Kommentierte Datensätze von Haufen von Ölpalmenfrüchten zur Reifegradbewertung mithilfe von Deep Learning

Scientific Data Band 10, Artikelnummer: 72 (2023) Diesen Artikel zitieren

2091 Zugriffe

4 Altmetrisch

Details zu den Metriken

Die Qualität von Palmöl wird stark vom Reifegrad der zu Palmöl verarbeiteten Früchte beeinflusst. Es wurden viele Studien zur Erkennung und Klassifizierung des Reifegrads von Ölpalmenfrüchten durchgeführt, um die Qualität mithilfe von Computer Vision zu verbessern. Die meisten dieser Studien verwenden jedoch Datensätze in Form von Bildern von Ölpalmen-Frischfruchtbündeln (FFB) mit unvollständiger Kategorisierung entsprechend den realen Bedingungen in Palmölmühlen. Daher stellt diese Studie einen neuen vollständigen Datensatz vor, der direkt von Palmölmühlen in Form von Videos und Bildern mit unterschiedlichen Kategorien erhalten wird, entsprechend den realen Bedingungen, mit denen die Sortierabteilung der Palmölmühle konfrontiert ist. Der Videodatensatz besteht aus 45 Videos mit einer einzigen Kategorie von FFB-Videos und 56 Videos mit einer Sammlung von FFB mit mehreren Kategorien für jedes Video. Die Videos werden mit einem Smartphone mit einer Größe von 1280 × 720 Pixeln im .mp4-Format erfasst. Darüber hinaus wurde dieser Datensatz auch anhand des Reifegrads von Ölpalmenfrüchten mit Anmerkungen versehen und in sechs Kategorien unterteilt: unreif, unterreif, reif, überreif, leere Trauben und abnormale Früchte.

Um hochwertiges Palmöl herzustellen, werden reife Palmfrüchte benötigt. Die Reife von Ölpalmen-Fruchtsträußen (FFB) wird normalerweise durch die Anzahl der losen Früchte bestimmt, die aus dem Bündel fallen1. Außerdem lässt sich die Reife auch an der Farbe der Früchte erkennen, die von Schwarz bis Orange reicht. Normalerweise erfolgt die Bestimmung der Reife von FFB durch visuelle Prüfung der Fruchtfarbe. Die visuelle Prüfung der Farbreife hat mehrere Nachteile, wenn sich die FFB an einem hohen Baum befindet, und hängt von der Wahrnehmung des Betrachters ab. Das Erkennen der Reife, indem man darauf wartet, dass die Früchte fallen, kann zu Ernteverlusten führen. Die Erkennung der Reife bei hohen Bäumen macht es für Beobachter aufgrund der Entfernung und der Beleuchtung schwierig, reife Früchte zu erkennen. Es wurden viele Studien zur Erkennung der Reife von Ölpalmenfrüchten durchgeführt, entweder mit einem Computer-Vision-Ansatz2,3,4,5,6,7,8,9,10,11,12 oder mit einem Lichtsensor-Ansatz13,14 ,15,16,17, aber sie haben aufgrund der komplexen Eigenschaften von Ölpalmenfrüchten, wie z. B. der ungleichmäßigen Farbe reifer Früchte, der Ölpalmenfrüchte in Büscheln, die klein aussehen, und dem unterschiedlichen Reifegrad der Früchte in einigen Fällen, keine zufriedenstellenden Ergebnisse erzielt Sorten. Tabelle 1 zeigt die Ergebnisse einer Studie zur Klassifizierung und Bestimmung des Reifegrads von Ölpalmen-FFB. Der Datensatz weist Einschränkungen wie eine unvollständige Kategorisierung und das Fehlen von FBB-Variationen auf, wodurch er sich erheblich von den realen Bedingungen unterscheidet.

