استفاده از شبکه های عصبی کانولوشنی (CNN (در تشخی ص خیارهای معیوب

طبقهبندی خیار ازلحاظ شکل ظاهری یکی از مراحل اصلی فرآوری این محصول در صنعت تهیه خیار شور می باشد. هرچند دستگاههای مختلفی برای این کار ابداع و ساخته شدهاند اما همه آنها طبقه بندی محصول را بر اساس شکل و اندازه انجام میدهند. در فرآیند های نیمه صنعتی، بررسی کیفیت محصول در صنایع مربوط به تولید خیار شور به شکل دستی و سنتی انجام میشود که کاری سخت و زمانبر است. بهره گیری از الگوریتمهای هوش مصنوعی به عنوان یک روش جدید و کارآمد میتواند جایگزین مناسبی برای روشهای سنتی کیفی سنجی محصوالت باشد. بنابراین استفاده از روشهای سریع و نوین یادگیری عمیق برای دستهبندی نمونههای خیار به سه کالس معیوب، کج و سالم از اهداف اصلی این پژوهش می باشد. در این تحقیق با بهرهگیری از مهم ترین روش هوش مصنوعی بنام شبکه عصبی کانولوشنی )CNN )برای تشخیص و دسته بندی تصاویر استفاده شد. در تحقیق حاضر با بهره گیری از دو روش یادگیری انتقال و شبکه کانولوشنی پیشنهادی، الگوریتم مناسب برای طبقه بندی و شناسایی کالسها توسعه داده شد. درروش یادگیری انتقال، از سه شبکه مشهور و از پیش آموزش دیده شده شامل 3v-Inception، -19VGG و 2InceptionResNetV استفاده گردید. عالوه بر روشهای یادگیری انتقالی یک شبکه عمیق کانولوشنی نیز پیشنهاد گردید که دارای عمق و تعداد پارامترهای کمتری است. در بررسی عملکرد مدلها از شاخص های ارزیابی حساسیت، صحت، دقت و شاخص score-f استفاده گردید. با توجه به نتایج، اگرچه تمامی مدلها توانایی باالیی را در طبقه بندی سه کالس مختلف خیار از خود نشان دادند. شبکه 3v-Inception و شبکه پیشنهادی با دقت /12 94 و /46 94 % بهترین عملکرد را در طبقهبندی خیارها از خود نشان دادند. نتایج کلی این تحقیق نشان داد که استفاده از مدل شبکه عصبی کانولوشنی قابلیت خوبی در دسته بندی خیارها داشته و میتواند پیشنهاد خوبی برای کاربردهای صنعتی باشد.

کلیدواژه ها:

شبکه عصبی کانولوشن ، خیار ، مدلسازی ، یادگیری عمیق ، یادگیری انتقال.