KI zur Erkennung reifer Früchte mit menschlicher Genauigkeit

KI zur Erkennung reifer Früchte mit menschlicher Genauigkeit

Case Study ansehen
Herausforderung

SeeTree ist ein führender Anbieter im Agritech-Bereich, der Technologien für die Landwirtschaft entwickelt. Der primäre Fokus von SeeTree ist die Überwachung des Fruchtstandes von Bäumen, um deren Produktivität zu steigern. Dies erfordert ein System zur automatischen Erkennung von reifen Früchten unter Verwendung maschineller Lerntechniken.

SeeTree ist eine Partnerschaft mit Ciklum eingegangen, um diese Aufgabe per Deep-Learning-Methoden zu lösen, was als fortschrittlichster Ansatz für Bilderkennungsaufgaben gilt.

Der Prototyp mit nahezu menschlicher Genauigkeit wurde innerhalb von nur zwei Monaten entwickelt.

  1. ok_iconCreated with Sketch.
    Entwicklung eines KI-Prototypen zur Analyse von Obst mit nahezu menschlicher Leistung
  2. ok_iconCreated with Sketch.
    Trainierbarkeit des Systems auf verschiedene Obstsorten
  3. ok_iconCreated with Sketch.
    Ausgangspunkt für Reifeerkennungssysteme in der Zukunft
Lösung

Ciklums Team erfahrener F&E-Experten musste eine Lösung finden, um die folgenden Herausforderungen zu überwinden:

  1. Kleiner Datensatz (~500 Fotos mit Anmerkungen). Es war unmöglich, neue Daten zu sammeln, da die Orangen nicht in Saison waren.
  2. Hoher Störpegel in den Datensatzanmerkungen. Die Anmerkungen zu manchen Bildern enthielten nicht die benötigten Daten. Einige Begrenzungsrahmen waren nicht präzise genug.
  3. Der Datensatz enthielt Fotoduplikate mit abweichenden Beschriftungen.
  4. Ein hoher Verdeckungsgrad in manchen Bildern machte es schwierig, Instanzen zu trennen.

Datenaufbereitung

Fotoduplikate, Bilder mit unbeschrifteten Orangen oder ungültigen Polygonen etc. wurden aus dem Datensatz herausgefiltert. Der resultierende Datensatz wurde in Lern-/Validierungs-/Testsätze aufgeteilt, geschichtet nach der Anzahl von Orangen pro Bild.

Es ist erwähnenswert, dass die Früchte auf den Fotos eine große Farbtonvielfalt hatten, aber hauptsächlich unterschiedliche Gelb-, Orange- und Grüntöne. Dies machte die Aufgabe komplexer, da es schwieriger ist, zwischen unterschiedlichen Tönen einer Farbe in unterschiedlichen Lichtbedingungen zu unterscheiden, als zwischen separaten Farben
Igor Krashenyi, PhD
Senior Research Engineer, Ciklum
Modellarchitektur

Das beste Ergebnis wurde mit der Faster R-CNN-Architekturfamilie erzielt. Dieses Modell war zu diesem Zeitpunkt ein moderner Ansatz zum Lösen von Objekterkennungsaufgaben. Faster R-CNN ist ein zweistufiges Objekterkennungssystem, bei dem die erste Stufe mittels eines Faltungsneuralnetzwerkes einen spärlichen Satz von Kandidatenobjekt-Orten generiert und die zweite Stufe jeden Kandidatenort als eine der Vordergrundklassen oder als Hintergrund klassifiziert.

Die Forschung und Experimente von Ciklums F&E-Team zeigte, dass Faster R-CNN mit dem FPN Inception-ResNetV2-Backbone die beste Lösung für dieses Problem ist und die beste Leistung erzielte.

Faster R-CNN-Architektur
Leistungen

Das beste Ergebnis wurde mit dem Faster R-CNN mit FPN InceptionResNetV2-Backbone erzielt. Die Leistung unter Verwendung der mAP-Metrik betrug ca. 85 %. Die folgende Abbildung zeigt die vorhergesagten Begrenzungsrahmen (rote Quadrate – Beschriftungen, grüne Quadrate – vorhergesagte Begrenzungsrahmen).

Ciklums Prototyp bot folgende Vorteile:

  • Erkennung reifer Früchte mit hoher Genauigkeit, selbst wenn diese verdeckt sind,
  • Zur Erkennung von Orangen ausgelegt, kann jedoch auch leicht auf andere Obstsorten trainiert werden,
  • Übertrifft in den meisten Fällen die menschliche Leistung.
Video ansehen
Wir hatten eine ziemlich gute Vorstellung davon, wie der Obstbaumanbau noch effizienter und profitabler gestaltet werden kann. [...] Trotz aller Herausforderungen, stellte Ciklum uns in kürzester Zeit ein Modell bereit, welches das Obst auf einem Bild so gut identifizieren kann wie ein Mensch
Ori Shachar
CTO, SeeTree
Lesen Sie die nächste Story

Ein tragbarer Gesundheits Überwachungsgerät-Prototyp

Mehr lesen
Was ist Ihre Herausforderung? Lassen Sie uns Ihnen mit unserer Erfahrung bei der Lösung helfen.
Datei hochladen

(Dateianforderungen: pdf, doc, docx, rtf, ppt, pptx)

Wenn Sie das ausgefüllte Kontaktformular absenden, werden Ihre persönlichen Daten von der Ciklum Group und ihren Tochtergesellschaften weltweit verarbeitet. Bitte lesen Sie unsere Datenschutzerklärung für weitere Informationen. Wenn Sie Fragen zu Ihren Rechten haben oder später Ihre Einwilligung widerrufen möchten, senden Sie uns bitte Ihre Anfrage.

Karriere
Hier finden Sie Jobangebote an unseren Standorten weltweit.
offene Stellen
Presseanfragen
Kontaktieren Sie uns gern für Presseanfragen zu Ciklum.
press@ciklum.com