Forschung mit Computer Vision erfolgt in der Regel auf der Grundlage des Eingabebildes, um die Farbe der Frucht zu erkennen, während Forschung mit einem Lichtsensor durch die Analyse der Ergebnisse des von der Ölpalmenfrucht emittierten Lichtspektrums erfolgt. Die meisten früheren Studien verwendeten die Bildeingabe von Ölpalmen oder das Farbspektrum von Ölpalmenfrüchten, da mit dieser Eingabe der Erkennungsprozess effizienter ist. Mehrere frühere Studien, die einen Computer-Vision-Ansatz mit einem Eingabebild verwendeten, wurden unter Verwendung der SVM-Methode mit drei Klassen18 durchgeführt, nämlich roh, unterreif und reif. Forschungen mit Deep Learning zur Reifeerkennung wurden unter Verwendung von EfficientNet3 mit einzelnen Bilddatensätzen durchgeführt. Für das Erntesystem wurde eine Echtzeit-Reifeerkennung von Ölpalmen unter Verwendung von YOLOv4 mit einem 3-Klassen-Datensatz vorgeschlagen19, und eine weitere Untersuchung der Echtzeit-Reifeerkennung während des Ernteprozesses wurde unter Verwendung von YOLOv320 vorgeschlagen. Basierend auf den Ergebnissen dieser Literaturstudie gibt es keine Ölpalmendatensätze in Form von Bildern oder Videos von Sammlungen oder Stapeln frischer Ölpalmobstbündel mit verschiedenen Kategorien oder einzelnen Kategorien. Dieses Papier stellt Bild- und Videodatensätze aus Sammlungen oder Stapeln frischer Ölpalmfruchtsträuße bereit, die direkt aus Palmölmühlen in Süd-Kalimantan stammen. Im Bewertungsabschnitt wurden Smartphones mit sechs Reifegraden für Ölpalmenfrüchte verwendet: unreif, unterreif, reif, überreif, leere Trauben und abnormale Früchte (Abb. 1). Es gibt Untersuchungen zur Erkennung von Ölpalmen in Echtzeit mithilfe von YOLOv4. Die verwendeten Daten sind frische Fruchtbüschel von Ölpalmen, die noch an Bäumen mit reifen und unreifen Klassen hängen11. Diese Forschung ist jedoch nicht vollständig anwendbar, da sie nur auf Ölpalmenplantagen angewendet werden kann, während für die Durchführung einer Bewertung in einer Palmölmühle mehr als zwei Klassen erforderlich sind, um unangemessene Reifegrade zu vermeiden.

Beispielbilder zum Reifegrad der Ölpalme FFB.

Bei diesem Datensatz handelt es sich um multimodale Daten in Form von Videos und Bildern von Bündeln frischer Ölpalmfrüchte mit 6 Kategorien, die von Experten für die Einstufung des Reifegrads von Ölpalmfrüchten in Palmölmühlen ermittelt und validiert wurden. Dieser Datensatz kann von vielen Interessengruppen wie Studenten und Forschern, Anwendungsentwicklern, Ingenieuren für maschinelles Lernen und Deep Learning, Datenwissenschaftlern, Agronomen und Sortierern von Palmölmühlen sowie anderen Forschern verwendet werden. Datensätze sind für Anwendungsentwickler sehr nützlich, um Daten zu testen und Modelle für maschinelles Lernen zu entwickeln, die zum Erstellen von Smartphone-basierten Anwendungen oder von in Robotern oder anderen Geräten eingebetteten Anwendungen verwendet werden können. Diese Daten sind auch für Datenwissenschaftler sehr nützlich, um die richtige Methode zur Klassifizierung und Erkennung der Fruchtreife zu finden. Darüber hinaus sind diese Daten auch sehr nützlich für die Entwicklung von Deep-Learning-Algorithmen, um den Reifegrad zu klassifizieren und zu erkennen sowie Früchte effektiv und effizient zu zählen. In der Praxis ist eine konsistente Beurteilung des Reifegrads von Ölpalmen erforderlich, damit es bei der Schätzung des Reifegrads nicht zu Fehlern kommt, die zu Verlusten für die Palmölverarbeitungsanlage führen könnten. Einige Videodateneigenschaften, wie z. B. dynamische Luminanz, teilweise von anderen Objekten verdeckte Objekte und Bewegungsunschärfe beim Übergang zwischen Bildern, sind identisch mit der Funktionsweise des menschlichen Auges21, sodass das Video (oder sequentielle Bild) in der realen Welt besser anwendbar ist im Vergleich zu Bildteilen, die keine Verbindung zwischen Frames haben. Bei diesem Datensatz handelt es sich um eine Sammlung von Videos zum Reifegrad von Ölpalmenfrüchten mit einer einzigen Kategorie für jedes Video und mit mehreren Kategorien für jedes Video. Ein Beispiel für einen Datensatz mit einer einzelnen Kategorie für jedes Video ist in Abb. 2 zu sehen, während ein Beispiel für Daten mit mehreren Kategorien für jedes Bild in Abb. 3 zu sehen ist. Durch die Verwendung einer Kombination der mehreren Kategorien entsteht der Datensatz kann maschinelles Lernen erzeugen, das den realen Bedingungen vor Ort entspricht, sodass eine bessere Modellleistung im Vergleich zur Verwendung von Datensätzen mit einer einzelnen Kategorie erzielt werden kann.

