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

فایل این در 78 صفحه با فرمت PDF قابل دریافت می باشد

  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این :

چکیده :

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.

نویسندگان

سجاد حاصلی گلزار

مهندس مکانیک و ارشد طراح صنعتی

حسین باقرپور

مدیر گروه رشته بیوسیستم دانشکده کشاورزی دانشگاه بوعلی سینای همدان

مراجع و منابع این :

لیست زیر مراجع و منابع استفاده شده در این را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود لینک شده اند :
  • اسیر پریان، جعار، خ ش تقاضا، س مشاا ، کبیر، ...
  • پر ازش تص یر. سج ن ت قیقات سینشس گ ...
  • شایعگ زینا گ ، سا ا و قیرسانگ ، اتی ...
  • سیته اا ا شمنش )س اسبات نرم( ع م و ...
  • سیشیانگ، س تن و لش نیا، اتن، ،1389 جنبنش کشمش ...
  • سینشسگ ساشینیا کشاو ز و سکانیراسی ن،تیران ...
  • سیرعابشینگ ، شیرین،1397، سرو بر ی ا زیر عمیق،س سین ...
  • A. Krizhevsky, I. Sutskever, and G. E. Hinton, “Imagenet classification ...
  • neural networks,” in Advances in neural information processing systems, 2012, ...
  • 1105 ...
  • Anonymous, (2016). Machine learning notes. Available from: www. Volcanohong ...
  • .github.io/2016/09/01/machine-learning-notes/ ...
  • C. Summerfield and T. Egner, “Expectation (and attention) in visual ...
  • Sci., vol. 13, no. 9, pp. 403–409, 2009 ...
  • Chu, Zheng, and Jiong Yu. "An end-to-end model for rice ...
  • fusion." Computers and Electronics in Agriculture 174(2020): .105471 ...
  • D. C. Ciresan, U. Meier, J. Masci, L. Maria Gambardella, ...
  • performance convolutional neural networks for image classification,” in IJCAI ProceedingsInternational ...
  • Dimitri P. Bertsekas., and John N. Tsitsiklis. (2013). Neuro-Dynamic Programming, ...
  • Scientific, Ch.1-3. ...
  • Ding, X., Raziei, Z., Larson, E.C., Olinick, E.V., Krueger, P. ...
  • face detection using deep learning and subjective assessment. EURASIP Journal ...
  • Information Security, 2020, pp.1-12. ...
  • Doosti, A., Ghazavi, M. A., Maghsoudi, H., & Maleki, A. ...
  • from Fully Nuts Using Artificial Neural Network Techniques. Int. J. ...
  • 210-215 ...
  • Garg, D., Goel, P., Pandya, S., Ganatra, A. and Kotecha, ...
  • approach for face detection using YOLO. In 2018 IEEE Punecon ...
  • Gené-Mola, J., Vilaplana, V., Rosell-Polo, J.R., Morros, J.R., Ruiz-Hidalgo, J. ...
  • 2019. Multi-modal deep learning for Fuji apple detection using RGB-D ...
  • radiometric capabilities. Computers and electronics in agriculture, 162, pp.689-698. ...
  • Ioffe S. & Szegedy C. (2015) Batch normalization: Accelerating deep ...
  • reducing internal covariate shift. In: International Conference on Machine Learning ...
  • Krizhevsky, A., Sutskever, I. and Hinton, G.E., 2012. Imagenet classification ...
  • convolutional neural networks. Advances in neural information processing systems, 25, ...
  • pp.1097-1105. ...
  • LeCun Y, Jackel LD, Bottou L, et al (1995) Learning ...
  • on handwritten digit recognition. Neural networks Stat Mech Perspect 261:276 ...
  • M. D. Zeiler and R. Fergus, “Visualizing and understanding convolutional ...
  • European Conference on Computer Vision, 2014, pp. 818–833. ...
  • M. D. Zeiler and R. Fergus, “Visualizing and understanding convolutional ...
  • European Conference on Computer Vision, 2014, pp. 818–833. ...
  • Modelling Economic Time Series with Non-Constant Volatility, Business Economics and ...
  • Management ...
  • Nasiri, A., Taheri-Garavand, A., & Zhang, Y. D. (2019). Image-based ...
  • sorting of date fruit. Postharvest biology and technology, 153, 133-141. ...
  • Ponce, J.M., Aquino, A. and Andújar, J.M., 2019. Olive-Fruit Variety ...
  • Image Processing and Convolutional Neural Networks. IEEE Access, 7, pp.147629-147641.) ...
  • Saleem, M.H., Potgieter, J. and Arif, K.M., 2020. Plant Disease ...
  • Evaluation of Convolutional Neural Networks and Deep Learning Optimizers. Plants, ...
  • p.1319.) ...
  • Singh, Asheesh Kumar, et al. "Deep learning for plant stress ...
  • perspectives." Trends in plant science 23.10 (2018): 883-898. ...
  • Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I. and Salakhutdinov, ...
  • a simple way to prevent neural networks from overfitting. The ...
  • research, 15(1), pp.1929-1958. ...
  • Sun, X., Wu, P. and Hoi, S.C., 2018. Face detection ...
  • RCNN approach. Neurocomputing, 299, pp.42-50. ...
  • T. Kuipers, “Spread Maximization-A Novel Unsupervised Learning Paradigm Applied to ...
  • Convolutional Neural Networks,” 2014. ...
  • Tompson, J.J., et al. Joint training of a convolutional network ...
  • pose estimation. in Advances in neural information processing systems. 2014. ...
  • Vidyarthi, S.K., Singh, S.K., Xiao, H.W. and Tiwari, R., 2021. ...
  • almond kernels. Journal of Food Process Engineering, 44(4), p.e13662. ...
  • Y. LeCun and Y. Bengio, “Convolutional networks for images, speech, ...
  • brain theory neural networks, vol. 3361, no. 10, p. 1995, ...
  • Zagoruyko S. & Komodakis N. (2016) Wide residual networks. In: ...
  • Conference (BMVC) ...
  • نمایش کامل مراجع