طراحی و توسعه سیستم هوشمند درجه‌بندی کشمش طلایی مبتنی بر شبکه عصبی کانولوشن عمیق

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی

نویسندگان

حامد میرخراسانی

مهدی عباسقلی پور

بهزاد محمدی الستی

گروه مهندسی مکانیک بیوسیستم، واحد بناب، دانشگاه آزاد اسلامی، بناب، ایران

https://doi.org/10.22067/jam.2026.97133.1458

چکیده

در تحقیق حاضر هدف اصلی، توسعه یک روش هوشمند، غیرمخرب و دقیق برای ارزیابی کیفی کشمش تیزآبی طلایی، مبتنی بر شبکه عصبی کانولوشن عمیق با عنوان Raisin_DCNN و بدون نیاز به پیش‌پردازش پیچیده تصویر و استخراج دستی ویژگی‌ها است. به‌منظور آموزش و ارزیابی مدل پیشنهادی، مجموعه‌داده‌ای شامل ۳۳۲۰ تصویر از دانه‌های کشمش در چهار سطح کیفی مختلف جمع‌آوری شد. مدل پیشنهادی Raisin_DCNN یک شبکه عصبی کانولوشن عمیق اختصاصی است که به‌طور خاص برای استخراج ویژگی‌های بصری دانه‌های کشمش طراحی شده است. در این شبکه از چندین لایه کانولوشن و توابع فعال‌ساز برای طبقه‌بندی چهارکلاسه استفاده شد. این شبکه، درجه‌بندی کشمش تیزآبی طلایی را بدون نیاز به پیش‌پردازش و با زمان پردازش کمتر با تکیه بر استخراج خودکار ویژگی‌های تصویری در شرایط تصویربرداری متغیر را انجام می دهد. عملکرد مدل پیشنهادی با دو مدل از پیش‌آموزش‌دیده مبتنی بر یادگیری انتقالی شامل InceptionV3 و InceptionResNetV2 و همچنین چندین الگوریتم کلاسیک یادگیری ماشین مبتنی بر ویژگی‌های HOG و SIFT  و طبقه‌بندی‌کننده‌های ماشین بردار پشتیبان (SVM)، نزدیک ترین همسایگی K (KNN) و رگرسیون لجستیک (LR) مقایسه شد. ارزیابی مدل‌ها با استفاده از معیارهای دقت، صحت، حساسیت و F1-score انجام گرفت. نتایج نشان داد که مدل Raisin_DCNN با دستیابی به دقت کلی ۹۶ درصد، عملکردی برتر نسبت به مدل‌های یادگیری انتقالی و روش‌های کلاسیک ارائه می‌دهد. بر اساس نتایج به‌دست‌آمده، طراحی یک شبکه عصبی عمیق اختصاصی متناسب با ویژگی‌های بصری دانه‌های کشمش، نقش مؤثری در افزایش دقت درجه‌بندی دارد.

کلیدواژه‌ها

ارزیابی غیرمخرب

استخراج ویژگی

لایه کانولوشن

یادگیری انتقالی

یادگیری ماشین

---

Authors retain the copyright. This is an open access article distributed under Creative Commons Attribution 4.0 International License (CC BY 4.0)

