بهینه سازی هایپرپارامترهای مدل های ماشین بردار پشتیبان، k نزدیک ترین همسایه و شبکه عصبی مصنوعی برای طبقه بندی تصاویر فندق ها بر اساس روش انتخاب ویژگی ها

در برخی کشورها، فندق ها به دلیل محدودیت های فناوری موجود و افزایش طول عمر نگهداری شان، معمولا با پوسته مصرف می شوند. بنابراین، فندق های خندان مشتری پسندی بالاتری دارند. در مقیاس نیمه صنعتی، فندق های خندان و دهان بسته در حال حاضر از طریق بازرسی بصری از یکدیگر جدا می شوند. این مطالعه به منظور توسعه یک الگوریتم جدید برای جداسازی فندق های خندان از فندق های ترک خورده یا دهان بسته انجام شده است. در رویکرد اول، تکنیک های کاهش بعد مانند روش های مبتنی بر انتخاب ویژگی (SFFS) و تحلیل مولفه اصلی (PCA) برای انتخاب یا استخراج ترکیبی از ویژگی های رنگ، بافت و خاکستری به عنوان ورودی مدل استفاده شدند. در رویکرد دوم، ویژگی های به شکل انفرادی مستقیما به عنوان ورودی ها استفاده شدند. در این مطالعه، سه مدل معروف یادگیری ماشین، شامل ماشین بردار پشتیبان (SVM)، نزدیک ترین همسایه ها (KNN) و پرسپترون چندلایه (MLP) مورد استفاده قرار گرفتند. نتایج نشان داد که روش SFFS تاثیر بیشتری در بهبود عملکرد مدل ها نسبت به روش PCA دارد. با این حال، تفاوت معنی داری بین عملکرد مدل های توسعه یافته با ویژگی های ترکیبی (۹۸.۰۰%) و عملکرد مدل های با استفاده از ویژگی های انفرادی (۹۸.۶۷%) وجود نداشت. نتایج کلی این مطالعه نشان داد که مدل MLP با یک لایه پنهان، دراپ اوت برابر با ۰.۳ و ۱۰ نورون، با استفاده از ویژگی HOG به عنوان ورودی، انتخاب خوبی برای طبقه بندی فندق ها به دو دسته خندان و دهان بسته می باشد.

کلیدواژه ها:

PCA ، خندان ، کاهش بعد ، دهان بسته ، یادگیری ماشین