طراحی یک سامانه سخت افزاری جهت جداسازی پسته های معیوب از سالم با استفاده از شبکه های عصبی عمیق

هدف از این مطالعه توسعه الگوریتم های تصویربرداری، جهت بهبود درجه بندی آجیل ها با نقص های پوسته از جمله لکه های چربی، لکه های تیره، بدنه چسبیده، نقص های هسته ای آسیب و پوسیدگی قارچی می باشد. همه این نقص ها نشان دهنده خطر آلودگی به آفلاتوکسین هستند. شبکه های عصبی کانولوشن در زمینه های مختلف بینایی ماشین و طبقه بندی تصویر برجسته شده اند. در این پژوهش یک مدل سخت افزار آزمایشگاهی بر مبنای شبکه عصبی کانولوشنی جهت طبقه بندی پسته ها طراحی شده است. داده های جمع آوری شده 958 تصویر، شامل 276 تصویر از پسته های معیوب و 682 تصویر از پسته های سالم می باشند. طبقه بندی تصاویر شامل سالم و معیوب بر اساس 3 نوع شبکه عصبی کانولوشن عمیق شامل Google net، resnet18 و vgg16 انجام شده است. میزان دقت و ویژگی نتایج به دست آمده با استفاده از مدل های شبکه های عصبی عمیق از پیش آموزش داده شده Google net، resnet18 و vgg16 به ترتیب برابر 8/95%-1/97%، 2/97%-7/96% و 83/95%-08/97% هست.