Beispiel für Ölpalmen-FFB-Pfähle für eine einzelne Kategorie pro Bild.

Beispiele für Stapel von frischen Früchten aus Ölpalmen für mehrere Kategorien pro Bild. (A) 1 leer, 1 reif und 1 unreif; (B) 2 leer und 2 unreif; (C) 1 leer, 1 reif und 1 unreif; (D) 2 reif und 2 überreif; (E) 1 unterreif und abnormal; (F) 1 reife, 1 leere und 2 abnormale Früchte.

Der Datensatz wurde von einigen Palmölmühlen im Abschnitt zur Einstufung des Reifegrads von Ölpalmenfrüchten in Süd-Kalimantan, Indonesien, gesammelt. Frische Ölpalmenfruchtbüschel mit unterschiedlichem Reifegrad wurden gesammelt und mit einem Smartphone auf dem Betonzementboden im Hinterhof der Fabrik aufgezeichnet. Bei der Aufnahmestrategie wird die Kamera um 360° um den Palmöl-FFB-Haufen gedreht, um die meisten FFB-Positionen zu erfassen. Eine Variation der Position des FFB kann durch Drehen um 360° erhalten werden und kann den gesamten Reifegrad der Ölpalme darstellen. Ein Beispiel für die Positionsvariation im FFB ist in Abb. 4 zu sehen. Das Video wurde durchgehend aufgenommen tagsüber, zwischen 12.00 und 13.00 Uhr, bei sonnigem Wetter. Aufgrund von Wetterproblemen, die nicht immer sonnig sind, wird die Gesamtzeit für die Erfassung des Datensatzes auf zwei Monate geschätzt. Es gibt also verschiedene Variationen der gewonnenen Ölpalmen-FFB.

Beispiel für ein Videoaufnahmebild, das mit der 360°-Methode erstellt wurde. Verschiedene FFB-Positionen können erfasst werden, um den Zustand des FFB-Reifegrades der Ölpalme anzuzeigen.

Abbildung 5 ist ein Vorverarbeitungsablauf, der durchgeführt wird, um Rohdaten in gebrauchsfertige Daten zu verarbeiten. Die verwendeten Rohdaten liegen im mp4-Format mit einer Auflösung von 1280 × 720 vor und wurden mit einem Smartphone aufgenommen. Alle Arten von Objektklassen wurden von Palmölexperten an der Palmöl-Bewertungsstelle bestimmt und bewertet. Die Daten, die zum Trainieren des Deep-Learning-Modells verwendet werden können, liegen in Form von Bildern vor. Deshalb haben wir die Frames im Video in sequentielle Bilder extrahiert. Die Frame-Extraktion wurde mit der VLC Media Player22-Anwendung mit einer Aufnahmeverhältniskonfiguration von 30 durchgeführt. Ziel ist es, alle 1 Sekunde 1 Frame zu extrahieren, sodass die Möglichkeit einer Bildredundanz sehr gering ist21. Die resultierende Ausgabeauflösung beträgt 416 × 416.

Darstellung der Phasen der Datenvorverarbeitung.

Sequentielle Bilder mit einer Auflösung von 416 × 416, die erfolgreich aus dem Video extrahiert wurden, erhielten einen Begrenzungsrahmen. Der Prozess der Angabe von Begrenzungsrahmen wurde mit DarkLabel23 durchgeführt. DarkLabel ist ein Tool zum Annotieren der Objekterkennung. Die in DarkLabel verfügbaren Annotationsformate sind Pascal VOC, YOLO und Multiple Object Tracking (MOT). In der Vorverarbeitungsphase wurden jedem Bild manuell Begrenzungsrahmen zugewiesen, um die Dichte zwischen dem Rahmen und dem Objekt sicherzustellen. Die Darstellung des Begrenzungsrahmen-Annotators ist in Abb. 6 zu sehen. Das Anmerkungsformat wird in Form eines YOLO gespeichert Anmerkung (.txt), bestehend aus [Klassen-ID, x, y, w, h], wobei x und y die Koordinaten der Box sind, w die Breite und h die Höhe ist. Die Ergebnisse jeder Klasse, der ein Begrenzungsrahmen zugewiesen wurde, werden in einer anderen Datei gespeichert. Der Begrenzungsrahmen wird durch die Herstellung einer kastenförmigen Barriere geschaffen. Die Kastenform wird neu angeordnet, sodass die Grenze das Objekt umgibt, das Sie erkennen möchten. Die Anmerkungsdatei hat denselben Namen wie der Name des kommentierten Bildes und wird im selben Ordner abgelegt.

