Professional Documents
Culture Documents
پروژه اول PDF
پروژه اول PDF
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
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
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
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
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
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