دانشگاه آزاد اسلامی واحد تهران جنوب

صفحه اصلی / نخستین همایش هوش مصنوعی و پژوهش های نوظهور: همگرایی انسان و سیستم های هوشمند

بهینه‌سازی تشخیص کیفیت مغز بادام با مدل‌های یادگیری عمیق: تحلیل دقت و کارایی در سامانه‌های خودکار

نویسندگان :

آریا مختارپور¹ تورج مختارپور² سمیه میراحمدی باباحیدری³

1- دانشگاه ملی مهارت مهاجر اصفهان 2- مرکزتحقیقات و آموزش کشاورزی استان چهارمحال و بختیاری 3- فارغ التحصیل دانشگاه شهید چمران اهواز

کلمات کلیدی :

بادام،کنترل کیفیت،یادگیری عمیق،YOLOv11-cls

چکیده :

این مطالعه باهدف توسعه سیستم‌های مبتنی بر یادگیری عمیق برای طبقه‌بندی مغز بادام به سه کلاس سالم، ناسالم و ناخالص، انجام شد و محدودیت‌های روش‌های سنتی ارزیابی کیفی بادام را موردتوجه قرارداد. مدل‌های مختلف YOLOv11-cls (n, s, m, l, x) با استفاده از داده‌های تصویری متنوع و پیش‌پردازش شده بر روی پلتفرم Google Colab با (GPU Tesla T4) آموزش داده شدند. عملکرد مدل‌ها بر اساس دقت، اتلاف اعتبارسنجی و زمان آموزش مقایسه شدند. نتایج نشان داد مدل YOLOv11n-cls با دقت ۹۳.۹۷٪، اتلاف ۰.۲۳۱۹ و زمان آموزش ۵۶۰۰ ثانیه، بهترین تعادل بین دقت و کارایی محاسباتی را دارد (امتیاز ترکیبی ۰.۷۵۲۹). در مقابل، مدل YOLOv11x-cls عملکرد ضعیف‌تری با دقت ۹۲.۳۶٪ و زمان آموزش ۸۴۲۴ ثانیه نشان داد. این سیستم پتانسیل بالایی برای ادغام در خطوط تولید خودکار جهت بهبود کنترل کیفیت، کاهش هزینه‌ها و افزایش بهره‌وری در صنایع مرتبط دارد و زمینه را برای پژوهش‌های آینده در بهینه‌سازی سیستم‌های طبقه‌بندی بلادرنگ فراهم می‌کند.