Ensembles de données annotés de tas de fruits de palmier à huile pour le classement de la maturité à l'aide de l'apprentissage en profondeur

Données scientifiques volume 10, Numéro d'article : 72 (2023) Citer cet article

2091 Accès

4 Altmétrique

Détails des métriques

La qualité de l'huile de palme est fortement influencée par le niveau de maturité du fruit à transformer en huile de palme. De nombreuses études ont été menées pour détecter et classer le niveau de maturité des fruits du palmier à huile afin d'améliorer la qualité grâce à l'utilisation de la vision par ordinateur. Cependant, la plupart de ces études utilisent des ensembles de données sous forme d'images de régimes de fruits frais de palmier à huile (FFB) avec une catégorisation incomplète en fonction des conditions réelles dans les huileries de palme. Par conséquent, cette étude introduit un nouvel ensemble de données complet obtenu directement des moulins à huile de palme sous forme de vidéos et d'images avec différentes catégories en fonction des conditions réelles rencontrées par la section de classement du moulin à huile de palme. L'ensemble de données vidéo se compose de 45 vidéos avec une seule catégorie de vidéos FFB et de 56 vidéos avec une collection de FFB avec plusieurs catégories pour chaque vidéo. Les vidéos sont collectées à l'aide d'un smartphone d'une taille de 1280 × 720 pixels au format .mp4. En outre, cet ensemble de données a également été annoté et étiqueté en fonction du niveau de maturité des fruits du palmier à huile avec 6 catégories, qui sont non mûres, sous-mûres, mûres, trop mûres, grappes vides et fruits anormaux.

Pour produire une huile de palme de qualité, il faut des fruits de palme mûrs. La maturité des régimes de fruits du palmier à huile (FFB) est généralement déterminée par le nombre de fruits en vrac tombant du régime1. Par ailleurs, la maturité se voit également à la couleur du fruit du noir à l'orange. Habituellement, la détermination de la maturité du FFB se fait par inspection visuelle de la couleur du fruit. L'inspection visuelle de la maturité des couleurs présente plusieurs inconvénients lorsque le FFB est sur un grand arbre et cela dépend de la perception de l'observateur. La détection de la maturité en attendant que les fruits tombent peut entraîner des pertes de récolte. La détection de la maturité dans les grands arbres rend difficile pour les observateurs de déterminer les fruits mûrs en raison de la distance et de l'éclairage. De nombreuses études liées à la détection de la maturité des fruits du palmier à huile ont été réalisées, soit avec une approche de vision par ordinateur2,3,4,5,6,7,8,9,10,11,12 soit avec une approche par capteur de lumière13,14 ,15,16,17, mais ils n'ont pas obtenu de résultats satisfaisants en raison des caractéristiques complexes des fruits du palmier à huile, telles que la couleur inégale des fruits mûrs, les fruits du palmier à huile en régimes qui semblent petits et les différents niveaux de maturité des fruits dans certains pays. variétés. Le tableau 1 présente les résultats d'une étude visant à classer et à détecter le niveau de maturité du palmier à huile FFB. L'ensemble de données présente des limites telles qu'une catégorisation incomplète et un manque de variations FBB, ce qui le rend sensiblement différent des conditions réelles.

