ارزیابی تردی گوشت گاو توسط مدل های مبتنی بریادگیری عمیق | ||
| پژوهشهای مکانیک ماشینهای کشاورزی | ||
| دوره 12، شماره 3 - شماره پیاپی 28، پاییز 1402، صفحه 93-100 اصل مقاله (178.17 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/jrmam.2023.14095.625 | ||
| نویسندگان | ||
| پویا رضوانی اصل1؛ سلیمان حسین پور* 2 | ||
| 1گروه مهندسی ماشینهای کشاورزی، دانشکده مهندسی و فناوری کشاورزی پردیس کشاورزی و منابع طبیعی دانشگاه تهران، کرج، ایرا ن | ||
| 2دانشیار، گروه مهندسی ماشین های کشاورزی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی دانشگاه تهران، تهران، ایران | ||
| چکیده | ||
| گوشت گاو با دارا بودن انواع آمینواسیدهای ضروری انسان، بهعنوان یکی از اصلیترین منابع تأمینکننده پروتِئین جوامع بشری است. حفظ سلامت جامعه، تأمین مواد غذایی سالم و باکیفیت را بیش از هرزمانی ضروریتر کرده است. از مهمترین و کاربردیترین روشهای ارزیابی کیفیت گوشت گاو بررسی ویژگیهای ظاهری و فیزیکی آن است. در این پژوهش باهدف ارزیابی کیفیت گوشت گاو ازنظر سفتی و تردی بر اساس ویژگیهای تصویر به طراحی و اجرای مدلی بر پایه شبکههای عصبی کانولوشنی مبتنی بر سه ساختار موبایل نت، اینسپشن و 16VGG پرداختهشده است. در این پژوهش از تصاویر دیجیتال که بهوسیله گوشی همراه هوشمند شرکت الجی مدل (LG G4 H815) در شرایط کنترل نشده و مستقل از محیط و نور که مقدار مقاومت برشی هر نمونه گوشت به روش وارنر-براتزلر اندازهگیری شده بود، برای آموزش و ارزیابی شبکه عصبی کانولوشنی استفادهشده است . در پایان مدلهای طراحیشده توانستند با دقت قابل قبولی به دستهبندی نمونههای اولیه بر اساس ویژگیهای استخراجشده بپردازند. برای ارزیابی الگوریتم طبقهبندی از ماتریس اغتشاش استفاده شد و شاخصهای آماری ازجمله دقت، صحت، حساسیت و اختصاصی بودن از نتایج ماتریس اغتشاش مورد بررسی قرار گرفتند . بهترین مدل طبقه بند، مدل مبتنی بر ساختار موبایل نت بود که این مدل توانست با دقت %92/6 تصاویر را طبقهبندی کند. | ||
| کلیدواژهها | ||
| بینایی ماشین؛ وارنر- براتزلر؛ شبکه عصبی کانولوشنی؛ موبایل نت؛ اینسپشن؛ VGG | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 176 تعداد دریافت فایل اصل مقاله: 139 |
||
| تعداد نشریات | 11 |
| تعداد شمارهها | 184 |
| تعداد مقالات | 2,030 |
| تعداد مشاهده مقاله | 511,250 |
| تعداد دریافت فایل اصل مقاله | 296,764 |