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

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.