La recherche utilisant la vision par ordinateur est généralement effectuée sur la base de l'image d'entrée pour détecter la couleur du fruit, tandis que la recherche avec un capteur de lumière est effectuée en analysant les résultats du spectre de lumière émis vers le fruit du palmier à huile. La plupart des études précédentes utilisaient une entrée d'image de palmier à huile ou le spectre de couleurs du fruit du palmier à huile, car avec cette entrée, le processus de détection est plus efficace. Plusieurs études antérieures utilisant une approche de vision par ordinateur avec une image d'entrée ont été réalisées en utilisant la méthode SVM avec 3 classes18, à savoir cru, sous-mûr et mûr. Des recherches avec apprentissage en profondeur pour la détection de la maturité ont été menées en utilisant EfficientNet3 avec des ensembles de données d'image uniques. La détection en temps réel de la maturité du palmier à huile à l'aide de YOLOv4 avec un ensemble de données à 3 classes a été proposée19 pour le système de récolte et une autre recherche sur la détection de la maturité en temps réel lors du processus de récolte a été proposée à l'aide de YOLOv320. Sur la base des résultats de cette étude bibliographique, il n'existe pas d'ensembles de données sur le palmier à huile sous forme d'images ou de vidéos de collections ou de tas de régimes de fruits frais de palmier à huile avec différentes catégories ou catégories uniques. Cet article fournit des ensembles de données d'images et de vidéos à partir de collections ou de tas de régimes de fruits frais de palmier à huile prélevés directement dans les moulins à huile de palme du sud du Kalimantan. Dans la section de classement, des téléphones intelligents ont été utilisés avec 6 niveaux de niveaux de maturité des fruits du palmier à huile, qui sont pas mûrs, sous-mûrs, mûrs, trop mûrs, grappes vides et fruits anormaux (Fig. 1). Il existe des recherches pour détecter le palmier à huile en temps réel à l'aide de YOLOv4, les données utilisées sont des régimes de fruits frais de palmier à huile qui sont encore attachés aux arbres avec des classes mûres et non mûres11. Cependant, cette recherche n'est pas pleinement applicable car elle ne peut être utilisée que sur des plantations de palmiers à huile, alors que mener une évaluation dans une huilerie de palme nécessite plus de 2 classes pour éviter des niveaux de maturité inappropriés.

Exemples d'images du niveau de maturité du palmier à huile FFB.

Ce jeu de données est constitué de données multimodales sous forme de vidéos et d'images de régimes de fruits frais de palmier à huile avec 6 catégories qui ont été déterminées et validées par des experts dans le classement du niveau de maturité des fruits de palmier à huile dans les moulins à huile de palme. Cet ensemble de données peut être utilisé par de nombreuses parties prenantes telles que les étudiants et les chercheurs, les développeurs d'applications, les ingénieurs en apprentissage automatique et en apprentissage profond, les scientifiques des données, les agronomes et les trieurs d'huile de palme et d'autres chercheurs. Les ensembles de données sont très utiles aux développeurs d'applications pour tester les données et développer des modèles d'apprentissage automatique qui peuvent être utilisés pour créer des applications basées sur des smartphones ou des applications intégrées dans des robots ou d'autres appareils. Ces données sont également très utiles aux data scientists pour pouvoir trouver la bonne méthode de classification et de détection de la maturité des fruits. En outre, ces données sont également très utiles pour développer des algorithmes d'apprentissage en profondeur pour classer et détecter la maturité ainsi que le comptage des fruits de manière efficace et efficiente. Dans l'application du monde réel, la cohérence est requise dans l'évaluation du niveau de maturité du palmier à huile afin qu'il n'y ait pas d'erreurs dans l'estimation du niveau de maturité et causant des pertes à l'usine de traitement de l'huile de palme. Certaines propriétés des données vidéo, telles que la luminance dynamique, les objets partiellement obscurcis par d'autres objets et les flous de mouvement lors de la transition entre les images, sont identiques au fonctionnement de l'œil humain21, de sorte que la vidéo (ou l'image séquentielle) sera plus applicable dans le monde réel par rapport aux morceaux d'image qui n'ont aucun lien entre les cadres. Cet ensemble de données est une collection de vidéos sur le niveau de maturité des fruits du palmier à huile avec une seule catégorie pour chaque vidéo et plusieurs catégories pour chaque vidéo. Un exemple d'ensemble de données avec une seule catégorie pour chaque vidéo peut être vu sur la Fig. 2, tandis qu'un exemple de données avec plusieurs catégories pour chaque image peut être vu sur la Fig. 3. En utilisant une combinaison de plusieurs catégories, l'ensemble de données peut produire un apprentissage automatique conforme aux conditions réelles sur le terrain afin d'obtenir de meilleures performances du modèle par rapport à l'utilisation de jeux de données avec une seule catégorie.

