[3/3] Anomaly detection tool (crops dataset)

工作流名称

[3/3] Anomaly detection tool (crops dataset)

主要功能和亮点

该工作流是一个用于农作物图像异常检测的自动化工具。它通过输入任意农作物的图像URL，利用多模态嵌入模型生成图像向量，并将其与预先构建的农作物图像数据库（存储于Qdrant向量数据库）进行相似度比对，判断该图像是否属于已知作物类别，或是否为异常（未识别）作物。

• 支持多种农作物类别，涵盖珍珠粟、烟草、樱桃、棉花、香蕉、黄瓜、玉米、小麦、丁香、荞麦、橄榄树、大豆、咖啡、稻米、柠檬、芥菜油、绿豆、椰子、鹰嘴豆、凤梨、甘蔗、向日葵、辣椒、莲子、黄麻、木瓜、茶叶、豆蔻、杏仁等。
• 结合Voyage AI的多模态嵌入API与Qdrant云端向量数据库，实现高效的图像特征提取与相似度查询。
• 通过预设的阈值判定，准确识别异常农作物图像，提升农作物质量监控和异常预警能力。

解决的核心问题

传统的农作物图像分类难以有效识别未知或异常品种，该工作流通过向量检索和阈值比较方法，解决了农作物图像数据集中异常样本自动检测的难题，帮助用户快速定位潜在的新品种或异常情况，避免数据混淆和误判。

应用场景

• 农业监测与质量控制：自动检测和识别异常农作物，提高农产品质量保障。
• 农作物品种识别与管理：辅助科研人员和农技人员快速分类和识别农作物图片。
• 农业数据分析与自动化：结合云服务实现农作物图像的自动化异常检测，提升工作效率。
• 图像数据集维护：及时发现并剔除或标注数据集中的异常图片，保障数据集纯净度。

主要流程步骤

1. 触发工作流 — 通过Execute Workflow Trigger节点接收图像URL输入。
2. 设置变量 — 配置访问Qdrant云端向量数据库的相关参数（如URL、collection名称、阈值等）。
3. 获取数据库信息 — 查询Qdrant中农作物图像类别数及总数据点数。
4. 图像嵌入生成 — 调用Voyage AI多模态嵌入API，将输入图像转化为向量表示。
5. 相似度查询 — 利用生成的向量向Qdrant数据库发起相似度检索，获取与各类别中心（medoids）的相似度分数。
6. 分数比较判断 — 通过Python代码节点比较相似度分数与阈值，输出判定结果：若均低于阈值，则判定为异常图像，否则返回最相似的作物类别。
7. 结果输出 — 返回文本消息告知用户图像是否异常及其最匹配的类别。

涉及的系统或服务

• Qdrant Cloud：向量数据库，存储和检索农作物图像的向量数据及类别中心。
• Voyage AI Embeddings API：多模态嵌入服务，用于将图像转换为向量表示。
• n8n自动化平台：连接和编排各节点，实现整体流程自动化。

适用人群或使用价值

• 农业科研人员和技术人员，助力农作物品种识别及异常监控。
• 数据科学家和机器学习工程师，用于图像数据集的异常检测和数据清洗。
• 农业生产管理者，实现农作物质量自动检测和风险预警。
• 自动化开发者，利用该工作流快速搭建基于向量检索的异常检测系统。

---

该工作流依托先进的向量检索技术与多模态嵌入模型，结合云端数据存储，实现了农作物图像的高效异常检测，具备良好的扩展性和适用性，能够为农业领域的智能化管理提供强有力的技术支持。