‫« باسمه تعایل »‬

‫عنوان‪ :‬طبقه بندی دانه برنج با استفاده از تکنیک های یادگیری عمیق‬

‫معرفی‬

‫برنج غذای اصیل بیش از نییم از جمعیت جهان است و کیفیت آن به طور قابل توجهی بر امنیت‬

‫غذایی جهان تأثیر یم گذارد‪ .‬طبقه بندی دقیق انواع دانه برنج برای اطمینان از کیفیت و برآورده‬

‫کردن خواسته های مصرف کنندگان ضروری است‪ .‬با پیشرفت در یادگیری عمیق و پردازش‬

‫تصویر‪ ،‬ا کنون یم توان مدل های طبقه بندی کارآمد و دقیقی را برای انواع دانه برنج با استفاده از‬

‫مجموعه داده های تصویری ایجاد کرد‪.‬‬

‫در این پروژه‪ ،‬ما کاربرد تکنیکهای یادگیری عمیق‪ ،‬بهویژه طبقهبندیکننده پرسپترون چندالیه‬

‫)‪(MLP‬و شبکه عصیب ‪ TensorFlow‬را برای طبقهبندی تصاویر دانه برنج به انواع مختلف برریس‬

‫یمکنیم‪ .‬ما از مجموعه دادهای از تصاویر دانه برنج استفاده یمکنیم و با پیکربندیهای مدل‬

‫مختلف برای بهینهسازی دقت طبقهبندی آزمایش یمکنیم‪.‬‬

 ‫مجموعه داده‬

‫مجموعه داده مورد استفاده برای این پروژه از ‪Kaggle‬‬

‫)‪(https://www.kaggle.com/datasets/muratkokludataset/rice-image-dataset‬تهیه شده است‪ .‬این‬

‫شامل تصاویری از پنج گونه مختلف دانه برنج است‪Jasmine ،Ipsala ،Basmati ،: Arborio‬و ‪Karacadag.‬‬

‫مجموعه داده از قبل پردازش شده است تا شامل تعداد متعادیل از تصاویر برای هر گونه باشد که‬

‫هر کالس شامل ‪ 600‬تصویر است‪ .‬اندازه تصاویر در ابتدا به ‪x64 64‬پیکسل تغییر یم کند تا‬

‫پیچیدیگ محاسبایت کاهش یابد و در عین حال جزئیات کافی برای مدل های طبقه بندی برای تمایز‬

‫بین انواع دانه برنج حفظ شود‪.‬‬

‫روش شنایس‬

‫ما از دو مدل یادگیری عمیق برای طبقه بندی دانه برنج استفاده یم کنیم‪ :‬طبقه بندی کننده ‪ MLP‬و‬

‫شبکه عصیب ‪ TensorFlow.‬ما این مدل ها را با استفاده از زبان برنامه نوییس پایتون با کمک کتابخانه‬

‫هایی مانند‪Keras ، TensorFlow‬و ‪ scikit-learn‬پیاده سازی یم کنیم‪ .‬برای ارزیایب عملکرد مدلها تحت‬
 ‫پیکربندیهای فراپارامتر مختلف‪ ،‬ما با تغییر تعداد الیهها‪ ،‬تعداد نورونها در هر الیه و نسبت‬

‫تقسیم تست تربیت آزمایش یمکنیم‪.‬‬

‫مجموعه داده ابتدا به مجموعه های تربیت و آزمایش بر اساس نسبت تقسیم بندی تست تربیت‬

‫مشخص شده تقسیم یم شود‪ .‬مجموعه تربیت برای آموزش مدل ها استفاده یم شود‪ ،‬در حایل‬

‫که مجموعه تست برای ارزیایب عملکرد آنها استفاده یم شود‪ .‬ما تصاویر را با تغییر مقیاس مقادیر‬

‫پیکسل به محدوده ‪ 0‬تا ‪ 1‬پیش پردازش یم کنیم‪ ،‬که به بهبود همگرایی مدل ها در طول آموزش‬

‫کمک یم کند‪.‬‬

‫برای‪ ، MLP Classifier‬از کالس ‪ MLPClassifier scikit-learn‬با تعداد مشخیص از الیهها و نورونهای پنهان‬

‫در هر الیه استفاده یمکنیم‪ .‬طبقه بندی کننده ‪ MLP‬با استفاده از مجموعه تربیت آموزش داده یم‬

‫شود و عملکرد آن با استفاده از تربیت و مجموعه های تست ارزیایب یم شود‪.‬‬

‫برای شبکه عصیب‪ ، TensorFlow‬از ‪ Keras API‬برای ایجاد یک مدل شبکه عصیب سفاریش با تعداد‬

‫الیهها و نورونهای مشخص شده در هر الیه استفاده یمکنیم‪ .‬مدل با استفاده از مجموعه تربیت‬

‫آموزش داده یم شود و عملکرد آن با استفاده از تربیت و مجموعه های آزماییش ارزیایب یم‬

‫شود‪.‬‬

‫نتایج و بحث‬

‫ما مدل های شبکه عصیب ‪ MLP Classifier‬و ‪ TensorFlow‬را تحت پیکربندی هایپرپارامترهای مختلف‬

‫آموزش و ارزیایب یم کنیم و نتایج را در یک جدول ذخیره یم کنیم‪ .‬جدول شامل تعداد الیهها‪،‬‬
‫تعداد نورونها در هر الیه‪ ،‬نسبت تقسیم تست‪ ،‬تربیت‪ ،‬و دقت ‪ train , test‬برای هر پیکربندی مدل‬

‫است‪.‬‬

‫با مقایسه عملکرد مدلها تحت پیکربندی هایپرپارامترهای مختلف‪ ،‬یمتوانیم تنظیمات بهینه را‬

‫شناسایی کنیم که دقت طبقهبندی را به حداکثر یمرساند‪ .‬این تجزیه و تحلیل به ما اجازه یم دهد‬

‫تا مدل ها را برای عملکرد بهتر در مجموعه داده تصویر دانه برنج تنظیم کنیم‪.‬‬

‫نتیجه‬

‫در این پروژه‪ ،‬ما کاربرد تکنیکهای یادگیری عمیق را برای طبقهبندی دانه برنج با استفاده از‬

‫مجموعه داده تصویری نشان دادیم‪ .‬با آزمایش پیکربندی هایپرپارامترهای مختلف برای مدل های‬

‫شبکه عصیب ‪ MLP Classifier‬و‪ ، TensorFlow‬ما توانستیم عملکرد آنها را در کار طبقه بندی بهینه کنیم‪.‬‬

‫نتایج نشان یمدهد که مدلهای یادگیری عمیق یمتوانند به طور موثر تصاویر دانه برنج را در‬

‫انواع مختلف طبقهبندی کنند و بینشهای ارزشمندی را برای بهبود کیفیت برنج و برآورده کردن‬

‫خواستههای مصرفکننده ارائه دهند‪.‬‬

‫دانشجو ‪ :‬آرین قاسیم ‪982013027 -‬‬