طراحی یک سامانه سخت افزاری جهت جداسازی پستههای معیوب از سالم با استفاده از شبکههای عصبی عمیق
نویسندگان
1 استادیار علوم و صنایع غذایی ، مرکز تحقیقات سلامت پسته، دانشگاه علوم پزشکی رفسنجان، رفسنجان، ایران
2 گروه مهندسی برق، دانشکده مهندسی، دانشگاه ولی عصر (عج) رفسنجان
3 دانشجوی مهندسی برق گروه مهندسی برق، دانشکده فنی و مهندسی، دانشگاه ولیعصر(عج) رفسنجان، رفسنجان، ایران.
4 دانشجوی مهندسی برق گروه مهندسی برق، دانشکده فنی و مهندسی، دانشگاه ولیعصر(عج) رفسنجان، رفسنجان، ایران.
5 استادیار گروه مهندسی برق، دانشکده فنی و مهندسی، دانشگاه ولیعصر(عج) رفسنجان، رفسنجان، ایران
6 دانشجوی مهندسی برق گروه مهندسی برق، دانشکده فنی و مهندسی، دانشگاه ولیعصر(عج) رفسنجان، رفسنجان، ایران.
doi
10.22059/ijbse.2019.279440.665178چکیده
هدف از این مطالعه توسعه الگوریتمهای تصویربرداری، جهت بهبود درجهبندی آجیلها با نقصهای پوسته از جمله لکههای چربی، لکههای تیره، بدنه چسبیده، نقصهای هستهای آسیب و پوسیدگی قارچی میباشد. همه این نقصها نشاندهنده خطر آلودگی به آفلاتوکسین هستند. شبکههای عصبی کانولوشن در زمینههای مختلف بینایی ماشین و طبقهبندی تصویر برجسته شدهاند. در این پژوهش یک مدل سختافزار آزمایشگاهی بر مبنای شبکه عصبی کانولوشنی جهت طبقهبندی پستهها طراحی شده است. دادههای جمعآوریشده 958 تصویر، شامل 276 تصویر از پستههای معیوب و 682 تصویر از پستههای سالم میباشند. طبقهبندی تصاویر شامل سالم و معیوب بر اساس 3 نوع شبکه عصبی کانولوشن عمیق شامل Google net، resnet18 و vgg16 انجامشده است. میزان دقت و ویژگی نتایج بهدستآمده با استفاده از مدلهای شبکههای عصبی عمیق از پیش آموزش دادهشده Google net، resnet18 و vgg16 به ترتیب برابر 8/95%-1/97%، 2/97%-7/96% و 83/95%-08/97% هست.
