د کرنې د میوو کشف د تړلو بکس تشریح
څنګه شیپ د باغ په انځورونو کې د هر لیدل شوي مڼې په اوږدو کې د کلکې پابندۍ بکس تشریح وړاندې کړه - د بشپړ ودې دورې، څو اړخیزه نیول، او د 3-پرتونو حالت ځانګړتیاوې پوښي - د حاصلاتو اټکل، روبوټیک حاصلاتو، او د فصل روغتیا AI لپاره د تولید درجې ډیټاسیټ په توګه جوړ شوی.
د پروژې کتنه
لکه څنګه چې دقیقه کرنه د مصنوعي ذهانت پر بنسټ د حاصلاتو او حاصلاتو وړاندوینې په لور حرکت کوي، مراجعینو ته د تشریح کولو پایپ لاین ته اړتیا وه چې د ګڼو، طبیعي ګډوډ باغونو انځورونو په اوږدو کې په پراخه کچه انفرادي میوې کشف کړي - د ګل کولو څخه تر حاصلاتو پورې د ودې هر پړاو پوښي.
شیپ د پای څخه تر پایه د تشریح پایپ لاین جوړ کړ چې د هر میوې د تړلو بکسونو ځای پرځای کول، د څو ځانګړتیاو حالت ټګ کول، د څو لیدونو انځورونو اداره کول، او دوه درجې QA پوښي - په پیمانه د دقیق کرنې AI لپاره د ماډل چمتو ډیټاسیټونه تولیدوي.
کلیدي ارقام
د دقت حد
۸۵٪
د ودې مرحلې
بشپړ دوران
د ځانګړتیا پرتونه
3
لیدونکي
ځمکه + ډرون
ننګونې
- تشریح کول هره لیدل کېدونکې مڼه په ګڼ باغ انځورونو کې - په هر چوکاټ کې سلګونه
- تر پوښښ لاندې د بشپړ ودې دوره — ګل، کوچنۍ شنه میوه، په بشپړه توګه پخې شوې مڼې
- اداره څو اړخیزه انځورونه — د ځمکې په سطحه، د ډرون له سر څخه پورته، د څانګې نږدې لید
- توپیر د پاڼو څخه میوه کله چې رنګونه د ودې په لومړیو مرحلو کې سره ګډ شي
- اداره کول تړل شوی، جزوی، او د ځلا څخه اغیزمن شوی میوه پرته له دې چې دقت سره موافقت وکړي
د حل
د هر میوې سره تړلو بکس ځای پرځای کول
تشریح کونکو په هر انځور کې د هرې لیدل کیدونکې مڼې شاوخوا کلک تړلي بکسونه رسم کړل، پرته له دې چې اندازه، رنګ مرحله، یا د چوکاټ دننه موقعیت په پام کې ونیول شي. حتی په ګڼو کلسترونو کې چیرې چې لسګونه میوې سره یو ځای شوي، هر یو په انفرادي ډول لیبل شوی و ترڅو د ښکته جریان د میوو شمیرنې او د حاصلاتو اټکل ماډلونو ملاتړ وکړي.
د بشپړ ودې دورې پوښښ
په تبصره کې مڼې د ودې په ټولو مرحلو کې پوښل شوي - د لومړني ګل کولو او کوچني شنه میوو څخه تر بشپړ پخې شوي سره او ژیړ مڼو پورې. دا بشپړ دوره پوښښ ډاډ ورکوي چې روزل شوی ماډل کولی شي د کرنې دورې په هر وخت کې میوه کشف کړي، نه یوازې د حاصلاتو په وخت کې.
څو اړخیزه انځورونه
د ځمکې په سطحه د باغونو له قطارونو څخه اخیستل شوي انځورونه، د ډرون له لارې پورته انځورونه، او د څانګې نږدې عکس اخیستل ټول شامل وو، چې ډیټاسیټ یې خورا متنوع او د حقیقي نړۍ د ځای پرځای کولو استازیتوب کاوه. هر لید د لید ځانګړي تشریح لارښوونې ترلاسه کړې.
۳-پرتنۍ ځانګړتیا طبقه بندي
هره تشریح شوې مڼه د پخېدو مرحلې (نا پخه، نیمه پخه، بشپړه پخه)، د لید حالت (په بشپړه توګه لیدل کیدونکی، جزوي بند، په کلکه بند)، او د میوو حالت (روغ، زیانمن شوی، ناروغ) پوښلو ځانګړتیاو سره نور هم طبقه بندي شوې. دا څو اړخیزه طریقه روزل شوي ماډل ته دا توان ورکوي چې د میوو کشف سره یوځای د حاصلاتو چمتووالي او د فصل روغتیا ارزونه وکړي.
د څنډې قضیې اداره کول
تشریح کونکو د مڼو لپاره چې په جزوي ډول له چوکاټ څخه بهر دي، په ځمکه کې مڼې، د انعکاس یا ځلیدونکي میوو سطحې چې د ځلیدونکي اثارو لامل کیږي، او لرې کوچنۍ میوې چې د زوم کچې پیژندنې ته اړتیا لري، سخت لارښوونې تعقیب کړې. د رڼا بدلون - په ځانګړي توګه د کینوپی سیوري - د لید-پوهیدونکي تشریح قواعدو له لارې اداره کیده.
د پروژې برخه
| د ډیټاسیټ ډول | د هدف | د ودې مرحلې | لیدونکي | صفات | دقت |
|---|---|---|---|---|---|
| د کرنیزو میوو کشف | مڼه | بشپړ دوران (ګل → پخه شوې) | ځمکه + ډرون + نږدې انځور | پخېدل، لیدل کېدل، حالت | ۸۵٪ |
پایلې
- تاسیس شو د ګڼ باغ لرونکي بکس پایپ لاین د هرې لیدل شوې میوې کشف کولو توان لري
- د معياري د بشپړ ودې دورې تشریح پوښښ له ګل کولو څخه تر حاصل پورې
- سپارل شوی د ځانګړتیاوو درې طبقه بندي د پخېدو، لید او حالت لپاره
- ساتل شوی د ۹۹٪ دقت دروازه د څو اړخیزو انځورونو له لارې د دوه پوړیزو QC له لارې
- د مراجعینو فعالول د حاصلاتو اټکل، روبوټیک حاصلات، د فصل روغتیا، او د ډرون څارنه AI
په ټولیز ډول، شایپ د باغ په کچه د میوو د کشف اړتیا په یوه جوړښتي، تولید ته چمتو تشریح پایپ لاین بدلولو کې مرسته وکړه - یو داسې پایپ لاین چې د باغ په مختلفو چاپیریالونو او د ودې دورې کې د دقیق کرنې، روبوټیک حاصلاتو، د حاصلاتو وړاندوینې، او د فصل روغتیا څارنې مصنوعي ذهانت ملاتړ کولو توان لري.
شیپ په ځینو چوکاټونو کې هغه مڼې تشریح کړې چې موږ یې حتی د پاڼو څخه توپیر نشو کولی. د دوی د ودې مرحلې او حالت ټګ کول زموږ د حاصلاتو اټکل او د حاصلاتو پلان کولو ماډلونو ته مستقیمه پاملرنه کوي.
