Resumen

En el sistema de gestión inteligente de la calidad del Panax notoginseng, las raíces grandes y las raíces fibrosas no se pueden cortar automáticamente porque la máquina no puede distinguir la raíz primaria, las raíces grandes y las raíces fibrosas del Panax notoginseng, lo que hace que el mecanismo de corte automático no pueda obtener la referencia de coordenadas de la trayectoria de control del avance de la herramienta. Para resolver este problema, este trabajo propone un método de detección de modelos de red óptimos visuales, que utiliza el método de detección de imágenes de marcado de marcos de anclaje para mejorar la precisión de la detección. Una variedad de modelos de red de aprendizaje profundo son modificados por el marco TensorFlow, y el mejor modelo de entrenamiento se optimiza comparando los resultados de los datos de entrenamiento, prueba y verificación. Este modelo se utiliza para identificar automáticamente las raíces de los grifos y proporcionar la referencia de coordenadas de la trayectoria de control para el actuador que corta automáticamente las raíces grandes y las raíces fibrosas. Los resultados experimentales muestran que el modelo de red óptimo estudiado en este trabajo es eficaz y preciso para identificar las raíces primarias del Panax notoginseng.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:raíz grande, raíz fibrosa, modelo de red óptimo, panax notoginseng, mecanismo de corte automático, modelo de red de aprendizaje, raíz panax, raíz panax, sistema de gestión inteligente, resultados del entrenamiento
• Keywords:big root, fibrous root, optimal network model, panax notoginseng, automatic cutting mechanism, learning network model, taproot of panax, root of panax, intelligent management system, results of training