土豆缺陷识别数据集，使用yolo，pasical voc xml,coco json格式标注，8034张图片，识别率在81.2%，可识别损坏的土豆缺陷土豆，病菌感染的土豆，正常土豆等

项目概况：

马铃薯检测标签项目旨在开发一种智能系统，该系统可以检测和分类不同类型的马铃薯并对其质量进行评级。通过利用计算机视觉和机器学习技术，该项目旨在实现马铃薯分类过程的自动化，确保农业行业高效、准确地进行分类。

类别：

  1. 马铃薯：此等级代表正常、健康的马铃薯，没有任何发芽、损坏或缺陷的迹象。这些马铃薯被认为是高品质的，适合各种烹饪用途。
  2. 发芽土豆：此类土豆包括已开始发芽的土豆。发芽发生在土豆自然生长的过程中，虽然不会使土豆变得不可食用，但会影响其口感和质地。与未发芽的土豆相比，发芽土豆的品质通常较低。
  3. 损坏的马铃薯：此类马铃薯包括物理损坏的马铃薯，导致割伤、擦伤或其他可见损伤。损坏的马铃薯可能已经破坏了结构完整性，并且通常会降低质量。
  4. 缺陷马铃薯：此类马铃薯有各种缺陷，但不属于“损坏”类别。缺陷可能包括形状不规则、变色、生长模式异常或其他瑕疵。缺陷马铃薯通常因其外观而被认为具有较低的市场价值，但仍可用于加工目的。


8034总图像数 



数据集分割



训练组89％        7188图片



有效集7%        576图片



测试集3%        270图片


预处理



调整大小： 适合（黑边）640x640



修改类别： 0 个重新映射，2 个删除



过滤空值： 要求所有图像都包含注释。


增强



每个训练示例的输出： 3



翻转： 水平、垂直



90° 旋转： 顺时针、逆时针、上下颠倒



旋转： -8° 至 +8° 之间



模糊： 最多 1px



噪音： 高达 1% 的像素



边界框：翻转： 水平、垂直






土豆缺陷识别数据集，使用yolo，pasical voc xml,coco json格式标注，8034张图片，识别率在81.2%，可识别损坏的土豆缺陷土豆，病菌感染的土豆，正常土豆等_人工智能


发芽的土豆：


土豆缺陷识别数据集，使用yolo，pasical voc xml,coco json格式标注，8034张图片，识别率在81.2%，可识别损坏的土豆缺陷土豆，病菌感染的土豆，正常土豆等_自动化_02


正常的土豆：


土豆缺陷识别数据集，使用yolo，pasical voc xml,coco json格式标注，8034张图片，识别率在81.2%，可识别损坏的土豆缺陷土豆，病菌感染的土豆，正常土豆等_数据集_03


损坏的土豆


土豆缺陷识别数据集，使用yolo，pasical voc xml,coco json格式标注，8034张图片，识别率在81.2%，可识别损坏的土豆缺陷土豆，病菌感染的土豆，正常土豆等_顺时针_04


发芽的土豆


土豆缺陷识别数据集，使用yolo，pasical voc xml,coco json格式标注，8034张图片，识别率在81.2%，可识别损坏的土豆缺陷土豆，病菌感染的土豆，正常土豆等_顺时针_05

土豆缺陷识别数据集，使用yolo，pasical voc xml,coco json格式标注，8034张图片，识别率在81.2%，可识别损坏的土豆缺陷土豆，病菌感染的土豆，正常土豆等_自动化_06


有缺陷的堵头


土豆缺陷识别数据集，使用yolo，pasical voc xml,coco json格式标注，8034张图片，识别率在81.2%，可识别损坏的土豆缺陷土豆，病菌感染的土豆，正常土豆等_数据集_07

土豆缺陷识别数据集，使用yolo，pasical voc xml,coco json格式标注，8034张图片，识别率在81.2%，可识别损坏的土豆缺陷土豆，病菌感染的土豆，正常土豆等_顺时针_08


有病菌的堵头


土豆缺陷识别数据集，使用yolo，pasical voc xml,coco json格式标注，8034张图片，识别率在81.2%，可识别损坏的土豆缺陷土豆，病菌感染的土豆，正常土豆等_数据集_09


土豆缺陷识别数据集，使用yolo，pasical voc xml,coco json格式标注，8034张图片，识别率在81.2%，可识别损坏的土豆缺陷土豆，病菌感染的土豆，正常土豆等_数据集_10