Wyniki wyszukiwania - BazTech

Ograniczanie wyników

3 2023

Znaleziono wyników: 3

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: Mask RCNN

Sortuj według:

Ogranicz wyniki do:

Analysis recognition of Ghost Pepper and Cili-Padi using Mask RCNN and YOLO

Yin L. L., Zainudin M.N.Shah, Saad W. H. Mohd, Sulaiman N. A., Idris M. I., Kamarudin M. R., Mohamed R., Razak M. S. J. A.

Przegląd Elektrotechniczny

2023

R. 99, nr 8

92--97

Fruit harvesting robots have made headlines in the agricultural industry in recent years. A fruit recognition system would assist farmers or agricultural industry practitioners in lessening workloads while increasing crop yields. Due to the similar characteristics of chili fruits, approximating the chili according to their grades and identifying its maturity will be difficult. Furthermore, because of their different appearances and sizes, distinguishing between the fruits and the leaves becomes difficult. As a result, a real-time object detection algorithm called You Only Look Once (YOLO) and Mask-RCNN is investigates in order to distinguish the fruit from its plant based on its shape and colour. YOLO version 5 (YOLOv5) uses to define and distinguish the chili fruits and its leaves based on two characteristics; shape and colour. The CSPDarknet network serves as the backbone in YOLOv5, where feature extraction and mosaic augmentation has used to combine multiple images into a single image. Total 391 images has divided into two subsets: training and testing, with an 80:20 ratio. YoLov5 is notable for its ability to detect small objects with high precision in a short amount of time while Mask-RCNN has proven its ability to recognize a chili fruits with high precision above 90%. The classification is evaluated using precision, recall, loss function, and inference time.

Roboty do zbioru owoców trafiły w ostatnich latach na pierwsze strony gazet w branży rolniczej. System rozpoznawania owoców pomógłby rolnikom lub praktykom z branży rolniczej w zmniejszeniu obciążenia pracą przy jednoczesnym zwiększeniu plonów. Ze względu na podobne cechy owoców chili przybliżenie chili według ich klas i określenie stopnia dojrzałości będzie trudne. Ponadto, ze względu na ich różny wygląd i rozmiary, odróżnienie owoców od liści staje się trudne. W rezultacie algorytm wykrywania obiektów w czasie rzeczywistym o nazwie You Only Look Once (YOLO) i Mask-RCNN jest badany w celu odróżnienia owocu od rośliny na podstawie jego kształtu i koloru. YOLO wersja 5 (YOLOv5) służy do definiowania i rozróżniania owoców chili i ich liści w oparciu o dwie cechy; kształt i kolor. Sieć CSPDarknet służy jako szkielet w YOLOv5, w którym wyodrębnianie cech i rozszerzanie mozaiki wykorzystano do łączenia wielu obrazów w jeden obraz. Łącznie 391 obrazów zostało podzielonych na dwa podzbiory: treningowe i testowe, ze stosunkiem 80:20. YoLov5 wyróżnia się zdolnością do wykrywania małych obiektów z dużą precyzją w krótkim czasie, podczas gdy Mask-RCNN udowodnił swoją zdolność rozpoznawania owoców chili z wysoką precyzją powyżej 90%. Klasyfikacja jest oceniana za pomocą precyzji, pamięci, funkcji utraty i czasu wnioskowania.

Liquid Detection and Instance Segmentation based on Mask R-CNN in Industrial Environment

Gawdzik Grzegorz, Arkadiusz Orłowski

Machine Graphics and Vision

2023

Vol. 32, No. 3/4

193--203

The goal of the paper is to present an efficient approach to detect and instantiate liquid spilled in the industrial and industrial-like environments. Motivation behind it is to enable mobile robots to automatically detect and collect samples of spilled liquids. Due to the lack of useful training data of spilled substances, a new dataset with RGB images and masks was gathered. A new application of the Mask-RCNN-based algorithm is proposed which has the functionalities of detecting the spilled liquid and segmenting the image.

Research on stacked ore detection based on improved Mask RCNN under complex background

Zhou Hehui, Cai Gaipin, Liu Shun

Gospodarka Surowcami Mineralnymi

2023

T. 39, z. 1

131--148

In order to achieve accurate identification and segmentation of ore under complex working conditions, machine vision and neural network technology are used to carry out intelligent detection research on ore, an improved Mask RCNN instance segmentation algorithm is proposed. Aiming at the problem of misidentification of stacked ores caused by the loss of deep feature details during the feature extraction process of ore images, an improved Multipath Feature Pyramid Network (MFPN) was proposed. The network firstly adds a single bottom-up feature fusion path, and then adds with the top-down feature fusion path of the original algorithm, which can enrich the deep feature details and strengthen the fusion of the network to the feature layer, and improve the accuracy of the network to the ore recognition. The experimental results show that the algorithm proposed in this paper has a recognition accuracy of 96.5% for ore under complex working conditions, and the recall rate and recall rate function values reach 97.4% and 97.0% respectively, and the AP75 value is 6.84% higher than the original algorithm. The detection results of the ore in the actual scene show that the mask size segmented by the network is close to the actual size of the ore, indicating that the improved network model proposed in this paper has achieved a good performance in the detection of ore under different illumination, pose and background. Therefore, the method proposed in this paper has a good application prospect for stacked ore identification under complex working conditions.

Aby uzyskać dokładną identyfikację i segmentację rudy w złożonych warunkach pracy, do prowadzenia inteligentnych badań wykrywania rudy wykorzystywane są technologie wizji maszynowej i sieci neuronowych, zaproponowano udoskonalony algorytm segmentacji obrazu Mask RCNN (Region Convolutional Neural Networks). Mając na celu rozwiązanie problemu błędnej identyfikacji ułożonych rud, spowodowanego utratą głębokich szczegółów cech podczas procesu ekstrakcji cech z obrazów rudy, zaproponowano ulepszoną sieć wielościeżkową piramidy cech MFPN (Multipath Feature Pyramid Network). Sieć najpierw dodaje pojedynczą ścieżkę łączenia funkcji od dołu do góry, a następnie dodaje ścieżkę łączenia funkcji od góry do dołu oryginalnego algorytmu, co może wzbogacić głębokie szczegóły funkcji i wzmocnić połączenie sieci z warstwą funkcji (obiektową) i poprawić dokładność sieci do rozpoznawania rudy. Wyniki eksperymentalne pokazują, że algorytm zaproponowany w niniejszej pracy ma dokładność rozpoznawania na poziomie 96,5% dla rudy w złożonych warunkach pracy, a wartości współczynnika czułości i współczynnika czułości funkcji osiągają odpowiednio 97,4 i 97,0%, a wartość AP75 jest wyższa o 6,84% niż oryginalny algorytm. Wyniki wykrywania rudy w rzeczywistej scenie pokazują, że rozmiar maski podzielonej na segmenty przez sieć jest zbliżony do rzeczywistego rozmiaru rudy, co wskazuje, że ulepszony model sieci zaproponowany w tym artykule osiągnął dobrą efektywność w wykrywaniu rudy przy różnym oświetleniu, ułożeniu i tle. Dlatego zaproponowana w pracy metoda ma dobre perspektywy aplikacyjne do identyfikacji usypanych rud w złożonych warunkach pracy.