مشخصات پژوهش

عنوان	استفاده ازشبکه های عصبی کانولوشنی (CNN) درتشخیص خیارهای معیوب
نوع پژوهش	پایان نامه
کلیدواژه‌ها	شبکه کانولوشن، خیار، مدل سازی، یادگیری عمیق
چکیده	طبقه بندی خیار از لحاظ شکل ظاهری یکی از مراحل اصلی فرآوری این محصول است. هر چند دستگاه های مختلفی برای این کار ابداع و ساخته شده اند اما همه آنها در زمینه تفکیک و طبقه بندی محصول از نظر شکل و اندازه کاربرد دارند. بررسی کیفیت محصول در صنایع مربوط به تولید خیار شور به شکل دستی و سنتی انجام می شود که کاری سخت و زمان بر است. بهره گیری از الگوریتم های هوش مصنوعی به عنوان یک روش جدید و کارآمد می تواند جایگزین مناسبی برای روش های سنتی کیفی سنجی محصولات باشد. بنابراین استفاده از روش های سریع و نوین الگو یابی در پردازش تصویر و شناسایی کلاس های مختلف محصول خیار به کمک هوش مصنوعی از اهداف اصلی این پژوهش می باشد. در این تحقیق با بهره گیری از مهمترین 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 و پیشنهادی استفاده گردید. در الگوریتم پیشنهادی 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 خیار از خود نشان دادند. در مقایسه دو روش یادگیری انتقال با شبکه پیشنهادی، شبکه طراحی شده با تعداد پارامترهای کم و لایه های به مرتب کمتر توانست بهترین عملکرد را در طبقه بندی با دقت 91 درصد کسب کند.
پژوهشگران	حسین باقرپور (استاد راهنما)، سجاد حاصلی گلزار (دانشجو)، جعفر امیری پریان (استاد مشاور)