Exemple de piles FFB de palmier à huile pour une seule catégorie par image.

Exemples de tas de grappes de fruits frais de palmier à huile pour plusieurs catégories par image. (A) 1 vide, 1 mûr et 1 non mûr ; (B) 2 vides et 2 non mûrs ; (C) 1 vide, 1 mûr et 1 non mûr ; (D) 2 mûrs et 2 trop mûrs ; (E) 1 pas mûr et anormal ; (F) 1 fruit mûr, 1 vide et 2 fruits anormaux.

L'ensemble de données a été collecté auprès de certaines huileries de palme dans la section sur le classement du niveau de maturité des fruits du palmier à huile dans le sud de Kalimantan, en Indonésie. Des grappes de fruits frais de palmier à huile avec différents niveaux de maturité ont été collectées et enregistrées à l'aide d'un smartphone sur le fond du sol en béton et en ciment dans la cour de l'usine. La stratégie d'enregistrement utilise la rotation de la caméra à 360° autour du tas d'huile de palme FFB pour capturer la plupart des positions FFB. Une variation de la position du FFB peut être obtenue en tournant à 360° et peut représenter l'ensemble de l'état du niveau de maturité du palmier à huile, un exemple de la variation de position dans le FFB peut être vu sur la Fig. 4. La vidéo a été capturée tout au long la journée, entre 12h00 et 13h00, par temps ensoleillé. En raison de problèmes météorologiques qui ne sont pas toujours ensoleillés, le temps total nécessaire pour rassembler l'ensemble de données est estimé à deux mois. Ainsi, il existe plusieurs variantes différentes de FFB de palmier à huile obtenues.

Exemple de trame d'enregistrement vidéo obtenue avec la méthode 360°. Diverses positions FFB peuvent être capturées pour montrer l'état du niveau de maturité FFB du palmier à huile.

La figure 5 est un flux de prétraitement qui est exécuté pour transformer des données brutes en données prêtes à l'emploi. Les données brutes utilisées sont au format mp4 avec une résolution de 1280×720 et prises à l'aide d'un smartphone. Tous les types de classes d'objets ont été déterminés et évalués par des experts en huile de palme sur le site de classement de l'huile de palme. Les données qui peuvent être utilisées pour effectuer une formation sur le modèle d'apprentissage en profondeur se présentent sous la forme d'images. Par conséquent, nous avons extrait les images de la vidéo en images séquentielles. L'extraction d'images a été réalisée avec l'application VLC Media Player22 avec une configuration de taux d'enregistrement de 30. Elle vise à extraire 1 image toutes les 1 seconde afin que la possibilité de redondance d'image soit très faible21. La résolution de sortie résultante est de 416 × 416.

Illustration des étapes de pré-traitement des données.

Les images séquentielles avec une résolution de 416 × 416 extraites avec succès de la vidéo ont reçu une boîte englobante. Le processus de création de boîtes englobantes a été effectué à l'aide de DarkLabel23. DarkLabel est un outil pour annoter la détection d'objets, les formats d'annotation disponibles dans DarkLabel sont Pascal VOC, YOLO et Multiple Object Tracking (MOT). Au stade de pré-traitement, des boîtes englobantes ont été attribuées manuellement à chaque image pour assurer la densité entre la boîte et l'objet, l'illustration de l'annotateur de boîte englobante peut être vue sur la Fig. 6. Le format d'annotation est stocké sous la forme d'un YOLO annotation (.txt) composée de [class id, x, y, w, h] où x et y sont les coordonnées de la boîte, w est la largeur et h est la hauteur. Les résultats de chaque classe qui a reçu une boîte englobante sont stockés dans un fichier différent. La boîte englobante est donnée en créant une barrière en forme de boîte. La forme de la boîte est réorganisée de sorte que la limite entoure l'objet que vous souhaitez détecter. Le fichier d'annotation porte le même nom que le nom de l'image annotée et est placé dans le même dossier.

