سیستم هوشمند طبقه بندی پسته های گرد و دراز با استفاده از یادگیری عمیق

کیفیت و یکنواختی پسته نقش کلیدی در ارزش اقتصادی و صادراتی این محصول داشته و طبقه بندی دقیق آن در فرآیندهای صنعتی از اهمیت بالایی برخوردار است. در این پژوهش رویکردی مبتنی بر یادگیری عمیق با استفاده از شبکه عصبی کانولوشنی EfficientNetV۲-B برای طبقه بندی پسته های دراز و گرد ارائه شده است. بدین منظور از معماری EfficientNetV۲-B به عنوان شبکه عصبی کانولوشنی پایه استفاده گردید. مجموعه داده شامل ۲۳۰ تصویر پسته بود که با به کارگیری روش های داده افزایی توسعه یافت. مدل طی ۱۰ بار تکرار آموزش، سورتینگ هوشمند و ارزیابی شد و نتایج به صورت میانگین و انحراف معیار گزارش گردید. یافته ها نشان داد که دقت کلی مدل به میانگین ۹۵.۵ درصد رسیده و مقادیر Recall، Precision و F-Score نیز همگی بالاتر از ۹۵ هستند. همچنین مقدار بالای AUC (نزدیک به ۰.۹۹) و خروجی ماتریس آشفتگی، بیانگر عملکرد پایدار، متوازن و بدون بایاس در هر دو کلاس است. نتایج این پژوهش نشان می دهد که روش پیشنهادی علاوه بر دقت بالا، از نظر کارایی و پیچیدگی محاسباتی نیز مناسب بوده و قابلیت به کارگیری در فرآیندهای سورتینگ و بسته بندی پسته را دارد. با این وجود افزایش حجم و تنوع داده در پژوهش های آینده می تواند به بهبود تعمیم پذیری مدل کمک نماید.

کلیدواژه ها:

یادگیری عمیق ، شبکه عصبی کانولوشنی ، طبقه بندی پسته ، EfficientNet ، سورتینگ پسته