उच्च-परिशुद्धता तपासणी प्रणालीसह एआयने बटाटा ग्रेडिंगमध्ये क्रांती घडवली

उच्च-परिशुद्धता तपासणी प्रणालीसह बटाट्याच्या प्रतवारीत एआयने क्रांती घडवली

हुनान कृषी विद्यापीठातील संशोधकांनी बटाट्याच्या प्रतवारीची श्रम-केंद्रित प्रक्रिया स्वयंचलित करण्यासाठी डिझाइन केलेले एक प्रगत एआय मॉडेल विकसित केले आहे, त्यामुळे कृषी तंत्रज्ञानातील एक प्रगती बटाटा उद्योगात परिवर्तन घडवून आणण्यासाठी सज्ज आहे. YOLO-MTP नावाची ही नवीन प्रणाली एकाच वेळी पृष्ठभागावरील दोष ओळखून आणि कंद वापरासाठी किंवा बियाण्यासाठी योग्य आहे की नाही हे ठरवून गुणवत्ता नियंत्रणातील दीर्घकालीन आव्हानांना तोंड देते.

पारंपारिक मर्यादांवर मात करणे

पारंपारिकपणे, बटाट्याचे वर्गीकरण ही मानवी चुकांना बळी पडण्याची एक संथ प्रक्रिया आहे, विशेषतः जेव्हा हजारो युनिट्स कन्व्हेयर बेल्टवरून खाली जातात. विद्यमान स्वयंचलित प्रणाली अनेकदा मल्टीटास्क करण्यासाठी संघर्ष करत असताना, YOLO-MTP सहा सामान्य समस्या शोधून उत्कृष्ट कामगिरी करते: खरुज, वर्महोल, अंकुर येणे, यांत्रिक नुकसान, कोरडे कुजणे आणि जखम. चाचणी दरम्यान, मॉडेलने व्यावसायिक उत्पादन रेषांसाठी योग्य रिअल-टाइम प्रक्रिया गती राखून उल्लेखनीय 96% अचूकता दर प्राप्त केला.

स्केलवर अचूकता

ओव्हरलॅपिंग किंवा सूक्ष्म दोषांवर "लक्ष केंद्रित" करण्याची एआयची क्षमता मागील तंत्रज्ञानांपेक्षा वेगळी करते. या अचूकतेमुळे उत्पादक आणि पॅकर्सना बाजारपेठेतील वर्ग किंवा साठवण क्षमतेनुसार पिकांची क्रमवारी लावता येते, न की कामकाज मंदावते. तात्काळ कार्यक्षमतेव्यतिरिक्त, हे तंत्रज्ञान सध्या सुरू असलेल्या कामगार कमतरतेवर उपाय देते आणि समस्याग्रस्त कंद लवकर ओळखून बियाणे साठ्यात रोगाचा प्रसार रोखण्यास मदत करते.

निष्कर्ष

सध्या संशोधन टप्प्यात असताना, YOLO-MTP मॉडेल डिजिटल शेतीसाठी एक महत्त्वपूर्ण झेप दर्शवते. जटिल शोध आणि वर्गीकरण एकाच, हाय-स्पीड चरणात एकत्रित करून, हे AI टूलकिट कचरा कमी करण्याचे, खर्च कमी करण्याचे आणि ग्राहक आणि शेतकऱ्यांसाठी उच्च-गुणवत्तेच्या बटाट्यांचा अधिक सातत्यपूर्ण पुरवठा सुनिश्चित करण्याचे आश्वासन देते. भविष्यातील पुनरावृत्ती त्वरित शेत मूल्यांकनासाठी ही शक्तिशाली निदान साधने थेट शेतकऱ्यांच्या स्मार्टफोनवर आणू शकतात.