基于集成学习的机械破瓣后大蒜破损程度检测

摘要

为解决大蒜破瓣过程中破损情况难以检测，设备参数无法及时调整以降低破损率的问题，构建了基于压力信号的大蒜破损检测模型，采用轻量化garlic pressure information feature extraction(GPIFE)模块提取压力图像特征，将特征矩阵分别输入极端梯度提升(extreme gradient boosting, XGBoost)、随机森林(random forest, RF)和轻量级梯度提升机(light gradient boosting machine, LightGBM)等3种分类算法，通过硬投票方式获得最终分类结果，实现对大蒜轻度、中度和重度破损的精准识别。结果表明：该集成学习模型在3类破损程度上的预测准确率最高可达89.0%,召回率最高可达100.0%,整体性能显著优于单一分类算法(XGBoost准确率为86.8%,RF为82.4%,LightGBM为76.9%)。结合GPIFE模块特征提取的集成学习方法能够有效提升大蒜破损检测的准确性与稳定性，为大蒜破瓣过程的质量监测与设备优化提供技术参考。

关键词

智慧农业 / 大蒜 / 集成学习 / 机械破瓣 / 破损程度