مشخصات پژوهش

عنوان	بهره گیری ازشبکه های عصبی کانولوشنی (CNN) درتشخیص فندق های ناسالم و دهان بسته
نوع پژوهش	پایان نامه
کلیدواژه‌ها	شبکه کانولوشن، فندق، مدل سازی، یادگیری عمیق
چکیده	خندان کردن فندق به منظور استفاده آن در آجیل یکی از مراحل اصلی فرآوری این محصول است. هرچند دستگاه-های مختلفی برای این کار ابداع و ساخته شده اند اما به دلیل اندازه ها و شکل های مختلف این محصول، مقدار قابل توجهی از فندق ها در پروسه ترک زنی به صورت نیمه ترک یا بدون ترک از دستگاه خارج می شوند. تشخیص نمونه هایی با ترک های ریز و بدون ترک و تفکیک آن ها از نمونه های خندان، می تواند در جداسازی این محصول برای مراحل بعدی ترک زنی و کاهش تلفات مفید باشد. شناسایی ترک های خیلی ریز یا نمونه های بدون ترک توسط اپراتور کار وقت گیر، پرهزینه و طاقت فرسایی است. بنابراین استفاده از روش های سریع و نوین الگو یابی در پردازش تصویر و شناسایی کلاس های مختلف محصول فندق می تواند راهکار مناسبی در طبقه بندی این محصول باشد. در این پژوهش با بهره گیری از مهم ترین روش هوش مصنوعی بنام یادگیری عمیق و ترکیب عملیات کانولوشن و شبکه عصبی، تشخیص الگو و یادگیری انجام گرفت. در تحقیق حاضر با بهره گیری از دو روش یادگیری انتقال و طراحی شبکه کانولوشنی پیشنهادی، الگوریتم مناسب برای طبقه بندی و شناسایی کلاس ها انجام گرفت. در روش یادگیری انتقال، از سه شبکه پیش آموزش دیده شده Inception-v3، VGG-19، Resnet-50 استفاده گردید و در الگوریتم پیشنهادی نیز با بررسی لایه ها و ساختارهای مختلف آن عملکرد مدل بررسی و با روش یادگیری انتقال مقایسه گردید. در بررسی عملکرد مدل ها از شاخص های ارزیابی حساسیت، صحت، دقت و شاخص f-score استفاده گردید. با توجه به نتایج، اگرچه تمامی مدل ها پتانسیل امیدوارکننده ای برای طبقه بندی سه کلاس مختلف فندق از خود نشان دادند. از میان سه روش یادگیری انتقال، شبکه Inception v3 بهترین نتایج را با دقت 99 درصد و شاخص F-score، 98/0 ارائه داد ولی در مدل Resnet دقت 72 درصد و F-score، 71/0 به دست آمد. در الگوریتم پیشنهادی با استفاده از سه لایه کانولوشنی با تعداد فیلترهای به ترتیب 16، 32 و 64 در هر لایه و 64 نرون در لایه شبکه عصبی دقت 98/0 حاصل شد. در مقایسه شبکه های مختلف آموزشی، نتایج نهایی نشان داد که شبکه پیشنهادی از قابلیت خوبی در طبقه بندی سه کلاس داشته و می تواند جایگزین مناسبی برای طبقه بندی محصول باشد. حجم و تعداد پارامترهای کمتر در این شبکه باعث افزایش سرعت در شناسایی کلاس ها گردید. به طوری که مدت زمان آموزش
پژوهشگران	حسین باقرپور (استاد راهنما)، علیرضا شجاعیان (دانشجو)، جعفر امیری پریان (استاد مشاور)