Die Illustration der Beschriftung und Anmerkung von Oil Palm FFB Video.

Basierend auf Abb. 6 wurden die Daten in zwei Modalitäten aufgezeichnet, nämlich im Videodatensatz und im Bilddatensatz. Videodatensätze enthalten 45 Dateien mit einer einzelnen Kategorie und 56 Dateien mit mehreren Kategorien für Ölpalmen-FFB. Bilddatensätze wurden mit der Software Roboflow24 mit Anmerkungen versehen, die als Eingabedaten für die Reifeerkennung und -klassifizierung mithilfe des YOLO-Modells verwendet werden können. Die Datensätze sind unter Science Data Bank25 verfügbar. Die verwendeten Videodatenkriterien waren: (1) Aufnahmen mit 360°-Rotation des Ölpalmen-FFB und (2) Videodauer von etwa 10 bis 15 Sekunden. Basierend auf den verwendeten Videokriterien wird dann 1 Frame pro Sekunde extrahiert. Basierend auf Tabelle 2 beträgt die Gesamtzahl der extrahierten Bilder aus dem Video der Ölpalmen-FFB-Datei 4160 Dateien mit 14559 Objekten und 7171 Bildern. Die Gesamtzahl der Bilddateien jeder Reifekategorie der Ölpalmen-FFB unterschied sich von der Summe der Bilder, da jede Bilddatei mehr als eine Objektklasse in den Ölpalmen-FFB-Haufen aufweist. Die Datensätze wurden im Verhältnis 70:20:10 in Datentraining, -validierung und -tests aufgeteilt, wobei die Gesamtzahl der Bilder 2908 für das Training, 835 für die Validierung und 417 für Tests beträgt. Die Einzelheiten zu Bild und Objekt für jede Kategorie sind in Tabelle 2 zu sehen.

Zur Datenvalidierung wurde es mit den YOLOv4-Modellen22 mit Hyperparametern getestet, wie in Tabelle 3 gezeigt. Um zum Datensatz zu passen, werden Hyperparameterwerte wie Breite, Höhe, maximale Chargen und Schritte geändert. Diese Änderung wurde gemäß den Empfehlungen der ersten YOLOv4-Forschung26 umgesetzt. Abbildung 7 zeigt ein Diagramm der Leistung des Modells während des Trainings und der Validierung. Basierend auf dem Diagramm zeigt die Leistung des Validierungsverlusts eine Konvergenz gegen Null an, und basierend auf dem Wert von mAP, der nahe bei 1 liegt, zeigt dies an, dass die Modelle eine gute Leistung aufweisen. Tabelle 4 zeigt die Testergebnisse jedes verwendeten YOLO-Modells. Abbildung 8 zeigt das Testergebnis des Modells mit Eingabevideo von Palmöl-FFB mit mehreren Reifekategorien. Die für Training, Validierung und Tests verwendeten Daten bestehen aus aufeinanderfolgenden Bildern, die erfolgreich aus Videos abgerufen wurden, wodurch sie besser auf reale Anwendungen anwendbar sind. Der sequentielle Bildaufbau ermöglicht es dem Modell außerdem, den Entwicklungsstand des FFB aus mehreren Perspektiven zu bestimmen.

Trainingsverlust- und Validierungskartendiagramm der Modelle (a) YOLOv4-320, (b) YOLOv4-416 und (c) YOLOv4-512.

Beispiel eines Testergebnisses von YOLOv4-Modellen zur Erkennung und Klassifizierung der Palmölreife mit Videoeingabe; (a) Unreife und abnormale FFB; (b) 2 unterreife und 1 reife FFB; (c) Unreife, abnormale, reife und überreife FFB; (d) Unreife und reife FFB.

