ОБУЧЕНИЕ МОДЕЛИ YOLO ДЛЯ РАСПОЗНАВАНИЯ ЛЕДЕНЦОВ HALLS С ПОМОЩЬЮ MAIXDUINO
DOI:
https://doi.org/10.52167/1609-1817-2024-130-1-353-362Ключевые слова:
MaixDuino, YOLOv2, распознавание, машинное зрение, обработка изображений, промышленная сортировкаАннотация
В данном исследовании рассматривается использование платы разработки MaixDuino для распознавания трех различных сортов леденцов (конфет). Этап обучения проводился на платформе MaixHub, представляющей собой комплексную экосистему, объединяющую сервисы ИИ-моделей и взаимодействие с сообществом. Работая в тандеме с моделью YOLOv2, MaixDuino прошла пять итераций обучения, постепенно улучшая свои характеристики. Наибольшего внимания заслуживает пятая, заключительная тренировка, показавшая оптимальную точность. Исследование показало, что модель демонстрирует отличные результаты в реальных условиях, особенно при хорошем освещении и отсутствии бликов. Предполагается, что данная система обнаружения леденцов будет интегрирована в процесс сортировки с использованием комбинации ленточного конвейера и дельта-манипулятора. Данное исследование вносит существенный вклад в развитие технологий обнаружения леденцов, демонстрируя эффективность платы разработки MaixDuino в сочетании с моделью YOLOv2. Результаты исследования подчеркивают возможность применения данной системы в промышленных условиях, где надежная и эффективная сортировка конфет имеет первостепенное значение.
Библиографические ссылки
[1] Elwakeel A.E., Mazrou Y.S.A., Tantawy A.A., Okasha A.M., Elmetwalli,A.H., Elsayed S., Makhlouf A.H. Designing, Optimizing, and Validating a Low-Cost, Multi-Purpose, Automatic System-Based RGB Color Sensor for Sorting Fruits. Agriculture 2023, 13, 1824. https://doi.org/10.3390/agriculture13091824
[2] Liu F., Chen J., Qin D., Wang T. Research on Appearance Detection, Sorting, and Regrouping Technology of Retired Batteries for Electric Vehicles. Sustainability 2023, 15, 15523. https://doi.org/10.3390/su152115523
[3] Nuño-Maganda M.A., Dávila-Rodríguez I.A., Hernández-Mier Y., Barrón-Zambrano J.H., Elizondo-Leal J.C., Díaz-Manriquez A., Polanco-Martagón S. Real-Time Embedded Vision System for Online Monitoring and Sorting of Citrus Fruits. Electronics 2023, 12, 3891. https://doi.org/10.3390/electronics12183891
[4] Liu Z., Wang L., Liu Z., Wang X., Hu C., Xing, J. Detection of Cotton Seed Damage Based on Improved YOLOv5. Processes 2023, 11, 2682. https://doi.org/10.3390/pr11092682
[5] Lv Z., Chen T., Cai Z., Chen Z. Machine Learning-Based Garbage Detection and 3D Spatial Localization for Intelligent Robotic Grasp. Appl. Sci. 2023, 13, 10018. https://doi.org/10.3390/app131810018
[6] Hulens D., Van Ranst W., Cao Y., Goedemé T. Autonomous Visual Navigation for a Flower Pollination Drone. Machines 2022, 10, 364. https://doi.org/10.3390/machines10050364
[7] Vignesh S., Vishnupriya G., Swetha P., Elakkiya, B. Fire detection and extinguisher system using image processing. International Research Journal of Engineering and Technology 2023, 10, 6.
[8] Rafika A. S., Warnar H. L. H. S., Saputra M. A. An application of mask detector for prevent Covid-19 in public services area. In Journal of Physics: Conference Series, November 2020, (Vol. 1641, No. 1, p. 012063). IOP Publishing.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2024 Абу-Алим Аязбай, Гани Сергазин, Сандугаш Оразалиева, Бахытжан Байкенов
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
