Журнал основ возобновляемой энергии и приложений
Открытый доступ

Абстрактный

Распознавание изображений капиллярного динамолиза с использованием нейронных сетей

Мехмет С. Унлутюрк, Севкан Унлутюрк, Фикрет Пазир и Фирузе Абдоллахи

Различия в качестве между органическими и обычными свежими томатами (необработанными) и замороженными томатами (обработанными) оцениваются с помощью метода капиллярного подъема изображения (капиллярный динамолиз). Лучшие изображения, наиболее четко демонстрирующие различия между органическими и обычными образцами, были получены с использованием 0,25–0,75% нитрата серебра, 0,25–0,75% сульфата железа и 30–100% концентрации образца. Но визуальное описание и анализ этих изображений являются серьезной проблемой. Поэтому для классификации этих изображений была изучена новая методология, называемая методологией нейронной сети Грама-Шарлье (GCNN). Были созданы две отдельные GCNN для свежих и замороженных случаев. Они обучаются с помощью изображений органических и обычных образцов томатов из этих двух случаев. Изображения хроматограммы размером 2048 x 1536 пикселей были получены в лаборатории и обрезаны до изображений размером 1400 x 900 пикселей, изображающих либо обычный томат, либо органический томат для каждого случая. Набор из 20 изображений из каждого случая использовался для обучения каждой нейронной сети Грама-Шарлье. Затем был подготовлен новый набор из 4 изображений из каждого случая для проверки производительности каждой GCNN. Кроме того, диаграммы Хинтона использовались для отображения оптимальности весов GCNN. В целом, GCNN достигла средней производительности распознавания 100%. Такой высокий уровень распознавания предполагает, что GCNN является перспективным методом для различения изображений капиллярного динамолиза, и его производительность не зависит от того, является ли образец томата свежим или замороженным.