تشخیص و طبقه بندی میوه ها با استفاده از یادگیری عمیق (مورد مطالعه گیاه خرما)

شبکه عصبی کانولوشنی با ساختار منحصر به فرد برای استخراج ویژگی ها و کلاس بندی یک تکنولوژی جدید در زمینه بینایی ماشین می باشد. امروزه یکی از چالش های موجود استفاده از یادگیری عمیق در بخش کشاورزی و برداشت محصول و بسته بندی براساسکیفیت برای مصارف داخلی همچنین کمک به صادرات می باشد. در این مطالعه روشی جدید برای تشخیص خرماهای سالم مورد بررسی قرار گرفته وهمچنین جداسازی و تشخص اینکه خرما در کدام مرحله از رسیدن می باشد. مجموعه داده این تحقیق بااستفاده ازدوربین تلفن همراه تحت شرایط کنترل نشده از خرمای شاهانی که خرمای خاص ایران می باشد جمع آوری شده است. این مجموعه داده شامل تصاویری در چهار کلاس می باشد که سه کلاس خلال و رطب و تمر مربوط به مراحل بلوغ خرما و یک کلاس مربوط به خرماهای معیوب می باشد. دراین تحقیق از روش های شبکه عصبی کانولوشنی و شبکه های از پیش آموزش داده شده نظیر VGG۱۶ و Resnet و Inception-V۳ استفاده شد ودر مرحله بعد تصاویر بدست آمده از هیستوگرام گرادیان جهت گرا را به مدل اضافه کردیم ودر نهایت از تکیکی برای پیدا کردن بهترین نرخ یادگیری برای سه مدل ذکر شده استفاده کردیم بهترین دقت بدست آمده مربوط به ترکیب مدل Inception-v۳ با روش پیشنهادی می باشد که درنهایت دقت ۹۹.۲۶% حاصل شد.

کلیدواژه ها:

یادگیری عمیق ، شبکه عصبی کانولوشنی ، هیستوگرام گرادیان جهت گرا ، کلاس بندی ، میوه خرما ، مراحل بلوغ