L'illustration de l'étiquetage et de l'annotation de Oil Palm FFB Video.

Sur la base de la Fig. 6, les données ont été enregistrées dans deux modes, à savoir l'ensemble de données vidéo et l'ensemble de données d'image. Les ensembles de données vidéo contiennent 45 fichiers de catégorie unique et 56 fichiers de FFB multi-catégories de palmier à huile. Les ensembles de données d'images ont été annotés à l'aide du logiciel Roboflow24 qui peut être utilisé comme données d'entrée pour la détection et la classification de la maturité à l'aide du modèle YOLO. Les ensembles de données sont disponibles sur Science Data Bank25. Les critères de données vidéo utilisés étaient : (1) enregistrements avec rotation à 360° de palmier à huile FFB et (2) durée de la vidéo d'environ 10 à 15 secondes. Ensuite, en fonction des critères vidéo utilisés, 1 image est extraite pour chaque seconde. Sur la base du tableau 2, le nombre total d'images extraites de la vidéo du fichier FFB du palmier à huile est de 4160 fichiers avec 14559 objets et 7171 images. Le nombre total de fichiers d'images de chaque catégorie de maturité de FFB de palmier à huile était différent de la somme des images, car chaque fichier d'image a plus d'une classe d'objets dans les tas de FFB de palmier à huile. Les ensembles de données ont été divisés en formation, validation et test de données en utilisant la composition 70:20:10 avec un total d'images de 2908 pour la formation, 835 pour la validation et 417 pour les tests. Le détail de l'image et de l'objet pour chaque catégorie peut être vu dans le tableau 2.

Pour la validation des données, il a été testé à l'aide des modèles YOLOv422 avec des hyper-paramètres comme indiqué dans le tableau 3. Pour s'adapter à l'ensemble de données, les valeurs d'hyper-paramètres telles que la largeur, la hauteur, les lots maximum et les étapes sont modifiées. Ce changement a été mis en œuvre conformément aux recommandations de la recherche initiale YOLOv426. La figure 7 montre un graphique des performances du modèle pendant la formation et la validation. Sur la base du graphique indique que la performance de la perte de validation était la convergence vers zéro et sur la base de la valeur de mAP qui se ferme à 1 indique que les modèles ont de bonnes performances. Le tableau 4 présente le résultat du test de chaque modèle YOLO utilisé. La figure 8 montre le résultat des tests du modèle avec une vidéo d'entrée d'huile de palme FFB avec plusieurs catégories de maturité. Les données utilisées pour la formation, la validation et les tests sont composées d'images consécutives extraites avec succès de la vidéo, ce qui les rend plus applicables aux applications du monde réel. La structure d'image séquentielle permet également au modèle de déterminer le niveau de développement du FFB à partir de multiples perspectives.

Carte de perte d'entraînement et de validation des modèles (a) YOLOv4-320, (b) YOLOv4-416 et (c) YOLOv4-512.

Exemple de résultat de test des modèles YOLOv4 pour la détection et la classification de la maturité de l'huile de palme avec entrée vidéo ; (a) FFB non mûr et anormal ; (b) 2 sous-maturité et 1 mûr FFB ; (c) FFB non mûrs, anormaux, mûrs et trop mûrs ; (d) FFB non mûrs et mûrs.

