Bepaling van vers- en drooggewicht van sla op basis van RGB-camerabeelden met een convolutional neural network (CNN)
Het doel van deze scriptie was om de mogelijkheden te onderzoeken voor het gebruik van CNN's met RGB-afbeeldingen voor de bepaling van het vers- en drooggewicht van sla gedurende een gehele teeltronde onder praktijkomstandigheden.
Van verschillende sla-cultivars (Emeldia RZ, Limambo RZ en Volumia) werden RGB
afbeeldingen verzameld. De cultivars Emeldia RZ en Limambo RZ werden elks twee keer zelf opgekweekt om slaplanten afkomstig van twee verschillende teeltrondes te bekomen. Daarnaast waren de slaplanten van de cultivar Volumia afkomstig van een externe slateler en van éénzelfde teeltronde. Van de slaplanten werden RGB-afbeeldingen verzameld onder een camerahoek van 0°, 45° en 90° ten opzichte van het grondoppervlak. Na verzameling van de RGB-afbeeldingen van de slaplanten werd een CNN-model ontworpen met het meest accurate
schattingsvermogen. Tenslotte werd het schattings- en generalisatievermogen van het
ontwikkelde CNN-model onderzocht.
De resultaten tonen aan dat het meest accurate CNN-model, afgestemd op een relatief kleine dataset, bestond uit 5 convolutielagen en volgende hyperparameters: een leerfrequentie van 0,001; een batchgrootte van 10 en 200 epochs. Het ontwikkelde model schat het vers- en drooggewicht van sla accuraat, met R2 ~ 0,92 – 0,97 en NRMSE ~ 0,19 – 0,34, voor cultivars die in de trainingsdata aanwezig zijn en onder gelijkaardige omstandigheden werden geteeld, mits voldoende trainingsdata. De schattings- en generalisatieprestaties variëren echter sterk
per cultivar, mogelijks door morfologische verschillen. Het model toont een zekere robuustheid voor variatie in camerahoeken, al resulteerden de beelden onder een camerahoek van 45° en 90° in de beste schattingen.
Meer lezen