B.E.; Gitonga, C.N.; Mugo, D.M. Modelling Conditions of Storing Quality Commercial Eggs. Heliyon 2021, 7, e07868. [Google Scholar] [CrossRef]
  38. Kim, T.H.; Kim, J.H.; Kim, J.Y.; Oh, S.E. Egg Freshness Prediction Model Using Real-Time Cold Chain Storage Condition Based on Transfer Learning. Foods 2022, 11, 3082. [Google Scholar] [CrossRef] [PubMed]
  39. Li, W.; Qian, X.; Ji, J. Noise-Tolerant Deep Learning for Histopathological Image Segmentation. In Proceedings of the 2017 24th IEEE International Conference on Image Processing (ICIP), Beijing, China, 17–20 September 2017; IEEE: New York, NY, USA, 2017; pp. 3075–3079. [Google Scholar]
  40. Radlak, K.; Malinski, L.; Smolka, B. Deep Learning for Impulsive Noise Removal in Color Digital Images. In Proceedings of the Real-Time Image Processing and Deep Learning 2019, Baltimore, MD, USA, 15–16 April 2019; Kehtarnavaz, N., Carlsohn, M.F., Eds.; Spie-Int Soc Optical Engineering: Bellingham, UK, 2019; Volume 10996, p. UNSP 1099608. [Google Scholar]
  41. Bist, R.B.; Yang, X.; Subedi, S.; Chai, L. Mislaying Behavior Detection in Cage-Free Hens with Deep Learning Technologies. Poult. Sci. 2023, 102, 102729. [Google Scholar] [CrossRef]
  42. Priyadumkol, J.; Kittichaikarn, C.; Thainimit, S. Crack Detection on Unwashed Eggs Using Image Processing. J. Food Eng. 2017, 209, 76–82. [Google Scholar] [CrossRef]
  43. Wu, L.; Wang, Q.; Jie, D.; Wang, S.; Zhu, Z.; Xiong, L. Detection of Crack Eggs by Image Processing and Soft-Margin Support Vector Machine. J. Comput. Methods Sci. Eng. 2018, 18, 21–31. [Google Scholar] [CrossRef]
  44. Guanjun, B.; Mimi, J.; Yi, X.; Shibo, C.; Qinghua, Y. Cracked Egg Recognition Based on Machine Vision. Comput. Electron. Agric. 2019, 158, 159–166. [Google Scholar] [CrossRef]
  45. Nasiri, A.; Omid, M.; Taheri-Garavand, A. An Automatic Sorting System for Unwashed Eggs Using Deep Learning. J. Food Eng. 2020, 283, 110036. [Google Scholar] [CrossRef]
  46. Cen, Y.; Ying, Y.; Rao, X. Egg Weight Detection on Machine Vision System. Proc. SPIE–Int. Soc. Opt. Eng. 2006, 6381, 337–346. [Google Scholar] [CrossRef]
  47. Alikhanov, D.; Penchev, S.; Georgieva, T.; Moldajanov, A.; Shynybaj, Z.; Daskalov, P. Indirect Method for Egg Weight Measurement Using Image Processing. Int. J. Emerg. Technol. Adv. Eng. 2015, 5, 30–34. [Google Scholar]
  48. Akkoyun, F.; Ozcelik, A.; Arpaci, I.; Erçetin, A.; Gucluer, S. A Multi-Flow Production Line for Sorting of Eggs Using Image Processing. Sensors 2023, 23, 117. [Google Scholar] [CrossRef]
  49. Wen, F.; Qin, M.; Gratz, P.; Reddy, N. Software Hint-Driven Data Management for Hybrid Memory in Mobile Systems. ACM Trans. Embed. Comput. Syst. 2022, 21, 1–8. [Google Scholar] [CrossRef]
  50. Yang, X.; Dai, H.; Wu, Z.; Bist, R.; Subedi, S.; Sun, J.; Lu, G.; Li, C.; Liu, T.; Chai, L. SAM for Poultry Science. arXiv 2023, arXiv:2305.10254. [Google Scholar]

Источник: https://www.mdpi.com/
Авторы: Xiao Yang, Ramesh Bahadur Bist, Sachin Subedi

ЗАКАЗАТЬ СИСТЕМУ

СХОЖИЕ СТАТЬИБОЛЬШЕ ОТ АВТОРА