跳转到主要内容

应用于农作物的视觉人工智能模型验证

本案例提供一个服务，用于从农业图像中检测水果的算法验证。它使用带有真实注释的数据集来比较模型生成的预测与基本事实。目标是为该领域的企业提供可靠的工具，以评估其算法的准确性，而无需利益冲突。

图 1. 案例使用的商业标志。（来源： AgrospAI)

简介​

目标​

  • 提供验证服务，允许公司评估其在农业图像中检测水果的算法准确性和可靠性。
  • 确保对其产品进行公正公平的验证，由利达大学（UdL）作为第三方机构执行。
  • 促进该领域预测模型质量的提高，提倡在农业环境中负责任地使用人工智能。
  • 确保数据主权，使生产者完全控制其在农场产生的信息。

问题描述​

目前，许多公司都难以客观和可靠地验证用于分析农业图像的检测和预测算法。缺乏标准化且易于访问的评估方法导致对这些工具生成的预测质量产生疑虑。

这种缺陷影响了对人工智能和视觉技术采用的信心，限制了提高生产流程创新和改进的潜力。此外，缺乏独立的验证服务会导致利益冲突，因为评估通常由开发公司自身进行。

🔎 因此，我们需要一个中立而严格的系统来对算法有效性进行可靠的评估，为该领域提供透明客观的验证，从而促进人工智能技术在农业环境中的可靠使用。

解决方案​

图 2. 本案例中提出的解决方案的视觉图示。（来源： AgrospAI)

上图显示了所提出系统用于从农业图像中检测水果的模型验证流程。

在此系统中，各参与方贡献其人工智能模型，该模型对真实注释的数据集进行处理，以生成预测或自动检测水果。这些预测与基本事实进行比较，使用评估服务来激活性能评估模块，计算出客观指标。

通过所获得的结果，会生成详细的评估报告，该报告将交付给有兴趣验证其模型的消费者。整个过程都由中立的访问和计算提供商管理，从而确保独立、透明且无利益冲突的评估，并确保原始数据所有者对其数据保持完全控制。

农业作物验证算法​

算法功能​

该验证算法执行一个流程，该流程将视觉人工智能模型生成的预测与真实注释的农业图像数据集进行比较。为此，它基于真阳性、假阳性和假阴性检测结果生成了混淆矩阵，并计算出标准评估指标。

结果和益处​

验证结果是一个详细的报告，可以使用 HTML、JavaScript 和 Python 下载。该报告旨在提供对所评估模型性能的清晰可靠视图，包括执行摘要、应用方法论详述、混淆矩阵分析、平均指标以及与其他模型比较部分。

图 3. 应用验证算法的结果。（来源： AgrospAI)

通过该报告，公司可以客观地确定其算法的优缺点，以定量证据支持其技术决策，并朝着更负责和有效地在农业环境中采用人工智能工具迈进。