دوره 22، شماره 1 - ( مجله مهندسی برق و الکترونیک ایران - جلد 22 شماره 1 1404 )
جلد 22 شماره 1 صفحات 140-133 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Asadi Amiri S, Andi M. Classification of Pistachio Varieties Using MobileNet Deep Learning Model. Journal of Iranian Association of Electrical and Electronics Engineers 2025; 22 (1) :133-140
URL: http://jiaeee.com/article-1-1725-fa.html
URL: http://jiaeee.com/article-1-1725-fa.html
اسدی امیری سکینه، اندی محمدسام. طبقه بندی گونه‌های پسته با به‌کارگیری مدل یادگیری عمیق موبایل‌نت. نشریه مهندسی برق و الکترونیک ایران. 1404; 22 (1) :133-140
گروه مهندسی کامپیوتر- دانشکده مهندسی و فناوری ـ دانشگاه مازندران
چکیده: (675 مشاهده)
پسته، گیاهی گل‌دار از تیره پسته‌ایان است که بسته به شکل ظاهری آن به انواع مختلفی تقسیم می‌شود. این میوه قیمت و ارزش غذایی بالایی دارد و تشخیص دقیق نوع و بسته‌بندی بر اساس آن از چالش‌های صادرات پسته به‌شمار می‌رود. دستهبندی پسته اغلب توسط ماشین‌های الکترومکانیکی انجام می‌شود؛ اما این دستگاه‌ها دقت لازم را ندارند و موجب آسیب به مغز پسته می‌شوند. بنابراین نیاز به فناوریهای جدیدی برای دستهبندی و جداسازی انواع پسته محسوس است. در این پژوهش، با استفاده از نسخه اصلاح‌شده مدل یادگیری عمیق MobileNetV3، گونه‌های پسته را شناسایی کردیم. همچنین با به‌کارگیری نسخه Small موبایل‌نت، می‌توانیم مدل یاد گرفته شده را بر روی تلفن‌های هوشمند اجرا کنیم، زیرا این مدل به دلیل بهینگی پردازشی، برای این امر مناسب است. برای این تحقیق، از مجموعه داده‌ای از 2148 تصویر پسته با گونه‌های کرمیزی و سیرت استفاده شد. برای افزایش تعداد و تنوع تصاویر، داده‌افزایی روی تصاویر انجام شد. با افزایش دادهها و ایجاد تنوع در مجموعه آموزش، می‌توان از بیش‌برازش جلوگیری کرد و مدل را قادر ساخت تا به نحو بهتری داده‌های جدید را پوشش دهد. سپس از نسخه اصلاح‌شده شبکه MobileNetV3 برای شناسایی گونه‌های پسته استفاده کردیم. روش پیشنهادی ما توانست با دقت 99.30% این دو گونه پسته را شناسایی کند و برتر از روش‌های موجود است.
چکیده مبسوط [PDF 183 KB] (3 دریافت)
فهرست منابع
1. [1] Dreher, Mark L., "Pistachio nuts: composition and potential health benefits," Nutrition Reviews, Vol. 70, No. 4, pp. 234-240, 2012. [DOI:10.1111/j.1753-4887.2011.00467.x]
2. [2] Mateos, Raquel, et al., "Why should pistachio be a regular food in our diet?" Nutrients, Vol. 14, No. 15, p. 3207, 2022. [DOI:10.3390/nu14153207]
3. [3] Ozkan, I.A., Koklu, M., Saraçoğlu, R., "Classification of Pistachio Species Using Improved K-NN Classifier," Health, Vol. 23, p. e2021044, 2021.
4. [4] Kay, C.D., Gebauer, S.K., West, S.G., Kris-Etherton, P.M., "Pistachios Increase Serum Antioxidants and Lower Serum Oxidized-LDL in Hypercholesterolemic Adults," The Journal of Nutrition, Vol. 140, No. 6, pp. 1093-1098, 2010. [DOI:10.3945/jn.109.117366]
5. [5] Bonifazi, G., Capobianco, G., Gasbarrone, R., Serranti, S., "Contaminant detection in pistachio nuts by different classification methods applied to short-wave infrared hyperspectral images," Food Control, Vol. 130, p. 108202, 2021. [DOI:10.1016/j.foodcont.2021.108202]
6. [6] Sheikhi, Abdollatif, et al., "Pistachio (Pistacia spp.) breeding," Advances in Plant Breeding Strategies: Nut and Beverage Crops: Volume 4, pp. 353-400, 2019. [DOI:10.1007/978-3-030-23112-5_10]
7. [7] آقائی نسترن، اکبری زاده غلامرضا، کوثریان عبدالنبی. استفاده از ShuffleNet برای طراحی یک مدل بخش‌بندی معنایی عمیق به منظور تشخیص نشت نفت در تصاویر رادار روزنه مصنوعی. نشریه مهندسی برق و الکترونیک ایران. ۱۴۰۱; ۱۹ (۳) :۱۳۱-۱۴۴.