Leider sind die in der aktuellen Studie zum Reifegrad von Ölpalmen verwendeten offenen Datensätze nicht verfügbar. Im Vergleich dazu versucht der typische Datensatz der aktuellen Forschung, die Qualität und Produktion von raffiniertem Palmöl zu steigern2,3,4,5,6,8,10,11,13,15. Der in dieser Studie verwendete Videodatensatz konzentriert sich jedoch darauf, eine Bewertung des FFB-Reifegrads von Ölpalmen zu bieten, insbesondere in Ölpalmenverarbeitungsbetrieben. Videos können als Datensatz verwendet werden, da sie Echtzeitsituationen genau widerspiegeln und sich daher besser für Echtzeit-Bewertungsverfahren eignen. Die Verwendung eines Videodatensatzes und eines Echtzeit-Objekterkennungsalgorithmus kann die Geschwindigkeit der Bestimmung des Reifegrads der Ölpalmen-FFB verbessern. Die Verwendung von Videodatensätzen bringt jedoch mehrere Herausforderungen mit sich. Im Vergleich zur Verwendung von nicht sequentiellen Fotos ist die Vorverarbeitung schwieriger. Dann werden die zur Durchführung des Trainingsprozesses verwendeten Daten zahlreicher, sodass die Modelltrainingszeit länger dauern kann. Darüber hinaus ist der in diesem Datensatz enthaltene Hintergrund der Ort zur Einstufung des Reifegrads der Ölpalme, so dass die Ergebnisse der direkten Erkennung auf Ölpalmenplantagen aufgrund des Hintergrunds auf der Ölpalmenplantage möglicherweise einen Leistungsabfall aufweisen ist komplexer als der Hintergrund aus dem Fabrikhinterhof, wo der FFB der Palmölreife bewertet wird.

Der vorhandene Datensatz weist folgende Einschränkungen auf:

Der Datensatz besteht aus Bildklassen, die aufgrund der Verfügbarkeit von Daten im Bewertungsprozess zur Erlangung abnormaler Daten nicht für jede Kategorie ausgeglichen sind und leere Bündel beim Versand an Palmölmühlen nur schwer zu erhalten sind.

Der Datensatz wurde nicht erweitert. Um eine bessere Leistung bei der Modellentwicklung zu erzielen, ist eine Datenerweiterung erforderlich, um den Datensatz zu vergrößern.

Die zur Verarbeitung des Datensatzes verwendete Software besteht aus einer Software zum Konvertieren von Videodaten in eine Bildersammlung mithilfe von VLC (https://www.videolan.org/index.id.html).

Software zum Beschriften und Erstellen von Bildbegrenzungsrahmen mit Darklabel wird von https://github.com/darkpgmr/DarkLabel bereitgestellt.

Die Software, die zum Konvertieren gekennzeichneter Daten in Daten verwendet wird, die für die Eingabe in die verarbeitete Modellierung mit Deep Learning bereit sind, ist Roboflow (https://roboflow.com/), und die für die Datenvalidierung verwendete Software ist das Python-Programm.

Chew, CL et al. Die exogene Ethylenanwendung auf Ölpalmenfruchtbüscheln nach der Ernte verbessert die Qualität des rohen Palmöls. Lebensmittelwissenschaft. Nutr. 9 (2021).

Septiarini, A., Hamdani, H., Hatta, HR & Anwar, K. Automatische Bildsegmentierung von Ölpalmenfrüchten durch Anwendung des konturbasierten Ansatzes. Wissenschaft. Hortisch. (Amsterdam). 261 (2020).

Suharjito, Elwirehardja, GN & Prayoga, JS Klassifizierung der Reife frischer Palmölfrüchte auf Mobilgeräten mithilfe von Deep-Learning-Ansätzen. Berechnen. Elektron. Landwirtschaft. 188, 106359 (2021).

Artikel Google Scholar

Fadilah, N., Mohamad-Saleh, J., Halim, ZA, Ibrahim, H. & Ali, SSS Intelligentes Farbsichtsystem zur Reifeklassifizierung von frischen Ölpalmenfrüchten. Sensoren (Schweiz) 12 (2012).

Sabri, N., Ibrahim, Z., Syahlan, S., Jamil, N. & Mangshor, NNA. Identifizierung der Reife von Palmöl-Frischfruchtbündeln anhand von Farbmerkmalen. J. Fundam. Appl. Wissenschaft. 9 (2018).