Malheureusement, les ensembles de données ouverts utilisés dans l'étude actuelle sur la maturité du palmier à huile ne sont pas disponibles. Comparativement, l'ensemble de données typique de la recherche actuelle tente d'augmenter la qualité et la production d'huile de palme raffinée2,3,4,5,6,8,10,11,13,15. L'ensemble de données vidéo utilisé dans cette étude, cependant, se concentre sur l'offre d'une évaluation du niveau de maturité FFB du palmier à huile, en particulier dans les installations de transformation du palmier à huile. La vidéo peut être utilisée comme ensemble de données car elle reflète étroitement des situations en temps réel, ce qui la rend plus appropriée pour les procédures de notation en temps réel. L'utilisation d'un ensemble de données vidéo et d'un algorithme de détection d'objets en temps réel peut améliorer la vitesse de détermination du niveau de maturité du palmier à huile FFB. Cependant, l'utilisation d'ensembles de données vidéo présente plusieurs défis. Par rapport à l'utilisation de photos non séquentielles, le prétraitement sera plus difficile. Ensuite, les données utilisées dans la réalisation du processus d'apprentissage deviendront plus nombreuses, ce qui pourra allonger le temps d'apprentissage du modèle. De plus, le fond contenu dans cet ensemble de données est l'arrière-cour du lieu de classement du niveau de maturité du palmier à huile de sorte que les résultats de la détection directe sur les plantations de palmiers à huile peuvent connaître une baisse de performance car le fond sur la plantation de palmiers à huile est plus complexe que le fond de l'arrière-cour de l'usine où le FFB de la maturité de l'huile de palme est classé.

L'ensemble de données existant présente certaines limites, comme suit :

L'ensemble de données se compose de classes d'images qui ne sont pas équilibrées pour chaque catégorie en raison de la disponibilité des données dans le processus de classement pour obtenir des données anormales et les régimes vides sont difficiles à obtenir de l'expédition aux moulins à huile de palme.

L'ensemble de données n'a pas été augmenté de sorte que pour obtenir de meilleures performances dans le développement du modèle, il est nécessaire de faire une augmentation de données afin d'augmenter l'ensemble de données.

Le logiciel utilisé pour traiter l'ensemble de données consiste en un logiciel permettant de convertir les données vidéo en une collection d'images à l'aide de VLC (https://www.videolan.org/index.id.html).

Le logiciel utilisé pour étiqueter et créer des cadres de délimitation d'image à l'aide de Darklabel est fourni par https://github.com/darkpgmr/DarkLabel.

Le logiciel utilisé pour convertir les données étiquetées en données prêtes à être entrées dans la modélisation traitée avec un apprentissage en profondeur est le Roboflow (https://roboflow.com/) et le logiciel utilisé pour la validation des données est le programme Python.

Chew, CL et al. L'application d'éthylène exogène sur les régimes de fruits du palmier à huile après récolte améliore la qualité de l'huile de palme brute. Sci alimentaire. Nutr. 9 (2021).

Septiarini, A., Hamdani, H., Hatta, HR & Anwar, K. Segmentation automatique d'images de fruits de palmier à huile en appliquant l'approche basée sur les contours. Sci. Hortique. (Amsterdam). 261 (2020).

Suharjito, Elwirehardja, GN & Prayoga, JS Classification de la maturité des grappes de fruits frais du palmier à huile sur les appareils mobiles à l'aide d'approches d'apprentissage en profondeur. Calcul. Électron. Agric. 188, 106359 (2021).

Article Google Scholar

Fadilah, N., Mohamad-Saleh, J., Halim, ZA, Ibrahim, H. & Ali, SSS Système intelligent de vision des couleurs pour la classification de la maturité du régime de fruits frais du palmier à huile. Capteurs (Suisse) 12 (2012).

Sabri, N., Ibrahim, Z., Syahlan, S., Jamil, N. & Mangshor, NNA Identification du degré de maturité des grappes de fruits frais à l'huile de palme à l'aide de caractéristiques de couleur. J. Fundam. Appl. Sci. 9 (2018).

Pamornnak, B., Limsiroratana, S. & Chongcheawchamnan, M. Schéma de détermination de la teneur en huile du palmier à huile post-récolte pour les appareils mobiles. Biosyst. Ing. 134 (2015).

