Shandong Institute of Commerce and Technology
Projektidee
Pfirsiche sind ein beliebtes Obst, das beim Pflücken, Sortieren und Verpacken einen hohen Bedarf an Arbeitskräften und materiellen Ressourcen hat. Die traditionelle manuelle Sortiermethode ist nicht nur ineffizient, sondern auch schwierig, die Genauigkeit und Konsistenz der Sortierung zu gewährleisten. Daher haben wir dieses System auf der Grundlage des Internets der Dinge und der Computer Vision entwickelt, um die Sortiereffizienz zu verbessern, die Arbeitskosten zu senken und gleichzeitig die Sortierqualität zu gewährleisten und die Nachfrage des Marktes nach effizienten und qualitativ hochwertigen Obst- und Gemüseprodukten wie Pfirsichen zu erfüllen.
Bei der herkömmlichen Pfirsichsortierung wird ein großer Teil der Auswahl, Klassifizierung und Verpackung manuell vorgenommen, was nicht nur zeitaufwändig und mühsam, sondern auch ineffizient ist und den Anforderungen der Großproduktion nur schwer gerecht wird.Qualität variiert: Bei der manuellen Sortierung ist es aufgrund individueller Unterschiede und Ermüdung oft schwierig, einheitliche Sortierstandards und -ergebnisse aufrechtzuerhalten, was zu einer ungleichmäßigen Qualität der Pfirsiche führt und die Wettbewerbsfähigkeit auf dem Markt beeinträchtigt.
Hohe Kosten: Mit dem Anstieg der Arbeitskosten steigen auch die Kosten für die manuelle Sortierung und werden zu einem wichtigen Faktor, der die Entwicklung der Pfirsichindustrie einschränkt.
Das Projekt wurde inspiriert durch:
Nachfrage der Industrie: Durch die Kommunikation mit Pfirsichbauern, Obst- und Gemüsegroßhändlern und anderen Branchen haben wir erfahren, dass ihr Bedarf an effizienten und präzisen Sortieranlagen immer dringender wird. Dies wird zu einer wichtigen Triebfeder für die Entwicklung von Ideen. Technologieintegration: Kombinieren Sie die Vorteile von Automatisierung und intelligenter Technologie und überlegen Sie, wie Sie diese auf den Pfirsichsortierprozess anwenden können, um bestehende Probleme zu lösen und die Effizienz und Qualität der Sortierung zu verbessern. Durch den Einsatz einer Sortiermaschine für Pfirsiche und Gemüse können die Pfirsiche anhand von Indikatoren wie Größe, Gewicht, Farbe und Zuckergehalt in feinere Klassen eingeteilt werden. Dies trägt nicht nur zur Verbesserung der Gesamtqualität der Früchte bei, sondern ermöglicht auch einen sortierten Verkauf, der den Bedürfnissen der verschiedenen Verbraucher gerecht wird. Gleichzeitig ist der sortierte Verkauf auch ein wichtiges Mittel, um die Qualität der Früchte zu sichern und die Preise zu erhöhen. Wenn die manuelle Sortierung durch intelligente Sortieranlagen ersetzt wird, können die Markt- und Preisvorteile von Frischobst weiter ausgebaut werden. Förderung der Verbesserung von Qualität und Effizienz in der Obstindustrie.
Konzept
Übertragung der Idee in ein Konzept:
Angetrieben durch die tatsächliche Nachfrage Marktnachfrage: Mit der steigenden Nachfrage der Verbraucher nach Obstqualität hat der Markt höhere Anforderungen an die Obstsortierung, die Verpackung, den Transport und andere Aspekte gestellt. Die traditionelle manuelle Sortiermethode hat Probleme wie geringe Effizienz, geringe Genauigkeit und hohe Fruchtverluste, die die Nachfrage des Marktes nach qualitativ hochwertigen Früchten nicht befriedigen können. Nachfrage der Industrie: Im Zuge der Entwicklung steht die Obstindustrie vor Herausforderungen wie der Verbesserung der Sortiereffizienz, der Verringerung von Obstverlusten und der Verbesserung der Obstqualität. Daher ist die Entwicklung eines automatisierten und intelligenten Geräts für die Obstsortierung ein dringender Bedarf für die Entwicklung der Obstindustrie.
Funktionen oder Inhalte:
- Die Sortiermaschine für Pfirsiche und Gemüse kann Pfirsiche automatisch nach Gewicht, Größe und anderen Parametern sortieren. Die Sortiergeschwindigkeit ist schnell und effizient, was den Zeit- und Kostenaufwand für die manuelle Sortierung erheblich reduziert.
- Nach der Sortierung können die Pfirsiche je nach ihrer Qualität preislich eingeteilt und verkauft werden, um den Bedürfnissen der verschiedenen Verbraucher gerecht zu werden.
