Blob analysis for dimentional features and shape defect extraction in agri-food production

This document deals with quality inspection of aubergine slices through the analysis of RGB images: localisation, classification, and features extraction. A deep learning neural network named “Yolov8” has been coupled with Radom Forest in order to localise/classify the targets and extracting the BLOBs; the results for localization are excellent while the poor classification performances confirm the difficulties experienced by image oriented neural networks when played to distinguish similar objects and feed with insufficient material. Feature analysis revealed high potential for classification. The proposed workflow is prone to be used in early stages of those processes that intend to implement an online non-contact sorting technique based on deep learning imaging.

Questo documento tratta l’ispezione qualitativa delle fette di melanzana attraverso l’analisi di immagini RGB: localizzazione, classificazione ed estrazione di caratteristiche. Una rete neurale conosciuta come “Yolov8” è stata utilizzata insieme a “Random Forest” con l’obbiettivo di localizzare/classificare i bersagli ed estrarre i BLOBs, i risultati dell’attività di localizzazione sono eccellenti, tuttavia, le scarse prestazioni in fase di classificazione confermano la difficoltà affrontate da queste reti neurali quando chiamate a distinguere classi simili, lo stesso succede quando il materiale a loro disposizione è insufficientemente elevato. L’analisi delle caratteristiche a dimostrato un buon potenziale per l’attività di classificazione. Il workflow proposto può essere utilizzato nelle fasi iniziali di quei processi che intendono implementare lo smistamento di oggetti basato sull’apprendimento profondo di immagini.