基于深度自编码器神经网络的缺陷开心果深度学习分类
计算机视觉与模式识别
2019-07-01 v1 机器学习
神经与进化计算
摘要
开心果因其高营养价值和良好口感，主要以生食、盐焗或烘烤形式食用。带有外壳和果仁缺陷的开心果，不仅不被消费者接受，还易受虫害、霉菌腐烂和黄曲霉毒素污染。本研究开发了一种基于深度学习的成像算法，以改进对具有外壳和果仁缺陷（表明存在黄曲霉毒素污染风险，如深色污渍、油渍、附着果皮、真菌腐烂和曲霉菌）的坚果的分选。本文提出了一种基于深度自编码器神经网络的无监督学习方法，用于对缺陷和不良开心果进行分类。在验证数据集上对所设计神经网络的测试表明，区分带有深色污渍、油渍或附着果皮的坚果与正常坚果的准确率可达 80.3%。由于大学高性能计算机内存有限，该结果合理且可接受。
引用
@article{arxiv.1906.11878,
title = {Deep Learning-Based Classification Of the Defective Pistachios Via Deep Autoencoder Neural Networks},
author = {Mehdi Abbaszadeh and Aliakbar Rahimifard and Mohammadali Eftekhari and Hossein Ghayoumi Zadeh and Ali Fayazi and Ali Dini and Mostafa Danaeian},
journal= {arXiv preprint arXiv:1906.11878},
year = {2019}
}