Automatisierte Bewertung von rotem Ginseng unter Verwendung von DenseNet121 und Bildvorverarbeitungstechniken

Roter Ginseng ist ein gedämpfter und getrockneter Ginseng, der mehr funktionale Eigenschaften und eine längere Haltbarkeit aufweist. Roter Ginseng wird nach Aussehen und innerer Qualität bewertet. Diese konventionelle Methode hat jedoch hohe Kosten in Bezug auf Zeit und Personal und hat den Nachteil subjektiver Bewertungsergebnisse. Daher wurde die Methode des Convolutional Neural Network (CNN) vorgeschlagen, um den Bewertungsprozess von rotem Ginseng zu automatisieren, die Vorverarbeitung zu optimieren, ein genaues und effizientes Deep-Learning-Modell auszuwählen und die Machbarkeit der Bewertung allein auf Basis von externen Qualitätsinformationen zu erkunden, ohne interne Qualitätsmerkmale zu berücksichtigen. In dieser Studie wurde der Einfluss von fünf unterschiedlichen Vorverarbeitungsmethoden untersucht, einschließlich RGB, Binär, Grau, kontrastbegrenzter adaptiver Histogrammausgleich (CLAHE) und Gaußsche Unschärfe, auf die Bewertungsgenauigkeit von Bildern rotem Ginseng. Darüber hinaus wurde eine vergleichende Analyse der Leistung von vier verschiedenen Modellen durchgeführt, bestehend aus einem CNN-Modell und drei Transfer-Lern-Modellen, die VGG19, MobileNet und DenseNet121 waren. Unter ihnen wies DenseNet121 mit CLAHE-Vorverarbeitung die beste Leistung auf; seine Genauigkeit im Testdatensatz 2 betrug 95,11%. Dieses Ergebnis legt nahe, dass Techniken des maschinellen Lernens eine objektive und effiziente Lösung für den Bewertungsprozess von rotem Ginseng ohne eine Untersuchung der inneren Qualität bieten können.