ارزیابی معماریهای مختلف شبکۀ یادگیری عمیق در تشخیص تازگی تخممرغ بر اساس سیگنالهای صدا
نویسندگان
1 گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی و محیط زیست، دانشگاه اراک
2 استادیار دانشگاه اراک
3 دانشکده کشاورزی. دانشگاه اراک
4 گروه مهندسی مکانیک بیوسیستم
doi
10.22092/fooder.2020.341923.1258چکیده
امنیت مواد غذایی که به طور مستقیم با سلامت افراد جامعه در ارتباط است همواره مورد توجه تمامی کشورها بوده است. با توجه به اینکه تخممرغ در بسیاری از صنایع غذایی مصرف می شود و در برنامه غذایی روزانه بسیاری از مردم نیز قرار دارد، تشخیص تازگی آن نیز اهمیت بالایی خواهد داشت . در این تحقیق، قابلیت سامانه آکوستیک به عنوان روشی غیرمخرب برای تشخیص تازگی تخم مرغ بررسی شده است. نمونه ها در دمای محیط به مدت 1، 4، 7، 10، 13 و 16 روز نگهداری شدند. پس از دادهبرداری، تمامی سیگنالهای صدا با استفاده از طیف اسپکتروگرام به تصویر تبدیل شدند. در این تحقیق با استفاده از آزمون مخرب و با در نظر گرفتن دو معیار واحدِ هاو و ارتفاع کیسۀ هوا، میزان تازگی نمونه ها ارزیابی شد. نتایج آزمون مخرب نشان داد که تمامی نمونه های مربوط به روزهای 16و 13 و همچنین 80 درصد نمونه های مربوط به روز 10 با افت کیفیت همراه بودهاند که از نظر معیار درجه بندی، جزو گروه غیرتازه و به عبارتی بی کیفیت به شمار می آیند. بنابراین، نمونه ها به دو گروه تازه (روزهای 1، 4 و 7) و غیرتازه (روزهای 10، 13 و 16) تقسیم شدند. از چهار شبکۀ یادگیری عمیق از پیش آموزش دیده AlexNet، VGGNet، GoogLeNet و ResNet در این تحقیق استفاده شد. در بین این شبکه ها، شبکۀ ResNet با میانگین دقت طبقه بندی 71.5 درصد بهترین دقت را داشته است.