Разработка алгоритма для обнаружения дефектных корнеплодов картофеля : магистерская диссертация

Abstract

В работе проводилось исследование к решению задачи с сортировкой корнеплодов картофеля на здоровые и дефектные. Решение данной задачи существенно сократило бы ручной монотонный труд человека. Сложность решения задачи заключается в преодолении препятствий – естественное загрязнение землей у картофеля, весовые и габаритные особенности корнеплодов. Для создания алгоритма был собран дата-сет из собственноручно выполненных фотографий и обучено пять моделей, на основе нейронных сетей DenseNet, ResNet50, EfficientNetB0, ResNext50_32x4d, ResNet101. Для дальнейшего исследования была выбрана модель на основе ResNet50, как показавшая наилучшие результаты распознавания на обучающей выборке. Дополнительно была выполнена независимая выборка и протестирована модель, визуализация работы модели с помощью сервиса Streamlit. Создан эскиз будущего фото-сепаратора, предложены рекомендации по реализации такого алгоритма и расчет экономической эффективности.

In the work, a study was conducted to solve the problem of sorting potato root crops into healthy and defective ones. Solving this problem would significantly reduce the manual monotonous work of a person. The difficulty of solving the problem lies in overcoming obstacles – natural soil contamination of potatoes, weight and dimensional features of root crops. To create the algorithm, a dataset was assembled from self-made photographs and five models were trained, based on the neural networks DenseNet, ResNet50, EfficientNetB0, ResNext50_32x4d, ResNet101. For further research, a ResNet50-based model was selected, as it showed the best recognition results in the training sample. Additionally, an independent sample was performed and the model was tested, visualization of the model using the Streamlit service. A sketch of the future photo separator has been created, recommendations for the implementation of such an algorithm and calculation of economic efficiency have been proposed.