Logo des Repositoriums
 

KI-basiertes Computer-Vision-System zur Qualitäts- und Größenbestimmung von Kartoffeln

Kurzanzeige
dc.contributor.authorSchliebitz, Andreas
dc.contributor.authorGraf, Henri
dc.contributor.authorWamhof, Tobias
dc.contributor.authorTapken, Heiko
dc.contributor.authorGertzen, Andreas
dc.contributor.editorHoffmann, Christa
dc.contributor.editorStein, Anthony
dc.contributor.editorRuckelshausen, Arno
dc.contributor.editorMüller, Henning
dc.contributor.editorSteckel, Thilo
dc.contributor.editorFloto, Helga
dc.date.accessioned2023-02-21T15:13:55Z
dc.date.available2023-02-21T15:13:55Z
dc.date.issued2023
dc.description.abstractDiese Arbeit untersucht die Weiterentwicklung einer stichprobenbasierten zu einer kontinuierlichen Qualitätsmessung von Kartoffellieferungen. Das dafür entwickelte KI-basierte Computer-Vision-System lokalisiert mithilfe eines YOLOv5-Detektors Kartoffeln auf einem Förderband mit einer Genauigkeit von 0,96 mAP@[.5:.95]. Eine anschließende Qualitäts-bestimmung der detektierten Kartoffeln erfolgt mit einem EfficientNetV2-Klassifkator, der zur Familie der Convolutional Neural Networks zählt. Dieser zeigt auf einem qualitativ hochwertigen Referenzdatensatz eine Genauigkeit von 96 % auf acht Mängelklassen, welche auf dem zu erweiternden Förderband-Datensatz bei zwei Klassen auf 81 % und bei drei Klassen auf 72 % abfällt. Das Quadratmaß, Volumen und Gewicht einer Kartoffel werden über Segmentierungs-masken und Tiefenbilder approximiert. Zur echtzeitfähigen Annäherung der Geometrie wird anhand dieser Daten für jede erkannte Kartoffel ein triaxialer Ellipsoid berechnet. Weiterhin wird ein Ansatz zur Verbesserung der mit einem optimalen Schwellenwertalgorithmus berechneten Segmentierungs-masken auf Basis eines Mask R-CNN Segmentierungsmodells erarbeitet.de
dc.identifier.isbn978-3-88579-724-1
dc.identifier.pissn1617-5468
dc.identifier.urihttps://dl.gi.de/handle/20.500.12116/40253
dc.language.isode
dc.publisherGesellschaft für Informatik e.V.
dc.relation.ispartof43. GIL-Jahrestagung, Resiliente Agri-Food-Systeme
dc.relation.ispartofseriesLecture Notes in Informatics (LNI) - Proceedings, Volume P-330
dc.subjectComputer Vision
dc.subjectKartoffel
dc.subjectQualitätsmanagement
dc.subjectKünstliche Intelligenz
dc.subjectAgri-Food
dc.titleKI-basiertes Computer-Vision-System zur Qualitäts- und Größenbestimmung von Kartoffelnde
dc.typeText/Conference Paper
gi.citation.endPage230
gi.citation.publisherPlaceBonn
gi.citation.startPage219
gi.conference.date13.-14. Februar 2023
gi.conference.locationOsnabrück

Dateien

Originalbündel
1 - 1 von 1
Vorschaubild
Name:
GIL_2023_Schliebitz_219-230.pdf
Größe:
946.51 KB
Format:
Adobe Portable Document Format
Herunterladen

Sammlungen

P330 - 43. GIL-Jahrestagung 2023 - Fokus: Resiliente Agri-Food-Systeme