طبقه بندی میوه پاپایا برمبنای رسیدگی، با استفاده از یادگیری ماشین و رویکرد یادگیری انتقالی
محورهای موضوعی : فناوری های تولید پایدار
محمد قربانی
1
,
مصطفی قاضی زاده احسائی
2
,
کاظم جعفری نعیمی
3
1 - گروه مهندسی مکانیک بیوسیستم ، دانشکده کشاورزی ، دانشگاه شهید باهنر کرمان ، کرمان ، ایران.
2 - بخش مهندسی کامپیوتر، دانشکده فنی ومهندسی، دانشگاه شهید باهنر کرمان
3 - دانشیار بخش مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان، کرمان، ایران
کلید واژه: توصیف گر ویژگی, درجه بندی , رسیدگی, یادگیری انتقالی, یادگیری ماشین,
چکیده مقاله :
درجه بندی و بسته بندی میوه ها بر اساس بازرسی های بصری می تواند زمان بر، مخرب و غیر قابل اطمینان باشد. هدف از پژوهش انجام شده ارائه یک روش طبقه بندی هوشمند، سریع و قابل اطمینان جهت تشخیص میزان رسیدگی میوه پاپایا در سه سطح نارس، نمیه رسیده و رسیده میباشد.تعدادکل تصاویر مورد استفاده در این مقاله 300 تصویر می باشد که برای هر کدام از سطوح تعداد 100 تصویر جمع آوری گردیده است.در این پژوهش استفاده از دو رویکرد یادگیری ماشین و یادگیری انتقالی برای طبقه بندی وضعیت میزان رسیدگی میوه پاپایا پیشنهاد شده است.رویکرد یادگیری ماشین شامل استفاده از سه توصیف گر ویژگی و سه طبقه بندی کننده مختلف می باشدکه عبارت انداز: الگوریتم دو دویی محلی (LBP)، ماتریس هم رخداد سطح خاکستری (GLCM)،هیستوگرام گرادیان های جهت دار(HOG)، الگوریتم طبقه بندیk- نزدیک ترین همسایه(KNN)، ماشین بردار پشتیبان(SVM)، و الگوریتم طبقه بندی کننده بیزی ساده (Naïve Bayes). روشهای یادگیری انتقالی شامل استفاده از شش مدل یاد گیری عمیق از پیش آموزش داده شده Alexnet,Googlenet,Resnet101,Resnet50,Resnet18,VGG19 می باشد.طبقه بندی‌کننده KNN با استفاده از توصیف گر ویژگی HOG توانسته است به صحت4/95 درصد و زمان آموزش 3:52 ثانیه دست پیدا کند.طبقه بندی کننده مبتنی بر رویکرد یادگیری انتقالی VGG19 با بدست آوردن صحت 100 درصدی و زمان آموزش 10:42 ثانیه توانست عملکرد بهتری را در میان سایر شبکه های یادگیری عمیق ثبت کند.دو روش طبقه بندی با استفاده از روش های یادگیری ماشین و یادگیری انتقالی توانسته‌اند هر کدام صحت 4/95، و 100 درصدی را بدست بیاورند که به ترتیب 7/0 و 6 درصد بیشتر از روشهای پیشنهادی موجود می باشد.
Grading and packing fruits based on visual inspections can be time-consuming, destructive, and unreliable. The objective of the conducted research is to provide an intelligent, fast and reliable classification method to detect the maturity of papaya fruit in three levels: immature, partially mature and mature. The total number of images used in this article is 300 images, 100 images have been collected for each level. In this paper, the use of two approaches, machine learning and transfer learning, is proposed to classify papaya fruit maturity status. The machine learning approach includes the use of three feature descriptors and three different classifiers, which are: local binary pattern (LBP), Gray Level Cooccurrence Matrix (GLCM), histogram of oriented gradients (HOG), k-nearest neighbor (KNN) classification algorithm, support vector machine(SVM) and Naïve Bayes classification algorithm. Transfer learning methods include the use of six pre-trained deep learning models Alexnet, Googlenet, Resnet101, Resnet50, Resnet18, VGG19. KNN classifier using HOG feature descriptor has achieved 95.4% accuracy and 3:52 seconds training time. The classifier based on transfer learning approach VGG19 was able to record better performance among other deep learning networks by obtaining 100% accuracy and training time of 10:42 seconds. Two classification methods using machine learning and transfer learning methods have been able to obtain accuracy of 95.4% and 100%, respectively, which are 0.7% and 6% more than the existing proposed methods.
