Diese Studie beschäftigt sich mit der automatischen Klassifikation von Zuckerrüben samen entsprechend ihren Sprühstufen mit RGB-Bildern. Ziel ist es, ein schnelles, praktisches und nicht-destruktives Frühwarnsystem ohne chemische Analyse zu ermöglichen. Ein Datensatz von 16.519 Samenbildern, die unter kontrollierten Lichtbedingungen aufgenommen wurden, wurde verwendet, um die Architekturen YOLOv8-CLS und YOLO11-CLS zu bewerten, einschließlich der n-, s-, m-, l- und x- Maßstabsvarianten innerhalb des Ultralytics-Frameworks. Alle Experimente wurden unter Verwendung einer 10-fachen Kreuzvalidierungsstrategie durchgeführt, wobei Modelle unter verschiedenen Batch-Größen- und Lernratenkonfigurationen trainiert wurden. Die Ergebnisse zeigen, dass beide Architekturen eine zuverlässige Leistung erzielen, mit Genauigkeitswerten von ungefähr 78–83% für YOLOv8-CLS und 80–82% für YOLO11-CLS Modelle. ROC-AUC-Werte, die konstant über 0,94 liegen, zeigen eine starke Inter-Klassen-Diskrimination. Die Analyse der Fehlklassifikationen zeigt, dass Fehler hauptsächlich zwischen visuell ähnlichen Intermediate-Behandlungsstufen auftreten, insbesondere zwischen 25% und 50%. Trotz dieser Herausforderung zeigen niedrige Log-Loss-Werte und ausgewogene Präzisions-Recall-Profile ein stabiles Entscheidungsverhalten. Insgesamt bestätigen die Ergebnisse, dass Behandlungsstufen von Zuckerrüben samen effektiv nur mit RGB-Bildern unterschieden werden können, was einen potenziell kostengünstigen und skalierbaren Ansatz für Frühwarnung und Qualitätskontrolle in Behandlungsprozesse bei Samen bietet.
Ünal et al. (Mon,) untersuchten diese Frage.