A Comparison of Convolutional Neural Networks and Feature-based Machine Learning Methods for the Ripeness Classification of Strawberries

Autor/innen

  • Leon Binder Technologie Campus Grafenau, Technische Hochschule Deggendorf
  • Michael Scholz Technologie Campus Grafenau, Technische Hochschule Deggendorf
  • Roman-David Kulko Technologie Campus Grafenau, Technische Hochschule Deggendorf

DOI:

https://doi.org/10.25929/bjas202285

Schlagworte:

Reifegradklassifizierung, Computer Vision, Maschinelles Lernen

Abstract

Für die Reifedetektion von Obst und Gemüse anhand von Bilddaten werden häufig verschiedene Methoden des maschinellen Lernens eingesetzt. Bestehende Forschung in diesem Bereich konzentriert sich oft nur auf das Training von merkmalsbasierten Klassifikatoren oder auf die Verwendung von Rohbildern mit Convolutional Neural Networks. Ziel dieser Publikation ist es, beide Ansätze in Bezug auf ihre Klassifikationsgenauigkeit zu vergleichen. Um unsere Forschungsfrage zu beantworten, analysieren wir die Leistung von Convolutional Neural Networks und verschiedenen merkmalsbasierten Klassifikatoren auf einem balancierten Datensatz, der aus drei Reifeklassen von Erdbeeren besteht: unreif, reif und überreif. Unsere Untersuchung zeigt, dass Convolutional Neural Networks fast alle merkmalsbasierten Klassifikatoren übertreffen. Die penalisierte multinomiale Regression erreicht jedoch die beste Genauigkeit von 86,27 % ohne jegliches Hyper-Parameter-Tuning. Eine weitere Erkenntnis ist, dass unterschiedliche Methoden zur besten Genauigkeit für unterschiedliche Reifeklassen führen. Convolutional Neural Networks klassifizieren unreife Erdbeeren am genauesten, während reife Erdbeeren am besten durch die penalisierte Diskriminanzanalyse und überreife Erdbeeren am besten durch die penalisierte multinomiale Regression klassifiziert werden.

Autor/innen-Biografien

Leon Binder, Technologie Campus Grafenau, Technische Hochschule Deggendorf

Leon Binder studierte Wirtschaftsinformatik an der Technischen Hochschule Deggendorf (THD). Seit 2019 ist er als wissenschaftlicher Mitarbeiter im Team „Business Data Analytics & Optimization“ am Technologie Campus Grafenau im Bereich Datenanalyse, Maschinelles Lernen und Computer Vision tätig.

Michael Scholz, Technologie Campus Grafenau, Technische Hochschule Deggendorf

Michael Scholz leitet das Forschungsteam „Business Data Analytics and Optimization“ am Technologie Campus Grafenau der Technischen Hochschule Deggendorf. In seiner Forschung untersucht er Methoden zur Analyse von Unternehmensdaten und ökonomische Effekte insbesondere von E-Commerce-Anwendungen. Er ist Autor einer Vielzahl von Veröffentlichungen in wissenschaftlichen Zeitschriften wie dem European Journal of Operational Research, Decision Support Systems, dem Journal of Statistical Software, Electronic Markets und Business & Information Systems Engineering.

Roman-David Kulko, Technologie Campus Grafenau, Technische Hochschule Deggendorf

Roman-David Kulko ist wissenschaftlicher Mitarbeiter in der Forschungsgruppe "Applied Artificial Intelligence" des Technologie Campus Grafenau. Seine Forschungsinteressen sind die interdisziplinäre angewandte Spektroskopie und maschinelles Lernen.

Veröffentlicht

2022-03-30