طراحی و اجرای مدلی بر اساس یادگیری عمیق برای ارزیابی تردی گوشت گاو

گوشت گاو با دارا بودن انواع آمینواسیدهای ضروری انسان، به عنوان یکی از اصلی ترین منابعتامین کننده پروتئین جوامع بشری است. حفظ سلامت جامعه، تامین مواد غذایی سالم و باکیفیت را بیشاز هرزمانی ضروری تر کرده است. از مهمترین و کاربردی ترین روش های ارزیابی کیفیت گوشت گاوبررسی ویژگی های ظاهری و فیزیکی آن است. در این پژوهش باهدف ارزیابی کیفیت گوشت گاو ازنظرسفتی و تردی بر اساس ویژگی های تصویر به طراحی و اجرای مدلی بر پایه شبکه های عصبی کانولوشنیمبتنی بر سه ساختار موبایل نت، اینسپشن و VGG۱۶ پرداخته شده است. داده های ورودی این مدل تصاویردیجیتال از نمونه های گوشت گاو بود که مقادیر مقاومت برشی آنها با روش وارنر-براتزلر اندازه گیریشد. در پایان مدل های طراحی شده توانستند با دقت قابل قبولی به دسته بندی نمونه های اولیه بر اساسویژگی های استخراج شده بپردازند. عملکرد مدل های طراحی شده با شاخص های آماری ازجمله دقت،صحت، حساسیت و اختصاصی بودن بررسی شد و بهترین مدل طبقه بند، مدل مبتنی بر ساختار موبایل نتبود که این مدل توانست با دقت % ۶ / ۹۲ تصاویر را طبقه بندی کند.

طراحی و اجرای مدلی بر اساس یادگیری عمیق برای ارزیابی تردی گوشت گاو Keywords:

بینایی ماشین , وارنر- براتزلر , شبکه عصبی کانولوشنی , موبایل نت , اینسپشن , VGG۱۶