Pamornnak, B., Limsiroratana, S. & Chongcheawchamnan, M. Schema zur Bestimmung des Ölgehalts von Ölpalmen nach der Ernte für mobile Geräte. Biosystem. Ing. 134 (2015).

Herman, H., Susanto, A., Cenggoro, TW, Suharjito, S. & Pardamean, B. Bildreifeklassifizierung von Ölpalmenfrüchten mit Computer Vision unter Verwendung von Deep Learning und visueller Aufmerksamkeit. Journal of Telecommunication, Electronic and Computer Engineering (JTEC) vol. 12 (2020).

Ibrahim, Z., Sabri, N. & Isa, D. Erkennung der Reife von Palmöl-Frischfruchtbündeln mithilfe eines Faltungs-Neuronalen Netzwerks. J. Telecommun. Elektron. Berechnen. Ing. 10 (2018).

Ishak, WIW & Hudzari, RM Bildbasierte Modellierung zur Vorhersage der Reife von Ölpalmenfrüchten. J. Lebensmittel, Landwirtschaft. Umgebung. 8 (2010).

Zolfagharnassab, S., Shariff, ARBM, Ehsani, R., Jaafar, HZ & Aris, I. Bin. Klassifizierung frischer Fruchtbündel aus Ölpalmen basierend auf ihrer Reife mithilfe der Wärmebildtechnik. Landwirtschaft 12, 1779 (2022).

Artikel Google Scholar

Lai, JW, Ramli, HR, Ismail, LI & Hasan, WZW Echtzeiterkennung von reifen Ölpalmen-Frischfruchtbündeln basierend auf YOLOv4. IEEE Access 10, 95763–95770 (2022).

Artikel Google Scholar

Ghazali, SA, Selamat, H., Omar, Z. & Yusof, R. Bildanalysetechniken zur Reifeerkennung von Palmöl-Fruchtfruchtbündeln. Elektr. J. Elektr. Ing. 18 (2019).

Saeed, OMB et al. Klassifizierung frischer Ölpalmfruchtbüschel anhand ihrer Reife mithilfe eines tragbaren Vierband-Sensorsystems. Berechnen. Elektron. Landwirtschaft. 82 (2012).

Huddin, A. Eine schnelle und zerstörungsfreie Technik zur Bestimmung der Reife von Ölpalmen-Fruchtfrüchten (FFB). J. Kejuruter. 30, 93–101 (2018).

Artikel Google Scholar

Makky, M. Eine tragbare, kostengünstige zerstörungsfreie Reifeprüfung für Ölpalmen-FFB. Landwirtschaft. Landwirtschaft. Wissenschaft. Procedia 9 (2016).

Makky, M. & Soni, P. In-situ-Qualitätsbewertung intakter frischer Ölpalmenfruchtbüschel unter Verwendung eines schnellen, tragbaren, berührungslosen und zerstörungsfreien Ansatzes. J. Food Eng. 120 (2014).

Makky, M., Soni, P. & Salokhe, VM Automatisches zerstörungsfreies Qualitätskontrollsystem für Ölpalmenfrüchte. Int. Agrarphysik 28 (2014).

Septiarini, A., Hamdani, H., Hatta, HR & Kasim, AA Bildbasierte Verarbeitung zur Reifeklassifizierung von Ölpalmenfrüchten. Fortsetzung – 5. Int. 2019 Konf. Wissenschaft. Inf. Technol. Umarmung. Ind. 4,0 Towar. Innov. Cyber-Phys. Syst. ICSITech 2019 23–26, https://doi.org/10.1109/ICSITech46713.2019.8987575 (2019).

Junos, MH, Mohd Khairuddin, AS, Thannirmalai, S. & Dahari, M. Ein optimiertes YOLO-basiertes Objekterkennungsmodell für Pflanzenerntesysteme. IET-Bildprozess. 15, 2112–2125 (2021).

Artikel Google Scholar

Mohd Basir Selvam, NA, Ahmad, Z. & Mohtar, IA Echtzeiterkennung von reifen Palmölbüscheln mithilfe des YOLO V3-Algorithmus. In der 19. IEEE-Studentenkonferenz zu Forschung und Entwicklung: Nachhaltige Technik und Technologie für die Industrierevolution, SCOReD 2021, https://doi.org/10.1109/SCOReD53546.2021.9652752 (2021).

