فندق یکی از خشکبارهای با ارزش و شناخته شده در جهان است که دارای ارزش غذایی بالایی است و نقش مهمی در سلامتی انسان ها دارد. از جنبه اقتصادی نیز جز محصولات با ارزش افزوده بالا در صنعت صنایع غذایی است و مورد توجه بسیاری از کشورهای جهان قرار گرفته است. ایران در بین کشورهای عمده تولیدکننده این محصول در رتبه 8 قرار دارد و پتانسیل بالایی در تولید این محصول دارد. تولید این محصول و فرآوری آن برخلاف بسیاری از کشورهای توسعه یافته، در ایران بیشتر به شکل سنتی و با فن آوری های سطح پایینی انجام می شود. نبود فرآیند صنعتی مدرن و مناسب برای خشک کردن و کم بودن انبارهای مجهز نگهداری محصول، باعث شده که کشاورزان یا باغداران این محصول را به روش سنتی خشک کرده و سپس در انبار و بعضا در داخل کیسه ها نگه داری کنند تا بتوانند آن را در زمان دیگری فرآوری و به بازار عرضه کنند. نگه داری محصول در شرایط غیر استاندارد و در صورتی که با رطوبت نگهداری شود، رطوبت به درون پوسته نفوذ می کند و باعث خراب شدن، قارچ زدگی و کپک زدگی در بخشی از فندق ها می شود. وجود قارچ در داخل نمونه ها باعث کاهش شدید ارزش محصول شده و ضررهای خیلی زیادی به تولید کننده ها یا عرضه کننده های آن وارد می کند و از طرفی امکان صادرات آن نیز دیگر وجود نخواهد داشت. وجود این نوع قارچ در داخل محصول باعث تغییر رنگ جزئی در سطح بیرونی پوسته سفت محصول می گردد و بدین روش امکان شناسایی آن ها قبل از عملیات شکستن پوسته و یا فروش آن وجود دارد. بنابراین هدف اصلی این پژوهش استفاده از الگوریتم شبکه عصبی کانولوشنی است که بتواند بر پایه پردازش تصویر با قابلیت بالایی این تغییرات جزئی رنگ یا الگو های سطح خارجی پوسته را متوجه شده و دسته بندی محصول را انجام دهد. در این پژوهش با استفاده از دو رویکرد یادگیری عمیق، شناسایی نمونه های خراب از سالم بررسی و تحلیل شد. در رویکرد اول با استفاده از روش یادگیری انتقال و بهره گیری از دو مدل مشهور از پیش آموزش دیده شده با تصاویر پایگاه ایمیج نت (ImagNet)، بنام های VGG-19 و Inception-v3، عملیات طبقه بندی انجام شد و در رویکرد دوم با طراحی یک شبکه کانولوشنی پیشنهادی توانایی این شبکه در جداسازی نمونه ها مورد بررسی قرار گرفت. برای توسعه و ارزیابی مدل های یادگیری عمیق از کتابخانه کراس (Keras) استفاده شد و برنامه نویسی پایتون و آمو
