Utilization of computer vision and machine learning for applied engineering: data analysis and recognition

Abstract

Мета роботи – розробка моделі машинного навчання для застосування прикладної інженерії для широкого спектру дій, як ідентифікація насіння соняшника серед інших видів насіння та налаштування параметрів шнекового преса відповідно для оптимального видобутку олії. Крім того, вона спрямована на широкий спектр аналізу, для прикладу передбачення моделі для визначення та зменшення шуму. Методика – аналіз наукових джерел, експериментальних даних, моделювання та машинне навчання. Модель машинного навчання була навчена за допомогою платформи Edge Impulse за допомогою набору зображень насіння, анотованих для фокусу. Після ітеративного навчання, перевірки та тестування модель була вбудована в контролер Arduino для ідентифікації насіння в реальному часі та автоматичного регулювання роботи шнекового преса. Ця наукова стаття пропонує альтернативний експериментальний підхід в прикладній інженерії, спрямований на процес видобутку насіння для отримання олії за допомогою автоматизації операцій шнекового преса з використанням машинного навчання (ML) та комп'ютерного зору (CV). Ключові результати включають успішне розрізнення насіння соняшника та гарбуза та точне налаштування параметрів шнекового преса на основі ідентифікації типу насіння. ML також використовується для виявлення пустого живильника та автоматичної зупинки роботи преса, що запобігає пошкодженню обладнання та забезпечує ефективність. Ці результати відкривають шлях до покращення автоматизації та точності в процесах видобутку насіння для отримання олії. Представлене застосування ML і CV в контексті екстракції олії з насіння за допомогою шнекового преса практичним експериментальним методом підкреслює потенціал використання технологій у прикладній інженерії, зокрема оптимізації сільськогосподарських процесів. Стаття виявляє практичну користь на основі експериментальних даних, що полягають в автоматичної оптимізації процесу видобування олії, зменшенню кількості ручної роботи, та збільшенні продуктивності в даній індустрії виготовлення олії, а також застосування цих методів у галузі прикладної інженерії. Це дослідження є кроком у напрямку автоматизованого майбутнього, в якому передові технології допомагатимуть реалізувати прогресивні, ефективні та сталі підходи галузі агрокультури.

The primary purpose of this research article is to develop a ML model for applied engineering for varied actions, such as identifying sunflower seeds from other seed types and adjusting the screw press parameters accordingly for optimal oil extraction. Additionally, it aims to predict noise propagation and implement measures for noise reduction in relevant engineering applications. The research methodology involved analyzing scientific sources, experimental data, modeling, and machine learning. The ML model was trained using the Edge Impulse platform with a dataset of seed images, annotated for focus. After iterative training, validation, and testing, the model was embedded into an Arduino controller for real-time seed identification and automatic screw press operation regulation. This article introduces an innovative applied engineering approach aimed at revolutionizing the seed oil extraction process through the automation of screw press operations using Machine Learning (ML) and Computer Vision (CV). Key findings include the successful differentiation between sunflower and pumpkin seeds and precise adjustment of screw press settings based on seed type identification. ML is also utilized to detect an empty seed feeder and halt press operations automatically, preventing equipment damage and ensuring efficiency. These results pave the way for enhanced automation and precision in seed oil extraction processes. The application of ML and CV in seed oil extraction and screw press operation, as presented, underscores the transformative potential of these technologies in agricultural processes. Incorporating computer vision and machine learning into applied engineering streamlines processes, reduces errors, and enhances efficiency. This integration optimizes resource utilization, enables real-time decision-making, and boosts productivity across various engineering applications.