مراجع

1. Abbasgholipour, M., Omid, M., Keyhani, A., & Mohtasebi, S. S. (2011). Color image segmentation with genetic algorithm in a raisin sorting system based on machine vision in variable conditions. Expert Systems with Applications, 38(4), 3671-3678. https://doi.org/10.1016/j.eswa.2010.09.023
2. Alom, M. Z., Hasan, M., Yakopcic, C., Taha, T., & Asari, V. (2020). Improved inception-residual convolutional neural network for object recognition. Neural Computing and Applications, 32(1), 279-293. https://doi.org/10.1007/s00521-018-3627-6
3. Angadi, Sh. A., & Hiregoudar, N. (2016). A cost effective algorithm for grading raisins using image processing. International Journal of Recent Trends in Engineering & Research (IJRTER), 2, 2455-1457.
4. Backes, A. R., & Khojastehnazhand, M. (2024). Optimizing a combination of texture features with partial swarm optimizer method for bulk raisin classification. Signal, Image and Video Processing, 18(3), 2621-2628. https://doi.org/10.1007/s11760-023-02935-y
5. Çınar, İ., Koklu, M., & Taşdemir, Ş. (2020). Classification of raisin grains using machine vision and artificial intelligence methods. Gazi Journal of Engineering Sciences, 6(3), 200-209. https://doi.org/10.30855/gmbd.2020.03.03
6. Din, N. M. U., Assad, A., Dar, R. A., Rasool, M., Sabha, S. U., Majeed, T., Islam, Z. U., Gulzar, W., & Yaseen, A. (2024). RiceNet: A deep convolutional neural network approach for classification of rice varieties. Expert Systems with Applications, 235, 121214. https://doi.org/10.1016/j.eswa.2023.121214
7. Falahat Nejad Mahani, Sh., & Karami, A. (2023). Maize Tassel Detection and Counting Using Deep Learning Techniques. Journal of Agricultural Machinery, 13(2), 175-194. https://doi.org/10.22067/jam.2022.72477.1062
8. FAO. (2023). Food and Agricultural Organization of the United Nations. FAOSTAT Database. http://apps.fao.org/
9. Fatehi, F., Bagherpour, H., & Amiri Parian, J. (2025). Investigating the Potential of the Innovative YOLOv8s Model for Detecting Bloomed Damask Roses in Open Fields. Journal of Agricultural Machinery, 15(3), 275-289. https://doi.org/10.22067/jam.2024.88066.1249
10. Fei-Fei, L., Deng, J., & Li, K. (2009). ImageNet: Constructing a large-scale image database. Journal of Vision, 9(8), 1037-1037. https://doi.org/10.1167/9.8.1037
11. Grandini, M., Bagli, E., & Visani, G. (2020). Metrics for multi-class classification: an overview. arXiv preprint arXiv:2008.05756. https://doi.org/10.48550/arXiv.2008.05756
12. Hinton, G., Deng, L., Yu, D., Dahl, G. E., Mohamed, A., Jaitly, N., ..., & Sainath, T. N. (2012). Deep neural networks for acoustic modeling in speech recognition: The shared views of four research groups. IEEE Signal Processing Magazine, 29(6), 82-97. https://doi.org/10.1109/MSP.2012.2205597
13. İncekara, H. (2024). Classification of raisin grains using different artificial neural network methods. Intelligent Methods in Engineering Sciences, 3(3), 99-107. https://doi.org/10.58190/imiens.2024.104
14. Kanellos, P. T., Kaliora, A. C., Gioxari, A., Christopoulou, G. O., Kalogeropoulos, N., & Karathanos, V. T. (2013). Absorption and bioavailability of antioxidant phytochemicals and increase of serum oxidation resistance in healthy subjects following supplementation with raisins. Plant Foods for Human Nutrition, 68(4), 411-415. https://doi.org/10.1007/s11130-013-0389-2
15. Liu, X., Yang, L., Chen, J., Yu, S., & Li, K. (2022). Region-to-boundary deep learning model with multi-scale feature fusion for medical image segmentation. Biomedical Signal Processing and Control, 71, 103165. https://doi.org/10.1016/j.bspc.2021.103165
16. Malek Madani, P., & Soleimani, N. (2025). Risk Analysis and Economic Strategies of Iranian Raisin Supply Chain with Failure Mode Analysis (FMEA): A Case Study of Malayer Raisin Industry. Journal of Applied Economics Studies in Iran (AESI), 14(53), 135-167. https://doi.org/10.22084/aes.2025.30475.3762
17. Mollazade, K., Omid, M., & Arefi, A. (2012). Comparing data mining classifiers for grading raisins based on visual features. Computers and Electronics in Agriculture, 84, 124-131. https://doi.org/10.1016/j.compag.2012.03.004
18. Naderi Beni, A., Bagherpour, H., & Amiri Parian, J. (2024). Development and Optimization of a Novel Deep Learning Model for Diagnosis of Quince Leaf Diseases. Journal of Agricultural Machinery, 14(4), 445-458. https://doi.org/10.22067/jam.2024.88013.1248
19. Omid, M., Abbasgolipour, M., Keyhani, A., & Mohtasebi, S.S. (2010). Implementation of an efficient image processing algorithm for grading raisins. International Journal of Signal and Image Processing, 1(1), 31-34.
20. Omid, M., Sharouzi, M., & Keyhani, A. (2010). Development of an Automated Machine for Grading Raisins based on Color and Size. Journal of Modelling and Simulation of System, 1(3), 157-162.
21. Raihen, M. N., & Akter, S. (2024). Prediction modeling using deep learning for the classification of grape-type dried fruits. International Journal of Mathematics and Computer in Engineering, 2(1), 1-12. https://doi.org/10.2478/ijmce-2024-0001
22. Schuster, M. J., Wang, X., Hawkins, T., & Painter, J. E. (2017). A Comprehensive review of raisins and raisin components and their relationship to human health. Journal of Nutrition and Health, 50(3), 203-216. https://doi.org/10.4163/jnh.2017.50.3.203
23. Singla, Ch., Sarangi, P. K., Sahoo, A. K., & Singh, P. K. (2022). Deep learning enhancement on mammogram images for breast cancer detection. Materials Today: Proceedings, 49, 3098-3104. https://doi.org/10.1016/j.matpr.2020.10.951
24. Vidyarthi, S. K., Singh, S. K., Xiao, H. W., & Tiwari, R. (2021). Deep learnt grading of almond kernels. Journal of Food Process Engineering, 44(4), e13662. https://doi.org/10.1111/jfpe.13662
25. Wang, Ch., Shi, J., Zhang, Q., & Ying, Sh. (2017). Histopathological image classification with bilinear convolutional neural networks. Paper presented at the 39^th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Jeju, Korea (South). https://doi.org/10.1109/embc.2017.8037745
26. Yu, X., Liu, K., Wu, D., & He, Y. (2012). Raisin quality classification using least squares support vector machine (LSSVM) based on combined color and texture features. Food and Bioprocess Technology, 5(5), 1552-1563. https://doi.org/10.1007/s11947-011-0531-9
27. Zhu, L., Li, Zh., Li, Ch., Wu, J., & Yue, J. (2018). High performance vegetable classification from images based on AlexNet deep learning model. International Journal of Agricultural and Biological Engineering, 11(4), 217-223. https://doi.org/10.25165/j.ijabe.20181104.2690