Herman, H., Susanto, A., Cenggoro, TW, Suharjito, S. & Pardamean, B. Classification de la maturité des images des fruits du palmier à huile avec vision par ordinateur utilisant l'apprentissage en profondeur et l'attention visuelle. Journal de génie des télécommunications, électronique et informatique (JTEC) vol. 12 (2020).

Ibrahim, Z., Sabri, N. & Isa, D. Reconnaissance du classement de la maturité des grappes de fruits frais à l'huile de palme à l'aide d'un réseau neuronal convolutif. J. Télécommun. Électron. Calcul. Ing. 10 (2018).

Ishak, WIW & Hudzari, RM Modélisation basée sur l'image pour la prédiction de la maturité des fruits du palmier à huile. J. Nourriture, Agric. Environ. 8 (2010).

Zolfagharnassab, S., Shariff, ARBM, Ehsani, R., Jaafar, HZ et Aris, I. Bin. Classification des grappes de fruits frais du palmier à huile en fonction de leur maturité à l'aide de la technique d'imagerie thermique. Agriculture 12, 1779 (2022).

Article Google Scholar

Lai, JW, Ramli, HR, Ismail, LI & Hasan, WZW Détection en temps réel d'un bouquet de fruits frais de palmier à huile mûr basé sur YOLOv4. Accès IEEE 10, 95763–95770 (2022).

Article Google Scholar

Ghazali, SA, Selamat, H., Omar, Z. & Yusof, R. Techniques d'analyse d'images pour la détection de la maturité des grappes de fruits frais à l'huile de palme. Électr. J. Electr. Ing. 18 (2019).

Saeed, OMB et al. Classification des régimes de fruits frais du palmier à huile en fonction de leur maturité à l'aide d'un système de capteurs portables à quatre bandes. Calcul. Électron. Agric. 82 (2012).

Huddin, A. Une technique rapide et non destructive pour déterminer la maturité du bouquet de fruits frais du palmier à huile (FFB). J. Kejuruter. 30, 93-101 (2018).

Article Google Scholar

Makky, M. Une inspection de maturité non destructive portable à faible coût pour le palmier à huile FFB. Agric. Agric. Sci. Procédure 9 (2016).

Makky, M. & Soni, P. Évaluation in situ de la qualité des grappes de fruits frais de palmier à huile intactes à l'aide d'une approche portable rapide, sans contact et non destructive. J. Food Eng. 120 (2014).

Makky, M., Soni, P. & Salokhe, VM Système automatique d'inspection non destructive de la qualité des fruits du palmier à huile. Int. Agrophysique 28 (2014).

Septiarini, A., Hamdani, H., Hatta, HR & Kasim, AA Traitement basé sur l'image pour la classification de la maturité des fruits du palmier à huile. Actes - 2019 5e Int. Conf. Sci. Inf. Technol. Embrac. Ind. 4.0 Towar. Innov. Cyber Phys. Syst. ICSITech 2019 23–26, https://doi.org/10.1109/ICSITech46713.2019.8987575 (2019).

Junos, MH, Mohd Khairuddin, AS, Thannirmalai, S. & Dahari, M. Un modèle optimisé de détection d'objets basé sur YOLO pour le système de récolte. Processus d'imagerie IET. 15, 2112-2125 (2021).

Article Google Scholar

Mohd Basir Selvam, NA, Ahmad, Z. & Mohtar, IA Détection en temps réel des grappes d'huile de palme mûre à l'aide de l'algorithme YOLO V3. Dans la 19e conférence étudiante de l'IEEE sur la recherche et le développement : ingénierie et technologie durables vers la révolution de l'industrie, SCOReD 2021, https://doi.org/10.1109/SCOReD53546.2021.9652752 (2021).

Wang, J., Zhang, T., Cheng, Y. et Al-Nabhan, N. Apprentissage en profondeur de nouvelle génération pour la détection d'objets vidéo : une enquête. Calcul. Syst. Sci. Ing. 38, 165-182 (2021).

