ارزیابی معماریهای مختلف شبکه یادگیری عمیق در تشخیص تازگی تخممرغ بر اساس سیگنالهای صدا
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 واحد هاو و ارتفاع کیسه 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 شبکه یادگیری عمیق از پیش آموزش دیده AlexNet، VGGNet، GoogLeNet و ResNet در این تحقیق استفاده شد. در بین این شبکه ها، شبکه ResNet با میانگین دقت طبقه بندی 71.5 درصد بهترین دقت را داشته است.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.