- Ausgewählte Pfirsiche können einheitlich verpackt werden, um die Ästhetik des Produkts und die Wettbewerbsfähigkeit auf dem Markt zu verbessern, und die sortierten Pfirsiche können für eine einfache Verwaltung und einen einfachen Verkauf nach Güteklassen geordnet und gelagert werden.
Das Konzept unserer Arbeit baut tatsächlich auf bestehenden Ideen auf. Es integriert eine Reihe von fortschrittlichen Technologien und Konzepten aus dem aktuellen landwirtschaftlichen Bereich, wie das Internet der Dinge, künstliche Intelligenz und Big-Data-Analytik. Durch die gründliche Erforschung und praktische Anwendung dieser Technologien wurde eine neuartige Lösung für die intelligente Landwirtschaft entwickelt.
Auf dieser Grundlage stützte ich mich auf die bestehenden erfolgreichen Fälle und die theoretische Forschung, kombiniert mit den Veränderungen der Marktnachfrage und den praktischen Herausforderungen der landwirtschaftlichen Produktion, um das Funktionsdesign des Systems weiter zu verfeinern und zu optimieren.
Unser Team hat Projekte untersucht, die sich auf die Landwirtschaft anwenden lassen, wie das Internet der Dinge, Big Data und künstliche Intelligenz. Durch das Studium dieser Projekte hat unser Team ein tieferes Verständnis für die Landwirtschaft und eine größere Wertschätzung für dieses Projekt erlangt.
Projektplanung:
Zeitplan
Wir planen, die erste Anwendung unseres Projekts innerhalb von sechs Monaten umzusetzen.
- Anforderungsanalyse und Design (Monat 1-2):
Marktforschung (2 Wochen): Sammeln von Nutzerbedürfnissen und Branchentrends, um die Stärken und Schwächen bestehender Lösungen zu verstehen.Funktionales Anforderungsdokument (2 Wochen): Entwicklung detaillierter funktionaler Anforderungen für das Projekt, einschließlich der Systemarchitektur, der wichtigsten Leistungsindikatoren (KPIs) und der Ziele für die Benutzererfahrung.Entwurf der Systemarchitektur (4 Wochen): Festlegen der Gesamtarchitektur des Systems. - Technologieentwicklung und Prototyping (Monat 3-5):
Hardware-Entwicklung (4 Wochen): Beschaffung und Zusammenbau von verfolgten Maschinen Softwareentwicklung (8 Wochen): Einsatz und Anwendung von visuellen Modellen der künstlichen Intelligenz Plattformaufbau (4 Wochen): Aufbau einer Datenanalyseplattform und Verwendung von Datenvisualisierungstools zur Implementierung der Verwaltungsschnittstelle. - Systemintegration & Testen (Monat 6):
Modulintegration (2 Wochen): Integration der Module, um die Systemkoordination und die reibungslose Datenübertragung zu gewährleisten.
Funktionstest (2 Wochen): Testen Sie die Funktionen des Systems, um zu überprüfen, ob die Leistungsindikatoren dem Standard entsprechen.
Leistungsoptimierung (2 Wochen): Die Systemleistung wird auf der Grundlage von Testrückmeldungen optimiert, um Stabilität und Reaktionsfähigkeit zu gewährleisten.
Aufgabenverteilung
Projektleiter: Verantwortlich für die Gesamtprojektplanung und die Kontrolle des Zeitplans, um sicherzustellen, dass jede Phase rechtzeitig abgeschlossen wird, und um die Arbeit des Teams zu koordinieren.
Technische Entwickler (5): Verantwortlich für die Hardware-Entwicklung bzw. Software-Entwicklung, um die technische Umsetzung des Systems zu gewährleisten.
Division: Verantwortlich für den Aufbau von Datenverarbeitungs- und Analyseplattformen, die Entwicklung von Algorithmen und die Modellschulung.
Modellerstellung: Verantwortlich für den Einsatz und die Ausführung des Modells sowie für die Fehlerbehebung in der späteren Phase
Marktforscher: Verantwortlich für die Erhebung der Marktnachfrage, die Analyse von Wettbewerbern und die kontinuierliche Überwachung der Marktdynamik.
