طراحی یک سامانه سخت افزاری جهت جداسازی پسته‌های معیوب از سالم با استفاده از شبکه‌های عصبی عمیق

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار علوم و صنایع غذایی ، مرکز تحقیقات سلامت پسته، دانشگاه علوم پزشکی رفسنجان، رفسنجان، ایران

2 گروه مهندسی برق، دانشکده مهندسی، دانشگاه ولی عصر (عج) رفسنجان

3 دانشجوی مهندسی برق گروه مهندسی برق، دانشکده فنی و مهندسی، دانشگاه ولی‌عصر(عج) رفسنجان، رفسنجان، ایران.

4 استادیار گروه مهندسی برق، دانشکده فنی و مهندسی، دانشگاه ولی‌عصر(عج) رفسنجان، رفسنجان، ایران

چکیده

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.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Designing a Hardware System to separate Defective Pistachios From Healthy Ones Using Deep Neural Networks

نویسندگان [English]

  • Ali Dini 1
  • hossein ghayoumi zadeh 2
  • Aliakbar Rahimifard 3
  • ali fayazi 4
  • MohammadAli Eftekhari 3
  • Mehdi Abbaszadeh 3
1 Assist. Prof., Pistachio Safety Research Center, Rafsanjan University of Medical Sciences, Rafsanjan, Iran.
2 Department of electrical engineering
3 Undergraduate student of Electronic Engineering, Dept. of Electrical Engineering, Faculty of Engineering, Vali-E-Asr University of Rafsanjan, Rafsanjan, Iran.
4 Assist. Prof., Dept. of Electrical Engineering, Faculty of Engineering, Vali-E-Asr University of Rafsanjan, Rafsanjan, Iran.
چکیده [English]

The aim of this study is to develop imaging algorithms to improve the grade of nuts with shell defects such as oily stains, dark stains, adhering hull, damage seed defects, and fungal decay. All these defects indicate the risk of Aflatoxin contamination. Convolutional Neural Networks (CNNs) have become prominent in various fields of machine vision and image classification. In this study, a laboratory hardware setup based on a convolutional neural network is designed for sorting pistachios. The total number of collected data is 958 images, which includes 276 images of defective pistachios and 682 images of healthy pistachios. The classification of healthy and defective images has been accomplished by 3 types of deep convolutional neural networks including Google net, resnet18 and vgg16. The accuracy and specificity of the results obtained using the pre-trained deep neural network models of Google net, resnet18 and vgg16 are 95.8% -97.1%, 97.2% -96.7%, and 95.83% -97.08%, respectively.

کلیدواژه‌ها [English]

  • Aflatoxin
  • Pistachio
  • Deep Neural Network
  • Convolution
  • Classification
Bengio, Y., Goodfellow, I.J. and Courville, A. (2015). Deep learning’An MIT Press book in preparation. Draft chapters available at.     
Bianco, S., Cadene, R., Celona, L. and Napoletano, P. (2018). Benchmark Analysis of Representative Deep Neural Network Architectures. IEEE Access, 6, 64270-64277.
Bond, T.C., Chang, A. and Zhou, J. (2017). Real-time, in-situ detection of volatile profiles for the prevention of aflatoxin fungal contamination in pistachios, Lawrence Livermore National Lab.(LLNL), Livermore, CA (United States).
Chambolle, A., De Vore, R.A., Lee, N.Y. and Lucier, B.J. (1998). nonlinear wavelet image processing: variational problems, compression, and noise removal through wavelet shrinkage. IEEE Transactions on Image Processing, 7(3), 319-33.        
Farazi, M., Abbas-Zadeh, M.J. and Moradi, H. (2017). A machine vision based pistachio sorting using transferred mid-level image representation of Convolutional Neural Network. 2017 10th Iranian Conference on Machine Vision and Image Processing (MVIP), IEEE.          
Géron, A. (2017). Hands-on machine learning with Scikit-Learn and TensorFlow: concepts, tools, and techniques to build intelligent systems, O'Reilly Media, Inc.
Gupta, V., Khare, K. and Singh, R.P. (2009). Fpga design and implementation issues of artificial neural network based pid controllers. Advances in Recent Technologies in Communication and Computing, 2009. ARTCom'09. International Conference on, IEEE.     
Kavdır, I., Guyer, D. (2008). Evaluation of different pattern recognition techniques for apple sorting. Biosystems Engineering, 99(2), 211-219.     
Kola, O., Hayoğlu, İ., Türkoğlu, H., Parıldı, E., Ak, B. E., & Akkaya, M. R. (2018). Physical and chemical properties of some pistachio varieties (Pistacia vera L.) and oils grown under irrigated and non-irrigated conditions in Turkey. Quality Assurance and Safety of Crops & Foods, 10(4), 383-388.       
Mollazade, K., Omid, M. and Arefi, A. (2012). Comparing data mining classifiers for grading raisins based on visual features. Computers and electronics in agriculture, 84, 124-131.   
Nouri-Ahmadabadi, H., Omid, M., Mohtasebi, S.S. and Firouz, M.S. (2017). Design, development and evaluation of an online grading system for peeled pistachios equipped with machine vision technology and support vector machine. Information Processing in Agriculture, 4(4), 333-341.    
Omid, M. (2011). Design of an expert system for sorting pistachio nuts through decision tree and fuzzy logic classifier. Expert Systems with Applications, 38(4), 4339-4347.  
Omid, M., Firouz, M.S., Nouri-Ahmadabadi, H. and Mohtasebi, S.S. (2017). Classification of peeled pistachio kernels using computer vision and color features. Engineering in Agriculture, Environment and Food, 10(4), 259-265.             
Pinto, C., Furukawa, J., Fukai, H., & Tamura, S. (2017, August). Classification of Green coffee bean images based on defect types using convolutional neural network (CNN). In 2017 International Conference on Advanced Informatics, Concepts, Theory, and Applications, 1-5.
Rong, D., Xie, L., & Ying, Y. (2019). Computer vision detection of foreign objects in walnuts using deep learning. Computers and Electronics in