8. [8] Atay, Ü., "The investigation of classification systems used for pistachio and construction of an alternative classification system," Ph.D. Thesis, Harran University, Sanliurfa, 2007.
9. [9] سهرابی محمدصادق، معظمی مجید. یک روش ترکیبی برای پیش بینی احتمالاتی میان-مدت قیمت برق با استفاده از یادگیری عمیق. نشریه مهندسی برق و الکترونیک ایران. ۱۴۰۲; ۲۰ (۴) :۱۲۳-۱۳۲.
10. [10] Omid, M., Firouz, M.S., Nouri-Ahmadabadi, H., Mohtasebi, S.S., "Classification of peeled pistachio kernels using computer vision and color features," Engineering in Agriculture, Environment and Food, Vol. 10, pp. 259-265, 2017. [DOI:10.1016/j.eaef.2017.04.002]
11. [11] Singh, Dilbag, et al., "Classification and analysis of pistachio species with pre-trained deep learning models," Electronics, Vol. 11, No. 7, p. 981, 2022. [DOI:10.3390/electronics11070981]
12. [12] Dheir, I.M., Mettleq, A.S.A., Elsharif, A.A., "Nuts Types Classification Using Deep Learning," International Journal of Academic Information Systems Research, Vol. 3, pp. 12-17, 2020.
13. [13] Abbaszadeh, M., Rahimifard, A., Eftekhari, M., Zadeh, H.G., Fayazi, A., Dini, A., Danaeian, M., "Deep Learning-Based Classification of the Defective Pistachios via Deep Autoencoder Neural Networks," arXiv, arXiv:1906.11878, 2019.
14. [14] Dini, A., Zadeh, H.G., Rahimifard, A., Fayazi, A., Eftekhari, M., Abbaszadeh, M., "Designing a Hardware System to Separate Defective Pistachios From Healthy Ones Using Deep Neural Networks," Iranian Journal of Biosystems Engineering, Vol. 51, pp. 149-159, 2020.
15. [15] Casasent, D.A., Sipe, M.A., Schatzki, T.F., Keagy, P.M., Lee, L.C., "Neural net classification of X-ray pistachio nut data," LWT-Food Science and Technology, Vol. 31, No. 2, pp. 122-128, 1998. [DOI:10.1006/fstl.1997.0320]
16. [16] Cetin, A.E., Pearson, T.C., Tewfik, A.H., "Classification of closed and open shell pistachio nuts using principal component analysis of impact acoustics," Proceedings of the 2004 IEEE International Conference on Acoustics, Speech, and Signal Processing, Vol. 5, pp. V-677, 2004. [DOI:10.1109/ICASSP.2004.1327201]
17. [17] Shorten, Connor, Khoshgoftaar, Taghi M., "A survey on image data augmentation for deep learning," Journal of Big Data, Vol. 6, No. 1, pp. 1-48, 2019. [DOI:10.1186/s40537-019-0197-0]
18. [18] Qian, Siying, Ning, Chenran, Hu, Yuepeng, "MobileNetV3 for image classification," Proceedings of the 2021 IEEE 2nd International Conference on Big Data, Artificial Intelligence and Internet of Things Engineering (ICBAIE), IEEE, pp. 490-497, 2021. [DOI:10.1109/ICBAIE52039.2021.9389905]
19. [19] Howard, Andrew, et al., "Searching for mobilenetv3," Proceedings of the IEEE/CVF International Conference on Computer Vision, pp. 1314-1324, 2019. [DOI:10.1109/ICCV.2019.00140]
20. [20] Hastie, Trevor, et al., The Elements of Statistical Learning: Data Mining, Inference, and Prediction, New York: Springer, 2009.
21. [21] Cleophas, Ton J., et al., Machine Learning in Medicine-A Complete Overview, Cham; Heidelberg: Springer International Publishing, 2015. [DOI:10.1007/978-3-319-15195-3]
22. [22] Müller, Andreas C., Guido, Sarah, Introduction to Machine Learning with Python: A Guide for Data Scientists, O'Reilly Media, Inc., 2016.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License (CC BY NC 4.0) قابل بازنشر است. |