Anforderungen an die Ressourcen
- Technische Ressourcen:
Hardware-Ausrüstung: Sortierspurmaschine, Raspberry Pi, Kamera - Software:
pycharm, yolov5 und andere verwandte Debugging-Tools - Finanzielle Ressourcen:
Budget: Die Arbeit befindet sich derzeit in der Entwicklungsphase, und die gesamte Ausrüstung stammt aus den Investitionen der Universität
Realisierung
Das Projekt wurde in folgenden Schritten umgesetzt:
- Hardware-Ausstattung
Nutzung relevanter Kenntnisse über das Internet der Dinge und Hardware, um einen Sortiereffekt zu erzielen - Künstliche Intelligenz-Lösungen
Erstellen relevanter Modelle, um den Sortiereffekt von Pfirsichen zu erreichen
Rollen und Verantwortlichkeiten im Team:
- Projektleiter:
Verantwortlich für die gesamte Projektplanung und die Kontrolle des Zeitplans. Koordiniert die Kommunikation zwischen den Teammitgliedern, um sicherzustellen, dass die Phasen rechtzeitig abgeschlossen werden. - Technologie-Entwickler:
Hardware-Ingenieur: Verantwortlich für die Auswahl, Integration und Prüfung von Sensoren und anderer Hardware, um den normalen Betrieb des Geräts zu gewährleisten.
Software-Ingenieur: Verantwortlich für die Softwareentwicklung des Systems, einschließlich Datenerfassung, intelligente Steuerung und Algorithmusimplementierung. - Datenanalyst:
Verantwortlich für die Datenverarbeitung und -analyse, Entwicklung von Algorithmen zur Vorhersage des Pflanzenwachstums und zur Erkennung von Schädlingen und Krankheiten. - Modell-Trainer:
Verantwortlich für die Fehlersuche und den Betrieb des Modells und die Sicherstellung, dass alles ordnungsgemäß funktioniert, wenn dies erforderlich ist. - Marktforscher:
- Verantwortlich für die Erfassung der Marktnachfrage und des Nutzerfeedbacks, die Durchführung von Wettbewerbsanalysen und die Unterstützung der Marketingstrategie des Projekts.
Herausforderungen, auf die wir bei der Realisierung gestoßen sind:
- Herausforderungen bei der Technologieintegration:
Die Hardware kann anfangs nicht normal verwendet werden und ist im Betrieb verzögert. - Optimierung der Algorithmen:
Die Algorithmen können das aktuelle Problem nicht lösen und keine Verbindung mit den Hardware-Geräten herstellen
Folgende Punkte mussten während der Realisierung verworfen:
- Auswahl der Sensoren:
Hardware-Ausstattung: Zu Beginn wählten wir eine billigere Hardware-Ausrüstung, die jedoch nicht durchgehend verwendet werden konnte. Später wählten wir teurere Geräte für den Einsatz. - Algorithmus Debugging:
Modelloptimierung: Zunächst wählten wir viele Modelle aus, die uns geeignet erschienen, aber nach einer langen Zeit der Fehlersuche entschieden wir uns schließlich für das Modell, das am besten zu uns passte.
Wir mussten uns in den folgenden Bereichen zusätzliche Kenntnisse aneignen:
- Hardware: Ich muss mehr Wissen über All-in-One-Maschinen im Internet der Dinge erwerben und die Verbindungen und Funktionen zwischen verschiedenen Komponenten besser verstehen
- Modell: Wir müssen besser verstehen, ob es eine Interoperabilität zwischen den Modellen gibt, und mehr Modelle ausprobieren und sie selbst debuggen
Funktion
Zielgruppe des Projektergebnisses: Hauptsächlich für Landwirte, es wird im Bereich der Landwirtschaft eingesetzt.
Einsatz von Hard- und Software:
- Hardware: Wir haben Sortiermaschinen und Modelle verwendet, um unser Projekt zu realisieren.
Unser Projekt hat noch begrenzte Sortiermöglichkeiten, die wir in Zukunft optimieren und anpassen.
Unsere Teammitglieder haben einen detaillierten Testplan für das Projekt entwickelt. Wir haben die gesammelten Daten in verschiedenen Umgebungen getestet und unsere Hardware-Geräte ausgiebig debugged
Konnten Sie alle Ihre Ideen und Pläne verwirklichen?
Unser Team hat diese Zuversicht und diesen Plan, und wir werden in Zukunft mehr auf professionelle Fähigkeiten beim Lernen, Lernen von tiefen Modellen achten
Innovation und Nachhaltigkeit
Neue Ansätze die verfolgt oder selbst entwickelt wurden:
- Wir verwenden tiefe neuronale Netze, um unser Modell kreativ zu konstruieren.
Angedachte Weiterentwicklung des Projektes:
- Wir hoffen, dass wir unser Projekt in Richtung Obst- und Gemüsesortierung weiterentwickeln können.
Nachhaltigkeit:
- In ökologischer Hinsicht zielt unser Projekt auf eine nachhaltige Entwicklung ab.
- Auf wirtschaftlicher Ebene kann unser Projekt hochwertige Arbeitsplätze schaffen.
- Auf gesellschaftlicher Ebene kann unser Projekt Dinge bewirken, die für die Menschen hilfreich sind
Comments are closed