Melon Fruit Detection and Quality Assessment Using Generative AI-Based Image Data Augmentation

监测和管理水果的生长和质量是非常重要的任务。为了有效地训练像YOLO这样的深度学习模型，实现实时水果检测，高质量的图像数据集是必不可少的。然而，在农业领域，这样的数据集通常缺乏。生成式人工智能模型可以帮助创建高质量的图像。在本研究中，我们使用MidJourney和Firefly工具通过文本到图像、图像到图像的方法生成了甜瓜大棚和采后水果的图像。我们使用PSNR和SSIM指标评估了这些生成的图像，并测试了YOLOv9模型的检测性能。我们还评估了真实和生成水果的净质量。我们的结果表明，生成式人工智能可以产生非常类似于真实图像的图像，特别是对于采后水果。YOLOv9模型对生成的图像进行了良好的检测，净质量也是可衡量的。这表明生成式人工智能可以创建对水果检测和质量评估有用的逼真图像，显示出其在农业领域的巨大潜力。本研究强调了生成式人工智能在甜瓜水果检测和质量评估数据增强方面的潜力，并展望了生成式人工智能在农业应用中的积极未来。

本文旨在通过生成式人工智能模型生成高质量的果实图像，以帮助训练实时水果检测模型，并提高果实质量评估的准确性。

本文使用MidJourney和Firefly工具通过文本到图像、图像到图像的方式生成甜瓜温室和果实图像，并通过PSNR和SSIM指标评估生成的图像质量，测试YOLOv9模型的检测性能，并评估真实和生成的果实的质量。

本文的亮点在于使用生成式人工智能模型生成高质量的果实图像，从而提高水果检测和质量评估的准确性。实验结果表明，生成的图像与真实图像非常相似，特别是对于后期果实。YOLOv9模型能够很好地检测生成的图像，并且生成的果实质量也是可测量的。本文强调了生成式人工智能应用于数据增强在甜瓜果实检测和质量评估中的潜力，并展望了其在农业领域的积极未来。

最近的相关研究包括使用生成式对抗网络（GAN）生成水果图像的研究，如《Fruit-GAN: Using GANs to Generate High-Quality Fruit Images》。还有研究使用深度学习模型进行水果检测和质量评估，如《Deep Fruit Detection in Orchards: A Survey》。