Schliebitz, AndreasGraf, HenriWamhof, TobiasTapken, HeikoGertzen, AndreasHoffmann, ChristaStein, AnthonyRuckelshausen, ArnoMüller, HenningSteckel, ThiloFloto, Helga2023-02-212023-02-212023978-3-88579-724-1https://dl.gi.de/handle/20.500.12116/40253Diese 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.deComputer VisionKartoffelQualitätsmanagementKünstliche IntelligenzAgri-FoodText/Conference Paper1617-5468