طراحی یک سامانه سخت افزاری جهت جداسازی پسته‌های معیوب از سالم با استفاده از شبکه‌های عصبی عمیق

هدف از این مطالعه توسعه الگوریتم‌های تصویربرداری، جهت بهبود درجه بندی آجیل‌ها با نقص‌های پوسته از جمله لکه‌های چربی، لکه‌های تیره، بدنه چسبیده، نقص‌های هسته‌ای آسیب و پوسیدگی قارچی می باشد. همه این نقص ها 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 طبقه بندی پسته ها 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 95.8%97.1%، 97.2%96.7% و 95.83%97.08% هست.

Designing a Hardware System to separate Defective Pistachios From Healthy Ones Using Deep Neural Networks

The aim of this study is to develop imaging algorithms to improve the grade of nuts with shell defects such as oily stains, dark stains, adhering hull, damage seed defects, and fungal decay. All these defects indicate the risk of Aflatoxin contamination. Convolutional Neural Networks (CNNs) have become prominent in various fields of machine vision and image classification. In this study, a laboratory hardware setup based on a convolutional neural network is designed for sorting pistachios. The total number of collected data is 958 images, which includes 276 images of defective pistachios and 682 images of healthy pistachios. The classification of healthy and defective images has been accomplished by 3 types of deep convolutional neural networks including Google net, resnet18 and vgg16. The accuracy and specificity of the results obtained using the pretrained deep neural network models of Google net, resnet18 and vgg16 are 95.8% 97.1%, 97.2% 96.7%, and 95.83% 97.08%, respectively.