TY - JOUR ID - 73911 TI - طراحی یک سامانه سخت افزاری جهت جداسازی پسته‌های معیوب از سالم با استفاده از شبکه‌های عصبی عمیق JO - مهندسی بیوسیستم ایران JA - IJBSE LA - fa SN - 2008-4803 AU - دینی, علی AU - قیومی زاده, حسین AU - رحیمی فرد, علی اکبر AU - فیاضی, علی AU - افتخاری, محمدعلی AU - عباس زاده, مهدی AD - استادیار علوم و صنایع غذایی ، مرکز تحقیقات سلامت پسته، دانشگاه علوم پزشکی رفسنجان، رفسنجان، ایران AD - گروه مهندسی برق، دانشکده مهندسی، دانشگاه ولی عصر (عج) رفسنجان AD - دانشجوی مهندسی برق گروه مهندسی برق، دانشکده فنی و مهندسی، دانشگاه ولی‌عصر(عج) رفسنجان، رفسنجان، ایران. AD - استادیار گروه مهندسی برق، دانشکده فنی و مهندسی، دانشگاه ولی‌عصر(عج) رفسنجان، رفسنجان، ایران Y1 - 2020 PY - 2020 VL - 51 IS - 1 SP - 149 EP - 159 KW - آفلاتوکسین KW - پسته KW - شبکه عصبی عمیق KW - کانولوشن KW - طبقه بندی DO - 10.22059/ijbse.2019.279440.665178 N2 - هدف از این مطالعه توسعه الگوریتم‌های تصویربرداری، جهت بهبود درجه­بندی آجیل‌ها با نقص‌های پوسته از جمله لکه‌های چربی، لکه‌های تیره، بدنه چسبیده، نقص‌های هسته‌ای آسیب و پوسیدگی قارچی می­باشد. همه این نقص­ها نشان‌دهنده خطر آلودگی به آفلاتوکسین هستند. شبکه‌های عصبی کانولوشن در زمینه‌های مختلف بینایی ماشین و طبقه‌بندی تصویر برجسته شده‌اند. در این پژوهش یک مدل سخت‌افزار آزمایشگاهی بر مبنای شبکه عصبی کانولوشنی جهت طبقه­بندی پسته­ها طراحی شده است. داده‌های جمع‌آوری‌شده 958 تصویر، شامل 276 تصویر از پسته‌های معیوب و 682 تصویر از پسته‌های سالم می‌باشند. طبقه‌بندی تصاویر شامل سالم و معیوب بر اساس 3 نوع شبکه عصبی کانولوشن عمیق شامل Google net، resnet18 و vgg16 انجام‌شده است. میزان دقت و ویژگی نتایج به‌دست‌آمده با استفاده از مدل‌های شبکه‌های عصبی عمیق از پیش آموزش داده‌شده Google net، resnet18 و vgg16 به ترتیب برابر 8/95%-1/97%، 2/97%-7/96% و 83/95%-08/97% هست. UR - https://ijbse.ut.ac.ir/article_73911.html L1 - https://ijbse.ut.ac.ir/article_73911_49f9293b3256aa0cfc437f39212216e2.pdf ER -