В мире сельского хозяйства технологии нейросетей начинают играть ключевую роль в оптимизации процессов, включая сортировку сельскохозяйственных культур [1–3].
Одним из примеров их применения является распознавание клубней картофеля с использованием инструментов Lobe от Microsoft и TensorFlow [4].
Современное развитие технологий приводит к широкому внедрению методов машинного обучения в различные отрасли. Новейшие инновации, такие как использование технологии TensorFlow и Lobe Microsoft для распознавания клубней картофеля, не только улучшают эффективность процесса, но и открывают новые перспективы в области сельского хозяйства [5, 6]. Рассмотрим, как эти современные инструменты и нейросети изменяют подход к сортировке сельскохозяйственной продукции, повышая точность и оптимизируя производственные процессы.
Цель — изучить технологии машинного обучения с использованием нейросетей, разработанных на основе TensorFlow и Lobe Microsoft, для автоматизации процесса сортировки картофеля.
Задачи — изучить технологии машинного обучения нейросетей.
Применить обучение нейросети для выявления некондиционного картофеля.
Технологии машинного обучения с использованием нейросетей, разработанные на основе TensorFlow и Lobe Microsoft.
Процесс переборки и сортировки картофеля является ключевым этапом в производстве, поскольку выделение некондиционных клубней не только гарантирует качество продукции, но и помогает предотвратить распространение болезней. В настоящее время сортировка проводится вручную с визуальным осмотром каждого клубня, что требует значительных человеческих ресурсов.
Рассмотрим основные этапы обучения нейросети:
1. Создание нейросети для сортировки картофеля. Lobe Microsoft предоставляет простой интерфейс для обучения нейросетей. Важным этапом является подготовка данных. Для обучения нейросети данные были собраны из различных источников в интернете, включая изображения картофеля разного качества и сортов.
2. Оценка и применение обученной нейросети. Процесс оценки производительности нейросети включает анализ результатов предсказаний. С использованием примера кода, подобного представленному на рисунке 1, можно получить предсказания качества картофеля на основе обученной модели.