Wang, J., Zhang, T., Cheng, Y. & Al-Nabhan, N. Deep Learning der neuen Generation für die Erkennung von Videoobjekten: Eine Umfrage. Berechnen. Syst. Wissenschaft. Ing. 38, 165–182 (2021).

Artikel Google Scholar

Parico, AIB & Ahamed, T. Erkennung und Zählung von Birnenfrüchten in Echtzeit mithilfe von YOLOv4-Modellen und Deep SORT. Sensoren (Schweiz) 21, 1–32 (2021).

Artikel Google Scholar

Habtemariam, LW, Zewde, ET & Simegn, GL Klassifizierungssystem für Gebärmutterhalstyp und Gebärmutterhalskrebs unter Verwendung von Deep-Learning-Techniken. Med. Geräte Evid. Res. 15, 163–176 (2022).

Artikel Google Scholar

Syaefudin, A., Setiawan, W., Widiatmoko, F., Sofyan, E. & Restu, RN Computer Vision mit Deep Convolutional Neural Network-Ansatz zur Erkennung von Kaltflussgussfehlern. In Conference on Management and Engineering in Industry (CMEI) 31–36, https://doi.org/10.33555/cmei.v3i5.111 (2021).

Suharjito & Junior, FA Kommentierter Videodatensatz von Haufen von Ölpalmenfrüchten zur Reifegradbewertung[DS/OL]. Wissenschaftsdatenbank https://doi.org/10.57760/sciencedb.j00001.00713 (2022).

Bochkovskiy, A., Wang, C.-Y. & Liao, H.-YM YOLOv4: Optimale Geschwindigkeit und Genauigkeit der Objekterkennung. (2020).

Referenzen herunterladen

Die Autoren möchten der BINUS-Universität für die Unterstützung und der Ölpalmenmühle für die Unterstützung bei der Datenaufbereitung danken. Diese Forschung wird von der Generaldirektion Hochschulbildung des Ministeriums für Bildung, Kultur, Forschung und Technologie mit der Vertragsnummer 410/LL3/AK.04/2022, 126/VR.RTT/VI/2022 gefördert.

Abteilung für Wirtschaftsingenieurwesen, BINUS Graduate Program – Master of Industrial Engineering, Bina Nusantara University, Jakarta, 11480, Indonesien

Suharjito und Muhammad Asrol

Abteilung für Informatik, Fakultät für Informatik, Bina Nusantara University, Jakarta, 11480, Indonesien

Franz Adeta Junior

Informatikabteilung, BINUS Online Learning, Bina Nusantara University, Jakarta, 10480, Indonesien

Yosua Putra Koeswandy, Debi & Pratiwi Wahyu Nurhayati

Abteilung für Agrarindustrietechnologie, Fakultät für Agrartechnik und -technologie, IPB-Universität (Bogor Agricultural University), Bogor, West-Java, Indonesien

Marimin

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Suharjito: Designforschung, Untersuchung, Finanzierungsbeschaffung, Datenerfassung, Datenaufbereitung, Manuskriptentwurf geschrieben; Franz Adeta Junior: Datenkuration, schrieb ersten Entwurf, Softwareentwicklung und Validierungsdatensatz; Yosua Putra Koeswandy: Softwareentwicklung, Datenkennzeichnung und Validierungsdatensatz; Debi: Datenkennzeichnungs- und Validierungsdatensatz; Pratiwi Wahyu Nurhayati: Datensatz zur Datenkennzeichnung und -validierung; Muhammad Asrol: Schreiben – Rezension und Bearbeitung; Marimin: Datenkuration und -validierung.

Korrespondenz mit Suharjito.

Die Autoren erklären, dass sie keine konkurrierenden Interessen oder persönlichen Beziehungen haben, die die in diesem Artikel beschriebene Arbeit hätten beeinflussen können.

Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Suharjito, Junior, FA, Koeswandy, YP et al. Kommentierte Datensätze von Haufen von Ölpalmenfrüchten zur Reifegradbewertung mithilfe von Deep Learning. Sci Data 10, 72 (2023). https://doi.org/10.1038/s41597-023-01958-x

Zitat herunterladen

Eingegangen: 04. Oktober 2022

Angenommen: 11. Januar 2023

Veröffentlicht: 04. Februar 2023

DOI: https://doi.org/10.1038/s41597-023-01958-x

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt