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:
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.
کلیدواژه ها:
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 :