در چین، برداشت گوجه فرنگی در جهان عمدتاً به کار دستی متکی است و هزینه کار حدود 50 تا 60 درصد از کل هزینه تولید گوجه فرنگی را تشکیل می دهد.
توسعه سریع و استفاده گسترده از ربات های برداشت به دلیل راندمان بالای برداشت و هزینه های نگهداری پایین آنهاست. با این حال، توسعه یک سیستم بینایی به اندازه انسان هوشمند برای تشخیص بسیار دشوار است.
مشکلات زیادی وجود دارد که باید حل شوند، مانند روشنایی ناهموار در محیط بدون ساختار، انسداد میوه توسط ساقه اصلی، همپوشانی میوه و سایر عوامل غیرقابل پیش بینی.
بنابراین، مطالعه تشخیص گوجه‌فرنگی اهمیت عملی بسیار مهمی برای افزایش دقت موقعیت‌یابی و سازگاری محیطی ربات‌های برداشت دارد.
از سال 1990، تلاش زیادی در زمینه فناوری تشخیص بصری برای انتخاب ربات ها در سراسر جهان انجام شده است. مجموعه ای از الگوریتم های سنتی تشخیص و تشخیص میوه با موفقیت پیشنهاد شد.
کوندو، ژانگ، یین، و همکاران از تفاوت ویژگی رنگ بین گوجه فرنگی بالغ و شاخه یا برگ برای شناسایی گوجه فرنگی بالغ استفاده کرد.
با استفاده از تقسیم بندی آستانه، به طور متوسط به میزان دقت 97.5 درصد دست یافت، اما در تشخیص گوجه فرنگی نابالغ ناموفق بود.
ژائو، فنگ و همکاران [7،8] روش‌های تقسیم‌بندی گوجه‌فرنگی بالغ بر اساس فضای رنگی، مانند فضای HIS و Lab را پیشنهاد کردند. با این حال، این الگوریتم‌ها به شدت بر اثربخشی روش تقسیم‌بندی آستانه و فضای رنگی تکیه داشتند.
کریژفسکی و همکاران معماری شبکه عصبی کانولوشنال را پیشنهاد کرد که از مهندسی ویژگی های پیچیده اجتناب کرد و الزامات پیش پردازش تصویر را کاهش داد.
CNN در توانایی یادگیری ویژگی ها بهتر از روش های سنتی رفتار کرد. تنظیمات ساختاری را بر اساس شبکه عصبی کانولوشنال VGGNet انجام داد که می‌توان آن را به ده اندام گوجه‌فرنگی طبقه‌بندی کرد و نرخ خطای طبقه‌بندی همگی کمتر از 6.392 درصد بود.
دیدگاه شما با موفقیت ثبت شد.