Article Google Scholar

Parico, AIB & Ahamed, T. Détection et comptage en temps réel des poires à l'aide de modèles YOLOv4 et de Deep SORT. Capteurs (Suisse) 21, 1–32 (2021).

Article Google Scholar

Habtemariam, LW, Zewde, ET & Simegn, GL Type de col de l'utérus et système de classification du cancer du col de l'utérus utilisant des techniques d'apprentissage en profondeur. Méd. Appareils Evid. Rés. 15, 163-176 (2022).

Article Google Scholar

Syaefudin, A., Setiawan, W., Widiatmoko, F., Sofyan, E. & Restu, RN Computer Vision with Deep Convolutional Neural Network Approach for Cold-Flow Casting Defect Detection. Dans Conférence sur la gestion et l'ingénierie dans l'industrie (CMEI) 31–36, https://doi.org/10.33555/cmei.v3i5.111 (2021).

Suharjito & Junior, FA Ensemble de données vidéo annotées sur les piles de grappes de fruits de palmier à huile pour le classement de la maturité [DS / OL]. Banque de données scientifiques https://doi.org/10.57760/sciencedb.j00001.00713 (2022).

Bochkovskiy, A., Wang, C.-Y. & Liao, H.-YM YOLOv4 : vitesse et précision optimales de la détection d'objets. (2020).

Télécharger les références

Les auteurs tiennent à exprimer leur gratitude à l'Université BINUS pour le soutien et à l'usine de palmiers à huile pour avoir soutenu la préparation des données. Cette recherche bénéficie d'une subvention de la Direction générale de l'enseignement supérieur du ministère de l'Éducation, de la Culture, de la Recherche et de la Technologie avec le numéro de contrat : 410/LL3/AK.04/2022, 126/VR.RTT/VI/2022.

Département de génie industriel, programme d'études supérieures BINUS - Master en génie industriel, Université Bina Nusantara, Jakarta, 11480, Indonésie

Suharjito et Muhammad Asrol

Département d'informatique, École d'informatique, Université Bina Nusantara, Jakarta, 11480, Indonésie

Franz Adeta Junior

Département d'informatique, Apprentissage en ligne BINUS, Université Bina Nusantara, Jakarta, 10480, Indonésie

Yosua Putra Koeswandy, Debi & Pratiwi Wahyu Nurhayati

Département de technologie agro-industrielle, Faculté de génie et de technologie agricoles, Université IPB (Université agricole de Bogor), Bogor, Java occidental, Indonésie

Marimin

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Suharjito : recherche en conception, enquête, acquisition de financement, collecte de données, préparation des données, rédaction d'un projet de manuscrit ; Franz Adeta Junior : conservation des données, rédaction de la première ébauche, développement de logiciels et ensemble de données de validation ; Yosua Putra Koeswandy : développement de logiciels, étiquetage des données et jeu de données de validation ; Debi : ensemble de données d'étiquetage et de validation des données ; Pratiwi Wahyu Nurhayati : jeu de données d'étiquetage et de validation des données ; Muhammad Asrol : rédaction—révision et édition ; Marimin : curation et validation des données.

Correspondance à Suharjito.

Les auteurs déclarent qu'ils n'ont pas d'intérêts concurrents ou de relations personnelles qui auraient pu influencer le travail rapporté dans cet article.

Note de l'éditeur Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui permet l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur n'importe quel support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Suharjito, Junior, FA, Koeswandy, YP et al. Ensembles de données annotés de tas de fruits de palmier à huile pour le classement de la maturité à l'aide de l'apprentissage en profondeur. Sci Data 10, 72 (2023). https://doi.org/10.1038/s41597-023-01958-x

Télécharger la citation

Reçu : 04 octobre 2022

Accepté : 11 janvier 2023

Publié: 04 février 2023

DOI : https://doi.org/10.1038/s41597-023-01958-x

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

Nouvelles